Рекомендации Яндекса: как находить новое и где проходит граница между советом и манипуляцией

Рекомендация начинается с аналогии

В начале разговора Даня Бурлаков говорит, что занимается рекомендательными системами девять лет. Саму идею он объясняет через наблюдение за другими людьми: система смотрит, что они выбирали, и использует сходство ситуаций или интересов, чтобы предложить что-то следующему пользователю. Объектом рекомендации может быть музыкальный трек или фильм.

Когда о человеке почти ничего не известно, возникает холодный старт — недостаток собственной истории для персонального выбора. Пример автора: новый пользователь из Москвы приходит в пятницу вечером. Система может опереться на то, что было популярно у других новых пользователей в Москве в таком же контексте. Город и время здесь поясняют принцип, а не задают обязательные сегменты реальной системы.

По мере накопления истории аналогия становится точнее. Лайки треков, просмотренные фильмы и другие действия позволяют искать сходство не со всеми людьми, пришедшими вечером, а с теми, чьи предпочтения ближе к предпочтениям конкретного человека. Такие рекомендации по совместным действиям пользователей относятся к коллаборативным подходам.

Новые методы при этом не отменяют старые. Автор подчёркивает, что базовые статистики продолжают участвовать в рекомендациях наряду с более сложными моделями. Историю области он описывает как накопление способов понимать пользователя, а не как последовательное выбрасывание всех предыдущих решений.

Почему нельзя искать только пользователя с такой же историей

Самая прямая коллаборативная рекомендация — найти человека, который слушал те же треки или смотрел те же фильмы и ставил похожие оценки. На популярном контенте такие пересечения находятся сравнительно легко. Но чем больше собственная история пользователя, тем труднее найти её точную копию.

Автор предлагает представить десятки оценённых фильмов или сотни прослушанных треков. Даже если каждый объект сам по себе популярен, вся комбинация действий может оказаться уникальной. Эти количества — вспомогательный пример, а не измеренный порог, после которого алгоритм перестаёт работать.

Для редкого контента возникает другая трудность: нужных пересечений может не быть вообще. В примере с узким жанром фолка сложно найти даже двух пользователей, которые послушали одни и те же два трека. Здесь мешает уже не только длина истории, но и малое число совместных взаимодействий с объектами.

Следующий шаг — матричная факторизация, или матричное разложение взаимодействий. В объяснении Бурлакова её главное свойство — обобщение: модель устанавливает сходство между пользователями и между объектами, не требуя буквального совпадения всей истории. Важно не найти двойника слушателя, а использовать закономерности, которые связывают частично похожие предпочтения.

Что добавляют содержание трека и неглубокие нейросети

Одних связей между пользователями и объектами недостаточно для всей доступной информации. Следующий описанный этап — неглубокие нейронные сети, которым можно передать дополнительные свойства контента. Модель получает не только сведения о том, кто с чем взаимодействовал, но и подсказки о самом объекте.

Для музыки такими подсказками служат жанр и характеристики звучания. Отдельные алгоритмы могут оценивать, насколько трек быстрый, весёлый или грустный, подходит ли он для засыпания. Затем эти оценки передаются рекомендательной модели. Анализ аудио и выбор рекомендации здесь связаны через признаки: не утверждается, что одна и та же сеть сразу решает обе задачи.

По оценке автора, добавление такой информации заметно продвинуло качество рекомендаций в разных областях. Он не приводит величину прироста или таблицу сравнений. Содержательный переход заключается в другом: сходство поведения дополняется знаниями о содержании, и модель получает больше оснований предположить, что понравится пользователю.

Зачем модели нужен порядок действий

У неглубоких моделей в описании автора есть важное ограничение: разработчикам приходится заранее придумывать признаки и способ представления истории. Недостаточно собрать события в один набор — имеет значение, в каком порядке человек действовал. Именно последовательность такие модели учитывают слабее, чем могли бы более глубокие сети.

Трансформеры позволяют лучше использовать порядок действий и самостоятельно выучивать часть зависимостей, для которых раньше потребовались бы вручную сконструированные признаки. Это не обещание полностью отказаться от подготовки данных. Автор говорит об уменьшении ручной работы и о более подробном анализе пользовательской истории.

Возможность обучать большие модели он связывает и с увеличением объёма данных. Стриминговые сервисы выросли; сравнение с их размером примерно десять лет назад приводится как исторический ориентир, без точного коэффициента. Более богатые данные дают основания переходить к более сложным моделям, а не просто увеличивать их ради размера.

При этом трансформер не становится единственным способом рекомендовать. Бурлаков возвращается к исходной мысли: статистики, матричные факторизации и большие нейросети используются совместно. Поэтому эффект новой модели нужно понимать в контексте системы, которая объединяет несколько разных источников информации.

До ARGUS: история, контекст и отдельный вопрос к модели

ARGUS представлен как архитектура для обучения больших трансформерных моделей. Чтобы объяснить её отличие, автор сначала описывает прежнюю BERT-подобную схему. На вход подавалась закодированная история пользователя, дополнительное описание контекста и служебные элементы, обозначающие вопросы к модели.

История могла содержать, например, тысячи событий. Вопросы задавали, что именно нужно предсказать: какой трек человек лайкнет или какой, вероятно, послушает следующим. Каждому такому вопросу обычно соответствовал свой токен — специальный элемент входного представления. Это не разговор с чат-ботом, а способ обозначить задачу внутри архитектуры.

Схема была гибкой: историю можно было собирать разными способами и дополнять множеством элементов контекста. Но за удобство приходилось платить при обучении. По объяснению автора, для каждого вопроса требовалось прогонять практически всю модель целиком. Повторная обработка истории и стала причиной искать другую организацию вычислений.

ARGUS: представление пользователя в каждой точке истории

В описанной схеме ARGUS нет отдельных токенов вопросов и токенов CLS. Вместо них используется история, каждое событие которой преобразуется в описание пользователя в соответствующий момент. Такое описание связано и с контекстом, в котором произошло событие.

Это меняет не только вычисления, но и удобство постановки задачи. Раньше контекст можно было свободнее задавать отдельно от истории. Теперь представление привязано к конкретной точке этой истории, поэтому прогноз для другого контекста требует дополнительных усилий.

Пример автора: последнее действие произошло утром, а рекомендацию нужно сделать вечером. Представление утреннего события нельзя безоговорочно считать описанием вечерней ситуации. Бурлаков отмечает эту потерю гибкости, но не раскрывает способ её компенсации. Ускорение ARGUS поэтому важно рассматривать вместе с данным ограничением, а не как улучшение без инженерных компромиссов.

Один проход истории — много обучающих событий

Главное преимущество ARGUS автор связывает с авторегрессивным обучением: модель учится на событиях последовательности, а одна обработка истории позволяет получить обучающие сигналы для множества её позиций. Отдельному вопросу больше не требуется собственный полный прогон нейросети.

Особенно существенным выигрыш становится для сервисов с плотной историей — в интервью названы Музыка и Кинопоиск. Число событий, по которым хочется обучать модель, там может быть примерно сопоставимо с числом действий пользователя, а действий могут быть тысячи. Именно для такого объяснения Бурлаков называет ускорение «в сотни раз, если не в тысячи».

Это приблизительная авторская характеристика ускорения обучения относительно описанной схемы с повторными прогонами. В интервью нет конфигурации оборудования, длительностей сравниваемых запусков или нормированного замера. Поэтому из этой фразы нельзя получить точный коэффициент для любой истории и тем более скорость ответа рекомендательного сервиса.

Практическая связь с качеством проходит через эксперименты: быстрее обучаются варианты — можно проверить больше настроек и лучше использовать гибкость архитектуры. Речь не о том, что рекомендации автоматически стали в сотни раз качественнее. И сам авторегрессивный способ обучения ещё не означает, что модель применяется как генератор итоговых рекомендаций.

Почему автор не соглашается с тезисом о плато

Вопрос интервьюера предполагает, что классические методы машинного обучения уже достигли плато — перестали заметно улучшать рекомендации. Бурлаков не принимает эту предпосылку как установленный факт. Он напоминает, что ранее обсуждавшиеся модели не определяют финальный порядок объектов самостоятельно.

Статистики, матричные факторизации и ARGUS передают информацию в верхнеуровневую ранжирующую модель, или ранкер. Она объединяет эти сведения и решает, какие объекты должны оказаться выше. Поэтому развитие отдельных моделей и развитие финального ранжирования — связанные, но разные направления.

Сам ранкер тоже меняется. Автор описывает переход к отдельно построенным нейросетям, решающим задачу на табличном представлении данных. Нейросетевой ранкер здесь — не ещё одно название ARGUS, а другой компонент, использующий подготовленные для него сведения. Вывод ответа состоит не в объявлении конца классического подхода, а в том, что его компоненты продолжают эволюционировать.

Как работает многоэтапная рекомендательная система

Чтобы перейти от модели к целому сервису, автор разбирает многоэтапную систему. Сначала для пользователя собирают кандидатов — объекты, из которых предстоит выбрать рекомендации. Затем к истории пользователя и этому набору применяют несколько моделей, в том числе ARGUS и матричную факторизацию.

Результат можно представить как таблицу. Каждая строка описывает пару «пользователь — объект», а разные модели добавляют свои сведения об этой паре. Финальный ранкер получает таблицу и выдаёт оценки того, насколько кандидаты подходят человеку. По этим оценкам объекты упорядочиваются.

Полученный порядок ещё не равен готовой выдаче. Некоторые треки или фильмы могут быть недоступны в регионе пользователя. Кроме того, нежелательно ставить подряд один трек и его аудиодубликат либо очень похожую запись. Для таких случаев после ранжирования применяются дополнительные фильтрации и проверки.

Сложность системы возникает из сочетания всех этих этапов. Хорошая оценка отдельной модели — только часть решения: остаются отбор кандидатов, объединение сигналов, финальный порядок и ограничения выдачи. Именно эту целую цепочку автор имеет в виду, когда объясняет трудность дальнейшей оптимизации.

Одна сеть для всей цепочки — исследовательская цель

Желаемое направление Бурлаков описывает как сквозной подход, или end-to-end: одна нейросеть должна объединить сбор кандидатов, ранжирование и финальный отбор. Смысл не в том, чтобы просто переименовать несколько сервисов в одну модель, а в возможности согласованнее обучать путь от истории пользователя до рекомендации.

В существующей многоэтапной системе цели подбирают для отдельных моделей, а затем экспериментально проверяют, улучшается ли общее качество. Получается косвенная настройка: локальные задачи должны в итоге привести к полезному поведению всей системы. В единой сети автор видит возможность более прямой связи обучения с конечной целью.

В качестве целей он называет увеличение прослушивания и более частое возвращение пользователей в сервис. Это примеры желаемого поведения, а не опубликованные результаты измерений. Конкретная функция обучения и способ включить в неё эти цели не раскрываются.

На дату интервью такая объединённая генеративная система представлена как направление исследования. Рассуждение о едином проходе не подтверждает, что вся рабочая цепочка уже заменена. Оно также не объясняет, каким именно способом новая модель обеспечит все дополнительные ограничения, которые действуют после ранжирования.

Авторегрессивное обучение не равно генеративному применению

На следующий вопрос — в чём главный прорыв генеративных моделей — автор отвечает, что в обсуждаемом переходе прорыв пока не случился. Над появлением таких рекомендательных систем ещё работают. Это уточнение относится к положению дел, описанному в интервью 13 марта 2026 года.

Прежние трансформеры, статистики, матричные факторизации и ARGUS в текущем применении он относит к дискриминативным компонентам. Здесь они помогают описывать или оценивать заданных кандидатов, после чего финальная дискриминативная модель определяет порядок. Система состоит из относительно самостоятельных частей, совместно решающих задачу ранжирования.

Поэтому у ARGUS нужно различать два свойства. Обучение использует множество событий истории авторегрессивно. Применение, о котором идёт речь, остаётся частью обычной многоэтапной рекомендации. Одновременно автор рассматривает архитектуру ARGUS как возможную основу будущих исследований генеративных систем.

Бурлаков считает это направление особенно актуальным, но оценивает число сервисов с действительно генеративным применением как очень небольшое. Это его характеристика отрасли, а не результат приведённого в интервью обзора компаний. Большинство систем он описывает как сочетание отбора кандидатов и нескольких этапов ранжирования.

Объясняя привлекательность альтернативы, автор оговаривает упрощение: вся существующая цепочка не является дифференцируемой целиком. Иными словами, её нельзя обучать как одну сеть, единым способом определяя изменения всех параметров ради конечного качества. Генеративная архитектура интересна возможностью приблизиться к такому обучению; конкретное готовое решение в этом ответе не заявлено.

Почему большую замену модели трудно заметить пользователю

На вопрос о заметных улучшениях Музыки и Маркета Бурлаков сначала отвечает о самой заметности. Внутреннее изменение системы трудно распознать по обычному использованию. Даже опытному слушателю проще сравнивать рекомендации, когда он знает, что перешёл из одного экспериментального варианта в другой.

Варианты А и Б появляются здесь как пример осознанного сравнения впечатлений. Автор не сообщает результат конкретного A/B-теста. Упоминание переключения между группами само по себе ничего не говорит о величине улучшения или о том, сколько пользователей его почувствовали.

Крупное архитектурное внедрение также не обязано давать самый большой вклад в итоговое качество. ARGUS меняет один из компонентов, тогда как весь результат зависит от многих частей. Иногда существенное улучшение можно получить, уточнив то, чему учат финальный ранкер, чтобы его цель лучше соответствовала потребностям пользователей.

Другой путь — передать ранкеру более сильную модель пользователя. Она даёт более полезные сведения, и это тоже может улучшить рекомендации. Автор не противопоставляет эти способы как взаимоисключающие и не приводит численного сравнения их вкладов. Его мысль в том, что сложность новой архитектуры и польза всей системы не связаны простым соотношением.

Главная мотивация — находить подходящее новое

Повторно предложить уже понравившийся объект сравнительно просто. Если человек поставил фильму высокую оценку — в примере автора десятку — или лайкнул трек, можно снова показать тот же объект либо максимально похожий. Для такого повторения не нужна вся сложность современных моделей.

Примерно так Бурлаков описывает ранние рекомендации Музыки около пятнадцати лет назад: взять то, что человек слушал, или найти самое близкое из доступного. Это приблизительная авторская ретроспектива. Она нужна, чтобы обозначить границу простого подхода: знание прошлого выбора хорошо помогает его повторять, но хуже отвечает на вопрос о незнакомом.

Под разнообразием в этом ответе понимается поиск нового для конкретного пользователя, которое тоже ему понравится. Просто уйти от знакомых объектов недостаточно: нужно сохранить соответствие интересам. Коллаборативные модели, по оценке автора, стали большим шагом за пределы базовых статистик и сведений о контенте ещё несколько десятилетий назад. Трансформеры дают следующий шаг в обобщении истории.

Так сформулирована возможная пользовательская польза: более удачный подбор новой музыки. Для Маркета автор проводит аналогию, но не разбирает отдельную архитектуру товарных рекомендаций и не приводит её измеренные показатели. Ответ объясняет, зачем нужны более сильные модели, а не предъявляет отчёт о количественном эффекте их внедрения.

Главный барьер — заменить не модель, а отлаженную цепочку

Генеративная система должна конкурировать не с пустым местом и не с одной слабой моделью. У сервиса уже есть настроенные источники кандидатов, промежуточные модели и статистики, финальный ранкер и фильтрация результатов. Вместе они образуют работающую цепочку, в которую вложено много экспериментов и инженерных усилий.

Говоря о зрелости ранкера, автор упоминает годы настройки, а иногда десятки лет. Это обобщённая оценка накопленной работы, не возраст конкретной модели Яндекса. Смена всей архитектуры требует заново получить результат, к которому прежняя система шла постепенно.

Именно необходимость заменить целую цепочку Бурлаков считает главным препятствием для генеративного подхода. Недостаточно показать привлекательную идею отдельной нейросети: новая система должна преодолеть качество уже согласованных этапов. Это делает переход тяжёлым и требует большого количества экспериментов.

ARGUS в описанном применении находится в другой ситуации. Его можно добавить как ещё одну модель рядом с существующими и использовать её вклад, не выбрасывая остальные части. Так автор объясняет разницу между внедрением сильного компонента и переходом к генеративной системе, претендующей на замену всего процесса.

Промежуточный шаг: генеративная модель выбирает только кандидатов

В качестве более ограниченного перехода автор описывает первые эксперименты, в которых генеративная модель заменяет только всю фазу отбора кандидатов. Она предлагает треки или фильмы, а последующие ранкеры сохраняют право принять итоговое решение о том, что показать.

Такую модель можно исследовать и улучшать отдельно, не требуя от неё сразу выполнить работу всей рекомендательной системы. Одновременно её кандидаты проходят через оставшееся ранжирование, что позволяет проверять изменение в продуктовых A/B-экспериментах.

Это описание экспериментальной стратегии, а не сообщение об успешном запуске. В интервью не названы конкретный сервис для такого теста, размер аудитории или полученный эффект. Содержательно важна граница замены: генеративным становится отбор, но окончательный выбор рекомендаций ещё не передан единой новой сети.

Почему выбрать объект из каталога труднее, чем оценить готовый набор

У генеративного подхода есть и техническая трудность: размер пространства выбора. Дискриминативной модели можно передать ограниченный набор объектов и попросить оценить каждый. В примере Бурлакова это 10 000 кандидатов — уже подготовленный список, а не весь каталог.

Для генеративной модели автор противопоставляет этому условный каталог из 100 миллионов или миллиарда объектов. Оценить их все напрямую невозможно в рамках описываемого подхода. Поэтому модель должна уметь обобщать и выполнять некоторый иерархический поиск: постепенно находить нужных кандидатов, не перебирая весь каталог одним полным оцениванием.

Все три количества поясняют различие задач. Это не заявленные размеры каталогов Музыки или Маркета и не точная конфигурация рабочего сервиса. Устройство иерархического поиска в интервью не раскрыто, поэтому речь идёт о требуемой способности модели, а не о конкретном алгоритме её реализации.

При этом сам автор считает такие технические задачи менее существенными, чем необходимость превзойти всю отлаженную систему. Это его расстановка приоритетов, а не утверждение, что поиск в огромном каталоге уже решён или не требует сложной инженерной работы.

Пузырь рекомендаций и устойчивые интересы

На вопрос о пузыре рекомендаций Бурлаков возвращается к повторению знакомого. Системе легко предложить уже понравившиеся треки или высоко оценённые фильмы, и поначалу человеку это удобно. Но после нескольких повторений возникает другой запрос: найти что-нибудь новое.

Так образуется ограниченная область контента, который система уверенно считает подходящим. Для иллюстрации автор предлагает представить тысячу или две тысячи треков вокруг интересов слушателя. Даже такой запас со временем надоест; упомянутый год — пример длительного использования, а не измеренный срок исчерпания музыкальной подборки.

Решение в его объяснении — находить всё более далёкие от уже известного объекты, которые сохраняют связь с предпочтениями человека. Это не простое наращивание непохожести между соседними рекомендациями. Более сильная модель нужна, чтобы за пределами привычного набора по-прежнему выбирать подходящее.

Автор отдельно противопоставляет меняющиеся и стабильные интересы. В его формулировке изменение интересов снимает проблему такого пузыря; при длительно устойчивом вкусе искать новые подходящие объекты приходится всё дальше. Это авторское объяснение трудности, не доказанное универсальное правило о том, что у любого человека с меняющимися интересами пузыря быть не может.

Трансформеры связываются здесь с лучшим пониманием и обобщением истории, а не с уже предъявленным окончательным решением проблемы разнообразия. Конкретный алгоритм управления разнообразием и измеренная степень устранения пузыря в ответе не приводятся.

Рекомендации влияют не только на следующий выбор

Бурлаков прямо отвечает, что рекомендации могут влиять на поведение человека. Он объясняет это через музыку: подбор треков способен менять настроение, а настроение, в свою очередь, влияет на другие действия. В таком понимании рекомендательная система не просто угадывает заранее заданное желание.

Одной из целей автор называет стремление делать пользователей счастливее. Это заявленная ценностная цель, а не результат измерения благополучия. В интервью нет определения соответствующей метрики или способа установить причинный эффект рекомендаций на настроение. Ответ важен тем, что автор не отрицает самого влияния; вопрос о его направленности возникает следующим.

Граница между советом и манипуляцией: позиция автора

Обсуждая эту границу, Бурлаков начинает с личной оценки: любой совет в некоторой степени можно считать манипуляцией, поскольку он направляет действия другого человека. Различие автор предлагает искать прежде всего в цели.

Если совет нужен, чтобы пользователь сделал то, что требуется советующему, это, по его мнению, скорее манипуляция. Если совет честно направлен на то, чтобы самому пользователю стало лучше, автор называет его советом. Таким образом, техническая точность предсказания и этическая оценка рекомендации в этом рассуждении не совпадают: важен не только выбор объекта, но и намерение.

Это личный критерий, предложенный в интервью. Он не является описанием официальной политики компании или технической процедуры, которая проверяет каждую рекомендацию. Автор также не разбирает, как разрешать возможный конфликт целей пользователя и сервиса. Его ответ следует читать как этическую позицию, а не как доказательство того, что такого конфликта нет.

Почему данные всех сервисов не обязательно улучшают одну модель

Последний вопрос — о едином универсальном рекомендателе для всех сервисов. Технически Бурлаков считает его возможным, но сразу отделяет возможность построения от полезности. Первый вопрос — помогает ли информация из одного сервиса понимать предпочтения человека в другом.

По пересказу автора, такие варианты долго исследовали, и в большинстве случаев соседние сервисы давали не очень много дополнительной пользы. Важное исключение — холодные пользователи: когда в целевом сервисе мало собственной истории, сведения извне могут оказаться полезнее. Из этого не следует, что нужно всегда объединять все доступные данные: цена такого объединения может оказаться слишком высокой.

Одна из причин — разная плотность событий. Начав с Маркета, автор переходит к примеру Афиши: человек может посещать новый концерт примерно раз в месяц, тогда как в Музыке и Кинопоиске взаимодействия происходят значительно чаще. Для контраста он говорит о ежедневных событиях и упоминает порядок десятка событий за неделю. Это разговорные ориентиры частоты, а не сопоставимая статистика каждого из сервисов.

Если просто смешать редкие покупки билетов на концерты, в театры или на выставки с многочисленными событиями прослушивания и просмотра, целевые события могут потеряться среди остальных. Автор называет это размыванием целевой задачи: данных становится больше, но качество итоговой модели может даже снизиться.

Он ссылается на множество экспериментов в Яндексе и за его пределами, подтверждавших такую проблему, однако не приводит названия исследований и величины эффектов. Поэтому вывод ограничен предостережением против простого смешивания неодинаковых потоков событий, а не запретом на любое межсервисное обучение.

Единая выдача возможна и без универсального ранкера

Вторая часть ответа касается не общих данных, а общего ранжирования. Можно технически создать модель, которая одновременно упорядочивает фильмы, музыку, выставки и товары. Но, по словам Бурлакова, в Яндексе нет места, где требовалось бы непосредственно сравнивать выставку с музыкальным треком. Это вопрос применения, а не невозможности построить такую нейросеть.

Когда нужно объединить разные типы рекомендаций, автор описывает другой базовый подход — блендер блоков. Сначала объекты каждого типа ранжируются отдельно: музыка среди музыки, фильмы среди фильмов, выставки среди выставок. После этого следующий уровень определяет порядок блоков.

В приведённом примере общий список может содержать блок музыки, затем блок выставок, а потом снова музыку. Это двухэтапное ранжирование в смысле двух уровней выбора: отдельных сущностей и готовых блоков. Оно не означает, что вся рекомендательная система внутри каждого сервиса тоже состоит ровно из двух вычислительных этапов.

Итоговая выдача выглядит единой, хотя за ней могут стоять отдельные ранжирующие модели. Поэтому общая лента, общие данные для обучения и одна универсальная модель — три разные идеи. Последний ответ показывает практический способ объединения результатов, не утверждая, что универсальный рекомендатель уже используется.

Итог: работающая цепочка и направление её развития

Интервью показывает рекомендации как сочетание разных способов понимать пользователя. Статистики помогают начать, модели сходства обобщают неполные пересечения, а трансформеры лучше учитывают историю. Но отдельная сильная модель ещё не заменяет сервис: в описанной рабочей системе остаются кандидаты, финальное ранжирование и правила выдачи. Её задача — находить подходящее новое, а не только повторять знакомое.

Обучение происходит отдельно от этих шагов. ARGUS позволяет использовать множество событий истории за один проход; названное автором ускорение относится именно к обучению и связано с плотностью событий. Выгода — больше возможностей для настройки и экспериментов, а не заявленное сокращение задержки ответа пользователю.

Проверку изменений автор обсуждает отдельно: настройку компонентов сопоставляют с качеством системы, а генеративный отбор кандидатов предлагается исследовать при сохранённом ранжировании. Численных результатов таких A/B-экспериментов в интервью нет. Единая сеть, объединяющая все этапы, остаётся исследовательской целью на дату разговора, а не подтверждённой заменой рабочей цепочки.