Как ритейлеры применяют ИИ в e-commerce: кейсы «ВкусВилл», «Лемана Тех» и «Магнит Omni»

Фото: Antonio Marca/Shutterstock/Fotodom

«ВкусВилл»: анализ качества фруктов и овощей, прогнозирование спроса и борьба с мошенничеством

Компьютерное зрение. В дарксторах и распределительных центрах компании сотрудники применяют технологии компьютерного зрения для оценки качества фруктов и овощей.

«Наша система обучается на фото из истории чатов в Telegram. Сотрудники дарксторов отправляют снимки товаров в Telegram-бот, который за две секунды определяет их состояние и дает рекомендации: отправить на «зеленый ценник» (если есть внешние дефекты или заканчивается срок годности) или списать. Алгоритм также сообщает о типичных дефектах конкретного продукта», – делится Семен Шаронов, лидер центра экспертизы искусственного интеллекта «ВкусВилла».

Эта система используется на более чем 60 дарксторах. ИИ уже распознает цитрусы, яблоки, бананы, кабачки, томаты и капусту, и сейчас команда обучает модель на экзотических фруктах. Решение снижает нагрузку на сотрудников, ускоряет процессы и помогает минимизировать потери.

«ВкусВилл» не занимается разработкой собственных ИИ-моделей, поскольку это достаточно дорого. Вместо этого компания использует существующие на рынке модели, которые разворачивает внутри собственной инфраструктуры и дообучает в зависимости от конкретных задач.

Например, для прогнозирования поставок применяются консортиумные модели, адаптированные под нужды бизнеса. Но валидация работы моделей происходит вручную специалистами, которые отвечают за автозаказы. Они регулярно проверяют, насколько точен прогноз модели, анализируют выбросы и принимают окончательные решения по поставкам.

В дополнение к этому «ВкусВилл» проводит исследования (R&D). В них сравнивают прогнозы, сделанные людьми, с результатами, полученными от модели, и корректируют алгоритмы на основе этих сравнений. Контрольные метрики разрабатываются под каждый конкретный бизнес-процесс для максимальной эффективности и точности работы системы.

«Лемана Тех»: генерация контента для карточек товаров

Инструменты. «Лемана Тех» использует API «Яндекса» для генерации текстовых описаний товаров, а для работы с изображениями применяет свои ControlNet, адаптированные для разных категорий товаров, в сочетании с open-source диффузионными моделями. В такой комбинации можно гарантировать неизменность объекта и генерировать подходящий интерьер.

«Но пока модели по-прежнему допускают ошибки. Например, мы тестировали GigaChat, и в контексте описаний он многое додумывал, генерировал нелогичные тексты, буквально не справился с описанием гвоздя. А диван получил свойство “обеспечивать филинг уюта”», – отмечает Ксения Паринова.

Также Ксения Паринова отметила проблемы с изображениями: алгоритмы могут неверно обрабатывать ракурсы, добавлять артефакты или изменять детали: например, рисовать чаек в зеркалах или подменять свечи на тумбочках банками со шпротами. Поэтому перед публикацией весь контент, как и при работе с подрядчиком, все еще проходит ручную проверку.

«Магнит Omni»: управление доставкой, анализ отзывов и персональные предложения

Персонализация лояльности. Система CVM на основе big data и ML формирует персональные предложения для 80 млн пользователей.

BeautyScan. Помогает покупателям оценить состояние кожи лица на основе фотографии и короткой анкеты и получить рекомендации для индивидуального подбора косметики.

«Для контроля качества работы ИИ мы применяем разные метрики. Одна из ключевых – это F1-мера для оценки точности и полноты распознавания информации. Также мы применяем выборочную проверку результатов работы ИИ, что помогает более точно и оперативно выявлять ошибки и корректировать их.

Для нас важно постоянно мониторить работу моделей, так как они подвержены деградации. Например, если мы запускаем новую маркетинговую акцию, то учитываем новый класс данных, а это требует дополнительного обучения моделей», – комментирует Артем Гриппа, руководитель направления продуктов поддержки и клиентских отзывов «Магнит Omni».

Agima: распознавание документов с высокой точностью

Кроме того, точность существенно повысилась после интеграции доменного языка бизнеса в модель на базе ChatGPT. На разработку ушло меньше месяца, а стоимость распознавания составила 20–50 рублей за страницу, что значительно дешевле, чем работа квалифицированных специалистов. Подобный подход актуален и для e-commerce, например, для задач, связанных со сравнением карточек товаров, составлением конкурентного анализа или со сквозной аналитикой», – поделился Павел Лукьянов, Deputy CTO Agima.

Подход Agima ориентирован на максимальную интеграцию ИИ в существующие процессы компании. Например, код, созданный с помощью ИИ-инструментов, в любом случае проходит через стандартные этапы разработки и тестирования, включая ручную проверку специалистами. Контроль качества работы моделей ведется через комплекс метрик, оценивающих количество ошибок, точность распознавания и производительность системы.

ИИ в e-commerce – это уже не просто эксперимент, а рабочий инструмент, который помогает бизнесу автоматизировать процессы, повышать эффективность и сокращать издержки.

Но ИИ не может работать без контроля. Несмотря на впечатляющие результаты, он требует дообучения, настройки под конкретные бизнес-задачи и постоянного мониторинга качества.

Елизавета Родина, Agima