Где ИИ пригодился в ecommerce: нейросеть для поиска товаров

Где ИИ в ecommerce уже работает на деньги

Я разделяю задачи по простому признаку: где ошибка модели дешёвая, а объём работы большой. Именно там ИИ окупается первым.

Описания и характеристики карточек

Каталог на 50 тысяч позиций вручную не опишешь. Модель пишет черновик по характеристикам от поставщика, человек проверяет выборочно. Ошибка в описании носков не стоит ничего, ошибка в составе детского питания стоит дорого. Поэтому проверка обязательна там, где есть требования закона, например маркировка «Честный знак» или состав для пищевых товаров.

Ответы на отзывы нейросетью

У Wildberries и Ozon есть API для работы с отзывами и вопросами покупателей. Продавец с тысячами SKU получает сотни отзывов в день, и шаблонные ответы тут проигрывают модели, которая видит текст отзыва и карточку товара. Негатив с жалобой на брак всё равно лучше отдавать человеку.

Рекомендации

Классические рекомендательные модели учатся на истории покупок. У магазина с небольшим трафиком данных мало, и блок «с этим покупают» показывает случайный набор. LLM закрывает этот пробел здравым смыслом: к палатке предложит спальник и коврик, даже если статистики продаж ещё нет.

Почему чат-бот-консультант пока не заменит поиск

Покупатель за двадцать лет привык к строке поиска и фильтрам. Он вводит два слова и листает выдачу. Диалог с ботом требует сформулировать задачу полностью, а это лишняя работа. Ещё бот отвечает медленнее выдачи и показывает два-три товара там, где человек хочет сравнить двадцать.

Поэтому я ставлю ИИ не вместо поиска, а внутрь него. Человек ничего не меняет в своём поведении, а выдача становится точнее. Такой подход проще внедрить и проще измерить: есть понятная базовая линия, обычный поиск, с которой сравниваем.

Как устроен поиск в интернет-магазине

Почти все магазины используют полнотекстовый поиск: Elasticsearch, OpenSearch, Manticore Search или встроенный поиск CMS. Он ищет по словам с учётом морфологии и опечаток. Слабое место — запросы, где слов в карточке нет: «подарок маме на 60 лет» или «что-то от комаров на дачу».

Векторный и гибридный поиск товаров

Векторный поиск переводит запрос и карточки в эмбеддинги и ищет близкие по смыслу. Он понимает, что «накидка» и «палантин» рядом, но хуже работает с артикулами и точными характеристиками. Поэтому на практике собирают гибрид: BM25 для точных совпадений плюс векторы для смысла, а результаты смешивают.

Готовые решения для сайта есть и на российском рынке, например Diginetica, Multisearch и AnyQuery. Свой гибридный поиск на OpenSearch имеет смысл, если каталог сложный и есть команда, которая будет его поддерживать.

Сравнение подходов

Коротко о том, что даёт каждый слой.

Что учесть при внедрении LLM в поиск

Схема из поста держится на двух вещах: быстрой модели и запасном пути. Остальное — инженерная гигиена, без которой результат не измерить.

• Кешировать ответы модели на частые запросы: в магазинах небольшая доля частых запросов обычно даёт большую часть поискового трафика.
• Просить модель вернуть строгий JSON с категориями, фильтрами и синонимами, а не текст.
• Проверять, что предложенные фильтры есть в каталоге, иначе выдача окажется пустой.
• Держать лимит ожидания, у меня в схеме это 2 секунды, и показывать обычную выдачу сразу.
• Логировать запросы с нулевой выдачей до и после внедрения — это главная метрика.
• Сравнивать конверсию из поиска в заказ на A/B-тесте, а не на ощущениях.

С какого магазина начинать

Больше всего выигрывают каталоги, где покупатель плохо знает названия: одежда, товары для дома, хобби, запчасти по описанию поломки. Магазину электроники, где ищут по модели и артикулу, LLM добавит меньше: там важнее хорошая обработка опечаток и транслитерации вроде «айфон» и «iphone».

Я бы начинал с выгрузки поисковых запросов за три месяца. Доля нулевых выдач и запросов без клика сразу покажет, есть ли что улучшать.

Дальше — пилот на одной категории. Берём сотню самых проблемных запросов, прогоняем через модель, смотрим глазами, какие фильтры и синонимы она предложила. Если на этой выборке выдача стала лучше, подключаем LLM к живому поиску для части посетителей и считаем конверсию.

Типичная ошибка на старте — сразу делать красивый интерфейс с подсказками от ИИ. Сначала нужно доказать, что разбор запроса вообще улучшает выдачу. Интерфейс подождёт.