Каскадный ИИ-фреймворк для e-commerce увеличил добавления в корзину на 2,7%
Современные персонализированные витрины в крупных интернет-магазинах часто собираются из множества независимых компонентов: статических тем для разделов, систем подбора товаров и моделей ранжирования. Такой подход эффективен для усредненных предпочтений, но ограничивает гибкость и смысловую связность страницы, что мешает динамически менять витрины под новые задачи мерчандайзинга.
Чтобы решить эту проблему, исследователи предложили каскадный фреймворк, который разбивает построение витрины на два генеративных этапа: сначала создаются темы для каждого раздела, затем для каждой темы генерируются ключевые слова, используемые для поиска товаров. Это позволяет добиться более целостного и адаптивного дизайна.
Для масштабирования в условиях ограничений по задержке и стоимости авторы применили технику teacher-student fine-tuning. Модели, дообученные таким образом, по качеству приблизились к закрытым большим языковым моделям (closed-weight LLM), что делает подход практичным для продакшена.
Кроме того, разработаны рамки для AI-оценки контента и фильтрации качества, что обеспечивает безопасное автоматическое развертывание динамического контента. Генеративные выходы объединяются с традиционными моделями ранжирования, образуя гибридную инфраструктуру.
В онлайн-экспериментах новый фреймворк показал прирост добавлений в корзину на 2,7% на один просмотр страницы по сравнению с сильным базовым решением. Это подтверждает его эффективность для реальных e-commerce платформ.
Разработка открывает путь к более гибким и персонализированным витринам, которые могут быстро адаптироваться к меняющимся целям бизнеса и требованиям мерчандайзинга.
