AliExpress СНГ: модели на товарах, кликах и запросах для поиска и рекомендаций

Различены модели, обученные на товарах и поведенческих сигналах, и слой AI-агентов/генеративных моделей для других операций. Архитектура, ранжирование и обмен данными между слоями неизвестны.

Заявленная цель моделей на собственных данных — улучшать поиск и рекомендации большого каталога.

Использование на AliExpress СНГ для поиска и рекомендаций, поддержки и рекламных сообщений заявлено в пересказе выступления.

Товарные сведения и сигналы пользовательского поведения служат данными обучения для функций выбора товара. Рекламная генерация и поддержка не объединены с поиском в выдуманную единую цепочку.

Редакционная оценка: команде электронной торговли с собственным каталогом и историей поисковых событий. Подход интересен, если можно связать качество рекомендаций с действиями пользователя и проверить изменения на своей площадке.

Пост отдельно рассматривает модели поиска на товарах и событиях платформы и генеративные сценарии поддержки и рекламы. На наш взгляд, это полезное разделение: разные задачи требуют разных данных и критериев результата.

Цифры вклада в оборот и эффективности приведены в пересказе выступления, без методики и исходной выборки. Редакция их не проверяла. Даже подтверждённый эффект крупной площадки нельзя автоматически переносить на небольшой каталог.

Редакционный пилот — выбрать одну поисковую задачу и проверить полноту каталога, событий и разметки результатов. Сначала сравнить качество выдачи на известных запросах, затем планировать контролируемое измерение; схемы внедрения моделей в посте нет.

Наш вывод: хороший повод начать с качества собственных данных и понятной метрики поиска. Сводное обещание «внедрить ИИ» слабее конкретной задачи, где можно объяснить, какие результаты стали полезнее покупателю.