Ритейл как лаборатория ИИ-технологий
Экспертное мнение
Спрос на доставку продуктов растет, а вместе с ним — и требования к технологиям, которые стоят за быстрым и точным выполнением заказов. Использование искусственного интеллекта трансформировало многие процессы. Как нейросети учатся предугадывать желания людей, как устроена система рекомендаций в приложениях и в целом о будущем e-grocery-рынка — в интервью Станислава Макеева, руководителя продукта и технологий «Яндекс Лавки».
Фото: «Яндекс Лавка»
Фото: пресс-служба компании «Яндекс Лавка»
Фото: Коммерсантъ / Игорь Иванко / купить фото
REVIEW: Станислав, какие ключевые задачи сегодня решает искусственный интеллект?
СТАНИСЛАВ МАКЕЕВ: Мы привыкли говорить об искусственном интеллекте как о генеративных нейросетях, таких как ChatGPT или «Алиса». Но если копнуть глубже, под ИИ подразумеваются разные нейросети и алгоритмы схожей с чат-ботами архитектуры. Поэтому если смотреть в широком контексте, мне кажется, проще назвать задачи, которые ИИ еще не помогает решать.
Так, в «Яндекс Лавке» он помогает на всех этапах работы с заказами. От тех, где «умные» технологии наглядно видны пользователю (чат-боты, персональные рекомендации), до тех, где алгоритмы прячутся «под капотом» (прогноз назначения курьеров, оптимизация ассортимента и запасов).
Более того, несмотря на то, что сейчас много внимания к ИИ, это лишь новый этап развития алгоритмов машинного обучения (англ. machine learning, ML), которые используются давно. Например, в «Лавке» с самого начала работы сервиса мы применяем ML для прогнозирования заказов, формирования ассортимента, настройки рекомендаций для пользователя.
R: Есть ли специфика использования ИИ в e-grocery?
С. М.: Одна из ключевых функций ИИ в нашей отрасли — это рекомендации, роль которых в e-grocery, возможно, даже более важна, чем в классическом e-com. Потому что, как правило, у человека есть конкретные паттерны потребления и «вкусы» в продуктовой корзине. Наша задача — познакомить пользователя с новым ассортиментом, который он еще не пробовал, при этом не сломав его привычки и основные сценарии. И эту задачу ИИ нам помогает решать, чтобы показывать пользователю не просто новые товары, а те, что релевантны и потенциально интересны именно ему.
R: Как устроена система рекомендаций в «Лавке»?
С. М.: Если описывать ее в целом, то есть несколько блоков, где мы показываем рекомендации: на главной странице в виде бесконечной ленты предлагаемых товаров, «похожие товары» в карточках товаров, в корзине, в поиске, а также при финальном оформлении и оплате заказа. Все эти ленты работают по-разному. Например, блок в корзине отчасти можно сравнить с зоной у кассы в обычном магазине: ты хочешь докупить что-то, что может пригодиться. Только в нашем случае выбор не ограничен физическим пространством. Это удобно, потому что пользователи могут добавить в корзину в последний момент что-то, что часто покупают, но забыли добавить в заказ.
А на главной странице, наоборот, мы стараемся показать больше новинок, заинтересовать пользователя, вовлечь его в процесс листания и поиска интересного. Так, в нашем редизайне приложения мы сделали фокус именно на персонализированные рекомендации, отдав им важную роль на стартовом экране. Это позволило пользователям на 50% чаще замечать и приобретать новые товары, а нам — повысить объем заказов с главной страницы на 70%.
«Под капотом» таких решений лежат нейросетевые технологии, включая кросс-сервисную разработку «Яндекса» Argus — это рекомендательная система на базе генеративных моделей, которая учитывает тысячи последних действий пользователя и находит даже неочевидные взаимосвязи между ними. Мы смешиваем подходы, опираясь на историю предпочтений конкретного пользователя, а также на действия похожих пользователей и взаимодействия с похожими товарами.
Все это вместе, пропущенное через нейросети, помогает с высокой вероятностью предсказать, что показать клиенту: в одном случае — чтобы напомнить о забытом, в другом — чтобы познакомить с интересными ему новинками.
R: Что дают рекомендации бизнесу?
С. М.: Если смотреть, с каких страниц люди добавляют товары в корзину и сколько тратят денег, то почти две трети оборота сервиса приходится на поиск и рекомендации. Более того, мы проводили эксперимент, где оценивали эффект от использования «умных» алгоритмов для рекомендаций. Так, за счет повышения релевантности предлагаемых пользователю товаров мы увеличиваем оборот примерно на 15%, а также положительно влияем на коэффициент удержания пользователей, частоту использования сервиса и общий объем их покупок.
R: Одна из болевых точек системы рекомендаций — это так называемый «эффект пузыря», когда пользователь видит только привычные товары. Как балансировать между релевантностью и разнообразием?
С. М.: Да, действительно, это распространенная проблема — и не только в рекомендательных системах для e-grocery или ритейла, но и у классических «пионеров» вроде Netflix. У них уже накоплена большая история развития этой, скажем так, науки о рекомендациях, и во многих ранних работах уже поднимался вопрос «эффекта пузыря».
Если начать предлагать пользователю новинки, которые он раньше не видел, и делать это неумело, то с большой вероятностью мы не угадаем его интерес. В результате пользователь может начать меньше покупать, и такая ситуация не выгодна ни ему, ни нам.
Однако мы можем строить предположения о том, насколько вероятно, что новый товар заинтересует пользователя. Даже если он не купит его сразу, у него может отложиться в сознании: «Так, я видел этот товар, нужно будет попробовать в следующий раз». Если смотреть на долгосрочную перспективу, то благодаря знакомству с новым ассортиментом ценность «Лавки» для пользователя будет расти — а вместе с ней и его сумма покупок.
Соответственно, ключ к решению — не самый простой, но он заключается в оптимизации долгосрочной ценности сервиса для пользователя. Таким образом, мы стараемся оптимизировать LTV (lifetime value — пожизненная ценность клиента), а не только сиюминутную конверсию.
R: Насколько система рекомендаций в e-grocery отличается от других сервисов, например, маркетплейсов или стримингов?
С. М.: Если говорить об отличиях, то я бы выделил одно ключевое свойство, особенно выраженное в e-grocery,— «корзинность». То есть, если пользователь набрал определенные ингредиенты (скажем, вареные яйца, морковь, сыр и огурцы), то, вероятно, он готовит салат оливье и ему можно порекомендовать майонез. Возникает такой контекстный эффект: текущая корзина пользователя помогает нам понять, какую задачу он решает, и на основе этого предложить релевантные товары.
R: Расскажите о новом внедренном AI-ассистенте.
С. М.: В июне 2025 года мы запустили первую версию AI-ассистента. Сервис работает на базе нейросети YandexGPT 5 Pro. Сейчас он помогает найти ингредиенты для конкретного рецепта, может предложить, что приготовить на ужин, сориентировать в ассортименте: например, подобрать товары для просмотра кино с друзьями.
В ближайшее время выйдет большое обновление: ассистент перейдет от формата «вопрос — ответ» к полноценному чат-боту. Он научится лучше решать сложные задачи: например, не просто искать ингредиенты, а помогать составить полноценное меню. В перспективе он сможет помогать и с другими задачами: от ответа на вопрос «Где мой заказ?» до сбора корзины по пожеланиям, например, по запросу «Собери продукты по моим предпочтениям на две недели для семьи из двух взрослых».
По сути, это новый способ взаимодействия с «Лавкой», который будет становиться «умнее», делая сервис ценнее и удобнее для пользователей.
R: Где еще применяется ИИ, где это не видно пользователю?
С. М.: У нас много бизнес-процессов, которые должны работать идеально, чтобы в итоге нужные пользователю товары доехали до него за 15–30 минут. Например, с помощью ИИ мы прогнозируем спрос, для автоматизации заказа товаров в дарксторы, чтобы на полках всегда были нужные позиции. Это важно, так как в разных районах набор «любимых» продуктов пользователей может отличаться: например, где-то больше заказывают яблоки, а где-то — апельсины.
Также сейчас мы внедряем ИИ-систему на основе камер наблюдения в дарксторах, которая помогает анализировать и контролировать качество процессов, снижая нагрузку на сотрудников.
R: Бывают ли ситуации, когда нейросеть ошибается? Как система корректирует такие кейсы?
С. М.: Качество моделей растет, и им можно управлять. Безусловно, в критически важных процессах мы сохраняем этап валидации человеком. Модель выдает ответ, но перед финальным использованием данные проверяются специалистом. Так, например, работает автозаказ — все автоматически созданные заявки валидирует человек.
Более того, во многих процессах мы используем условно двухступенчатую систему из двух нейросетей. Например, в поиске «Лавки» одна модель подбирает товары, а другая проверяет их релевантность. Этот подход хорошо работает: если модели обучены по-разному, итог получается лучше, чем при использовании только одной.
R: Как вы оцениваете потенциал ИИ в ритейле?
С. М.: Все развивается чрезвычайно динамично. Лет семь-десять назад было трудно представить, что технологии дойдут до сегодняшнего уровня так быстро. В будущем в ритейле, скорее всего, серьезно изменится клиентский опыт: появятся «умные» ассистенты и агенты, которые будут помогать подбирать товары, составлять рацион, делать заказы, проактивно напоминать, что заканчиваются нужные продукты. Такой по-настоящему умный помощник будет всегда рядом и деликатно взаимодействовать с человеком.
Что касается операционных бизнес-процессов, то здесь мы видим большой потенциал в автоматизации с помощью ИИ. Например, система сама сможет определять, где открыть новую точку, находить помещение, договариваться с арендодателями, управлять ассортиментом и поставками. Некоторые элементы этого мы уже внедряем сегодня. Вполне реалистично представить систему, которая координирует эти процессы практически самостоятельно, а человек только задает цели и контролирует ее.
Мы оказались в новой реальности, которую сложно было представить всего пять лет назад. Лично меня это скорее вдохновляет: открываются огромные возможности создавать более качественные и полезные сервисы для пользователей.