Закроем позавчерашний дедлайн уже сегодня

Заменили одинаковую для всех ленту «популярное» на главной персональной подборкой под каждого пользователя.

Собрали session-based рекомендации на transformer-архитектуре (SASRec) поверх истории кликов и покупок, кандидатогенерацию через ANN по эмбеддингам сессии и ре-ранжирование бустингом с учётом RFM-сегмента и времени с последнего визита. Лента обновляется в реальном времени по клик-стриму через feature store.

Персонализировали рекомендации для пользователей без истории покупок.

Кластеризуем по поведенческим микро-сигналам первых минут сессии (источник трафика, устройство, гео, первые клики), для холодного старта используем content-based фильтрацию по атрибутам, стартовые категории подбираем через multi-armed bandit.

Повысили долю брошенных корзин, которые возвращаются в покупку.

Предсказываем вероятность возврата по поведенческим фичам сессии (время на странице, добавления и удаления товаров, скролл), персонализируем канал и размер стимула через uplift-ранжирование, время напоминания подстраиваем под паттерн активности пользователя.

Заменили правила на обучаемые рекомендации в карточке товара и корзине.

Собрали two-stage архитектуру: кандидатогенерация на two-tower модели и item2vec по сессиям с ANN-поиском, ранжирование бустингом на поведенческих и контентных фичах через feature store с онлайн-обновлением. Холодный старт закрыт контентными эмбеддингами, разнообразие — MMR, эксплорация — Thompson sampling.

Учли персональные предпочтения в ранжировании поисковой выдачи вместо единой релевантности для всех.

Добавили learning-to-rank (LambdaMART) поверх базовой текстовой релевантности с персональными фичами — историей покупок, ценовым сегментом, брендовыми предпочтениями — и contextual bandit для дообучения на кликах у пользователей без истории.

Заменили статичный блок «с этим товаром покупают» персональными рекомендациями допродажи в корзине.

Собрали кандидатный пул через association rules (FP-Growth) и переранжировали градиентным бустингом с учётом состава текущей корзины, персональной истории покупок и маржинальности товара; выбор между cross-sell и upsell на сегмент — через Thompson sampling.

Перешли от массовых рассылок к персональному next-best-offer для каждого пользователя.

Contextual bandit подбирает товар, оффер и канал на пользователя, uplift-модель отбирает получателей с наибольшим приростом конверсии от контакта, send-time optimization выбирает момент отправки по историческим паттернам открытий.

Заменили сплошные скидки всем персональными промо только тем, кому скидка реально нужна для покупки.

Построили uplift-модель (X-learner) для оценки индивидуального прироста конверсии от скидки, размер и бюджет промо оптимизировали под ограничение по марже через LP-решатель вместо фиксированного процента на всех.

Заменили одинаковые предложения по лояльности персональными на основе риска оттока клиента.

Прогнозируем отток survival-моделью (Cox regression) поверх транзакционных признаков, сегментируем по CLV и риску, retention-оффер (баллы, кэшбэк, эксклюзивный доступ) подбираем через uplift-ранжирование, чтобы не переплачивать лояльным клиентам без риска ухода.

Персонализировали порядок сортировки и набор быстрых фильтров в каталоге вместо единого дефолта для всех.

Строим персональную модель предпочтений по цене, бренду и атрибутам на implicit-фидбэке (просмотры, клики, покупки), дефолтную сортировку на сегмент подбираем бандитом, быстрые фильтры формируем по частым запросам конкретного пользователя.

Автоматизировали подготовку описаний и SEO-текстов для каталога поставщика.

Собрали генерацию по attribute-grounded промптам с few-shot примерами из эталонных карточек, NLI-верификацией фактов против атрибутов и rule-based проверкой запрещённых формулировок. Заголовки прогоняются через multi-armed bandit на живом трафике, шаблоны версионируются в prompt registry.

Дали продавцам без студийной съёмки возможность быстро получать профессиональные фото и баннеры товара из обычных снимков со смартфона.

Собрали пайплайн на diffusion-модели с inpainting для замены фона, virtual staging и переносом фирменного стиля бренда через LoRA-дообучение на референсах продавца; результат проходит автоматическую проверку на соответствие атрибутам карточки перед публикацией.

Дали продавцам инструмент самопроверки карточки на соответствие правилам площадки до отправки на модерацию.

В форме заполнения карточки в реальном времени работает мультимодальный классификатор текста и фото на нарушения, чек-лист обязательных атрибутов категории и подсказки по исправлению на естественном языке; продавец видит скоринг готовности карточки до сабмита.

Автоматически собираем для продавцов короткие видео и GIF-ролики товара из фото карточки для соцсетей и самой карточки.

Image-to-video диффузионная модель с шаблонами движения камеры под тип товара, автоматическая раскадровка по ключевым ракурсам из галереи, наложение музыки и текстовых акцентов из атрибутов карточки.

Заменили ленту отзывов на структурированную сводку плюсов и минусов в карточке товара.

Реализовали ABSA-разметку аспектов и тональности, кластеризацию формулировок по эмбеддингам, map-reduce суммаризацию с extractive-отбором репрезентативных цитат и инкрементальный пересчёт сводки при накоплении новых отзывов. Качество контролируется LLM-as-a-Judge с калибровкой на экспертной разметке.

Локализовали каталог для выхода площадки на новые рынки.

Собрали MT-пайплайн с glossary-constrained декодированием и защитой плейсхолдеров, конвертацией единиц и размерных сеток, агентом-редактором для терминологической консистентности и QE-моделью (quality estimation) для отбора сегментов на ручную вычитку.

Автоматизировали производство промо-баннеров для витрины площадки под разные сегменты аудитории и акции.

Text-to-image генерация баннеров с ограничениями по брендбуку (шрифты, цвета, композиция), автоматическая генерация нескольких вариантов креатива на сегмент и отбор лучшего через multi-armed bandit по CTR на живом трафике.

Автоматизировали для площадки проверку фото в карточках на запрещённый контент, чужие водяные знаки и несоответствие заявленной категории.

CLIP-классификатор запрещённых категорий, OCR для детекции водяных знаков и постороннего текста на фото, поиск по эталонам логотипов брендов через image similarity, очередь на ручную проверку только для пограничных случаев по порогу уверенности модели.

Автоматизировали для площадки модерацию пользовательских вопросов и ответов в карточке товара.

Дообученный классификатор токсичности и спама, regex + NER для детекции персональных данных и контактов в обход площадки, приоритизация очереди модератора по риску и репутации автора.

Автоматизировали для площадки производство графики для email-рассылок под персональные предпочтения получателя.

Генеративная сборка баннера по товарным рекомендациям пользователя и его сегменту (цвет, композиция, оффер), кэширование по кластерам похожих получателей для контроля себестоимости генерации, автоматическая проверка на соответствие брендбуку перед отправкой.

Запустили диалогового ассистента-консультанта в каталоге площадки вместо фильтров и поиска по ключевым словам.

Собрали ReAct-агента на LangGraph с slot filling по обязательным атрибутам категории, NL2Query-транслятором в фасетный запрос к Elasticsearch, hybrid retrieval (BM25 + dense) для подбора кандидатов и cross-encoder реранкером. Ответ формируется со structured output и обязательным grounding на карточки; стриминг через SSE, KV-кэш и семантическое кэширование запросов для контроля latency.

Автоматизировали поддержку покупателей с доступом к реальным данным заказов.

Реализовали function calling к 11 внутренним API с JSON Schema-валидацией аргументов, идемпотентными ключами на мутирующих операциях и policy-слоем лимитов на сумму компенсации. Планировщик поддерживает multi-hop reasoning, при низком confidence срабатывает HITL-эскалация; поверх — guardrails на prompt injection и PII-редакция в логах.

Автоматизировали поддержку продавцов на площадке с 40 тыс. обращений в месяц.

Построили RAG поверх базы знаний и регламентов: семантический чанкинг с сохранением структуры разделов, гибридный retrieval с MMR-диверсификацией, реранкер и цитирование источников. Добавили tool calling к API селлерского кабинета, confidence-based routing на оператора и офлайн-оценку через RAGAS-подобные метрики (faithfulness, answer relevancy).

Дали категорийным менеджерам возможность запрашивать аналитику на естественном языке вместо тикетов в BI.

Собрали Text-to-SQL агента поверх семантического слоя: few-shot retrieval схемы и метрик из векторного индекса, генерация SQL с валидацией через AST-парсер и EXPLAIN-прогон, self-correction по ошибке движка, sandbox с read-only ролью и лимитом на скан. Результат проходит sanity-чеки на аномалии и рендерится в график.

Автоматизировали проверку карточек на соответствие правилам площадки и требованиям законодательства.

Построили мультимодальный пайплайн: OCR по изображениям, VLM-детекция запрещённых элементов, RAG по регламентам с точным цитированием пунктов и агент-верификатор с Reflection для отсева ложных срабатываний. Правила вынесены в декларативный DSL, пороги калиброваны по стоимости ошибки I/II рода.

Автоматизировали разбор прайс-листов, спецификаций и счетов от поставщиков.

Собрали IDP-пайплайн: layout-aware парсинг PDF/XLSX с восстановлением таблиц, OCR для сканов, LLM-экстракция позиций со structured output и per-field confidence. Номенклатура мэтчится через blocking по эмбеддингам плюс классификатор пар, агент-верификатор перепроверяет спорные строки против исходного фрагмента.

Автоматизировали обработку запросов на закупку от корпоративных клиентов.

Реализовали парсинг заявок из свободного текста и Excel с нормализацией единиц измерения, retrieval аналогов по эмбеддингам с фильтрами по наличию и срокам, расчёт цены по контрактной матрице через tool calling к прайсинг-сервису и генерацию КП по шаблону с валидацией итоговых сумм.

Ускорили разбор споров между покупателями и продавцами на площадке.

Собрали мультиагентный граф: экстрактор событий из переписки, VLM-анализ фото-доказательств, сшивка таймлайна с логами трекинга, RAG по правилам площадки и агент-арбитр, выдающий решение со ссылками на пункты. Калибровка порога автоприменения — по согласию с исторической разметкой арбитров.

Сократили срок выхода нового продавца на площадку.

Реализовали stateful-агента с персистентным чек-пойнтингом прогресса: KYC-проверка документов через OCR и сверку с реестрами, bulk-импорт прайса с автомэтчингом к категориям, RAG-подсказки по требованиям и проактивные напоминания по незакрытым шагам.

Поставили LLM-сервисы площадки на регулярную оценку качества и защиту от нежелательного поведения.

Построили golden-датасеты и синтетические сценарии на каждый сервис, автометрики плюс LLM-as-a-Judge с калибровкой по Cohen's kappa к экспертам, регрессионные прогоны в CI на каждый промпт-коммит. В рантайме — детекторы prompt injection и jailbreak, PII-редакция, ограничение output-схемы и трейсинг всех вызовов с онлайн-семплированием на ревью.

Заменили поиск по точному совпадению ключевых слов на понимание смысла запроса пользователя.

Обучили bi-encoder эмбеддинги товаров и запросов на кликах и покупках, добавили hybrid retrieval (BM25 + dense) с последующим cross-encoder реранкером топ-100 кандидатов, индекс — HNSW для суб-100мс задержки на десятках миллионов SKU.

Дали покупателям возможность искать товар по загруженной фотографии вместо текстового описания.

CLIP-эмбеддинги фото товара и пользовательского изображения в общем пространстве, ANN-поиск кандидатов, ре-ранжирование по совпадению атрибутов (цвет, категория, бренд) через классификатор поверх визуальных признаков.

Добавили голосовой поиск по каталогу в мобильном приложении.

ASR-транскрипция голосового запроса с доменным словарём брендов и категорий, нормализация разговорной речи (числительные, сленг) перед передачей в поисковый пайплайн, fallback на уточняющий вопрос при низкой уверенности распознавания.

Ускорили формулирование запроса подсказками, которые ведут к покупке, а не просто к похожим словам.

Query-эмбеддинги с ранжированием подсказок по вероятности конверсии (а не только по частотности), персонализация топ-3 подсказок под сегмент пользователя, online-обучение на кликах через contextual bandit.

Снизили долю потерянных запросов из-за опечаток и несовпадения терминологии продавца и покупателя.

Символьная n-gram модель для fuzzy-matching опечаток, обученный на логах поиска словарь синонимов и брендовых алиасов, query rewriting перед основным retrieval с сохранением исходного запроса для аналитики.

Сократили долю запросов, которые заканчиваются пустой страницей результатов.

При нулевой выдаче автоматически ослабляем фильтры и расширяем запрос по семантически близким термам через эмбеддинги, показываем ближайшие категории и популярные товары по интенту запроса вместо пустой страницы.

Подняли качество базового ранжирования выдачи для всех пользователей независимо от персонализации.

Learning-to-rank (LambdaMART) на признаках текстовой релевантности, поведенческих сигналах (CTR, конверсия по позиции) и качестве карточки (полнота атрибутов, рейтинг, наличие), периодическое переобучение на свежих логах кликов с защитой от position bias через IPS-взвешивание.

Автоматически подобрали релевантные фильтры под каждый поисковый запрос вместо единого набора фильтров на всю категорию.

Модель предсказывает набор и порядок фасетов по интенту запроса на основе исторических кликов по фильтрам для похожих запросов, диапазоны для числовых фильтров (цена, размер) строятся динамически по распределению найденных товаров.

Обеспечили точный поиск по артикулу, штрихкоду и модельному номеру даже с опечатками и разным форматированием.

Нормализация артикулов и штрихкодов (регистр, разделители, ведущие нули), точный индекс с fuzzy fallback по edit distance, приоритизация точного совпадения над текстовой релевантностью для запросов, похожих на код товара.

Позволили искать товары на языке покупателя, даже если карточка описана на другом языке.

Cross-lingual эмбеддинги запросов и товаров в едином векторном пространстве, обученные на параллельных и псевдо-параллельных данных, machine translation запроса как fallback-сигнал для reranking при низкой уверенности cross-lingual модели.

Сделали сервис рекомендаций по цене для продавцов площадки.

Оценили эластичность спроса причинно — double machine learning на исторических промо плюс гео-эксперименты для валидации, — построили прогноз спроса от цены и оптимизатор под ограничения (маржа, ценовые линейки, MAP). Мониторинг цен конкурентов внутри площадки идёт стримом, политика раскатывается через switchback-тесты.

Автоматизировали отслеживание цен конкурентов и оперативную корректировку цен площадки.

Матчинг товаров конкурентов с каталогом через entity resolution по атрибутам и изображениям, регулярный сбор цен и правила репрайсинга с ограничениями по марже, приоритизация SKU с высокой эластичностью и трафиком для более частого пересчёта.

Спрогнозировали товарооборот новых точек продаж и складов на основе географических характеристик локации.

Признаки по геоданным (плотность населения, доход домохозяйств, конкуренты в радиусе, транспортная доступность) через геопространственные эмбеддинги (H3-сетка), модель на градиентном бустинге, перенос знаний с действующих точек через transfer learning для локаций без истории.

Построили краткосрочный прогноз числа заказов по категориям и складам для планирования закупок и логистики.

Ансамбль градиентного бустинга и temporal fusion transformer на признаках сезонности, промо-календаря и внешних факторов (погода, праздники), прогноз на нескольких горизонтах (1/7/30 дней) с квантильными интервалами для оценки неопределённости.

Построили прогноз спроса на уровне SKU для планирования запасов у поставщика и селлеров.

Глобальная модель на градиентном бустинге с лаговыми и календарными признаками, hierarchical reconciliation по SKU/категория/склад, учёт каннибализации спроса при промо через отдельный uplift-компонент.

Распределили ограниченный промо-бюджет между категориями и товарами с максимальным приростом продаж.

Оценка эластичности по товарным группам через панельную регрессию с фиксированными эффектами, оптимизация распределения бюджета по категориям через LP-решатель под ограничение по марже и совокупному GMV, симуляция сценариев перед запуском кампании.

Построили гибкое ценообразование для B2B-клиентов по объёму закупки и истории сотрудничества вместо единого прайс-листа.

Сегментация клиентов по CLV, объёму и частоте закупок, модель рекомендованной цены и скидочной сетки на сегмент с учётом эластичности и целевой маржи, симуляция влияния изменения сетки на выручку перед внедрением.

Построили модель эластичности спроса по цене для поддержки решений о цене вручную по категориям.

Double/debiased machine learning для причинной оценки эластичности на исторических изменениях цен с контролем конфаундеров (сезонность, промо, наличие), валидация оценок через контролируемые гео-эксперименты на пилотных регионах.

Спланировали цены и глубину скидок для сезонной распродажи и клиренса неликвидных остатков.

Прогноз остатков к началу распродажи, оптимизатор глубины скидки по SKU под целевую скорость распродажи остатка и ограничение по марже, поэтапная эскалация скидки по дням распродажи на основе фактической динамики продаж.

Оценили полную рентабельность SKU с учётом логистики, хранения и возвратов, а не только торговой наценки.

Модель полной себестоимости SKU на признаках логистики (объём, вес, маршрут доставки), истории возвратов и оборачиваемости склада, ранжирование SKU по вкладу в прибыль для решений об ассортименте и приоритетах закупки.

Ускорили обслуживание на кассе за счёт автоматического распознавания товаров без ручного сканирования штрихкода.

Компьютерное зрение и весовые датчики на кассовой ленте распознают товар по визуальным признакам и весу, классификатор дополняется штрихкодом только для товаров с низкой уверенностью распознавания (например, похожие по виду SKU).

Снизили потери от несканирования и подмены товара на кассах самообслуживания.

Компьютерное зрение над зоной кассы сопоставляет вес и визуальное распознавание товара с тем, что было отсканировано, детекция подозрительных паттернов (пропуск сканирования, подмена штрихкода) в реальном времени с уведомлением сотрудника зала.

Сократили очереди на кассах без избыточного увеличения штата.

Прогноз потока покупателей по часам на основе истории трафика, сезонности и локальных событий, оптимизатор расписания кассиров под прогнозируемую нагрузку с ограничениями по трудовому законодательству и доступности персонала.

Автоматизировали проверку соответствия выкладки товара планограмме в розничных точках.

Компьютерное зрение на фото полок (сделанных сотрудником или стационарной камерой) сопоставляет фактическую выкладку с планограммой через детекцию и классификацию SKU, автоматически формирует список расхождений для персонала точки.

Измерили посещаемость и маршруты покупателей в торговом зале для оптимизации планировки магазина.

Компьютерное зрение по потоку с камер видеонаблюдения строит анонимизированные heatmap и траектории движения без идентификации личности, детекция зон с низкой конверсией «трафик → покупка» для пересмотра выкладки и мерчандайзинга.

Автоматизировали формирование заказов на пополнение товара для сети розничных магазинов.

Прогноз спроса на уровне магазин/SKU/день на основе истории продаж, локальной сезонности и промо-календаря, оптимизатор заказа поставщику с учётом срока годности, минимальной партии поставки и вместимости точки.

Синхронизировали цены на полке с онлайн-ценами и внедрили динамическое ценообразование в офлайн-точках.

Электронные ценники (ESL) подключены к тому же прайсинг-движку, что и онлайн-канал, автоматическая переоценка товаров с истекающим сроком годности и низкой оборачиваемостью, единая ценовая политика между онлайн и офлайн без ручного обновления бумажных ценников.

Показали покупателю в приложении магазина персональные предложения по товарам рядом с его текущим местоположением в зале.

Indoor-позиционирование через BLE-маяки и Wi-Fi RTT, персональные рекомендации по товарам в радиусе видимости на основе истории покупок и текущего маршрута, push-уведомление в приложении при приближении к релевантной полке.

Обнаружили пустые места на полках раньше, чем это заметит покупатель или обход персонала.

Компьютерное зрение на регулярных фото полок или стационарных камерах детектирует пустые facing'и по эталонной планограмме, приоритизация алертов по марже и оборачиваемости отсутствующего товара, интеграция с системой автозаказа для срочного пополнения.

Адаптировали ассортимент и планограмму под локальный спрос каждой точки вместо единого набора для всей сети.

Кластеризация точек по профилю спроса и социально-демографическим признакам района, модель рекомендует локальный ассортимент и планограмму на кластер с учётом площади точки и оборачиваемости категорий, симуляция ожидаемого прироста продаж перед внедрением изменений.

Автоматизировали сортировку посылок на распределительном центре вместо ручной сортировки по направлениям.

Компьютерное зрение считывает штрихкод и габариты посылки на конвейере, система управления роботами-сортировщиками (cross-belt sorter) распределяет посылки по накопителям на основе адреса назначения, оптимизация раскладки накопителей под текущий поток по направлениям в реальном времени.

Ускорили доставку товара к сборщику на складе, заменив пеший обход стеллажей автономными роботами.

Флот AMR (autonomous mobile robots) подвозит стеллажи со SKU к рабочей станции сборщика по алгоритму goods-to-person, SLAM-навигация и динамическое планирование пути с учётом других роботов и препятствий, диспетчер распределяет задания по роботам под текущую очередь заказов.

Автоматизировали захват и перекладку единичных товаров при сборке заказа без участия человека.

Робот-манипулятор с системой машинного зрения и depth-камерой определяет позу и точку захвата товара произвольной формы, grasp-модель, обученная на синтетических и реальных данных, подбирает стратегию захвата под тип упаковки (короб, пакет, бутылка), реджект-логика передаёт сложные случаи оператору.

Автоматизировали упаковку собранных заказов в короб и паллетирование готовых грузовых мест.

Робот-манипулятор с компьютерным зрением определяет оптимальную укладку товаров в короб под ограничение по объёму и хрупкости, алгоритм паллетирования (bin packing в 3D) строит устойчивую и плотную укладку коробов на паллету с учётом веса и габаритов.

Автоматизировали регулярную инвентаризацию остатков на складе без остановки работы зоны хранения.

Автономный робот с RFID-считывателем и камерами объезжает стеллажи по расписанию, сверяет фактические остатки с учётной системой, компьютерное зрение дополнительно детектирует смещение или повреждение упаковки товара.

Устранили заторы и простои десятков одновременно работающих складских роботов.

Централизованный диспетчер планирует маршруты флота AMR с учётом загруженности зон и приоритета заказов, multi-agent path finding с резервированием времени и полосы движения для избежания коллизий, динамическая перепланировка при появлении препятствий или новых задач.

Снизили внеплановые простои роботов из-за поломок на пиковых нагрузках.

Модель на телеметрии роботов (вибрация приводов, температура двигателей, ток, история ошибок) прогнозирует вероятность отказа узла в горизонте нескольких дней, обслуживание планируется в окно низкой загрузки склада вместо аварийной остановки.

Запустили доставку небольших заказов автономными роботами по тротуарам в пилотном районе.

Навигация на основе LiDAR, камер и HD-карт с детекцией и предсказанием поведения пешеходов и препятствий, локальный планировщик траектории с запасом безопасности, удалённый оператор подключается только в нештатных ситуациях по системе эскалации.

Автоматически проверили качество упаковки заказов, собранных роботом, перед отгрузкой.

Компьютерное зрение на выходе из зоны упаковки проверяет комплектность (совпадение с составом заказа), целостность упаковки и правильность маркировки, несоответствия автоматически направляются на повторную обработку без остановки линии.

Автоматизировали разгрузку прибывающих фур и погрузку исходящих отправлений на распределительном центре.

Робот-депаллетайзер с машинным зрением распознаёт паллеты и короба произвольной укладки внутри трейлера, планирует последовательность захвата с учётом устойчивости оставшегося груза, для погрузки исходящих отправлений алгоритм оптимальной укладки максимизирует заполнение кузова.

Снизили стоимость последней мили, объединяя заказы, которые можно доставить одним курьером-партнёром по пути.

Кластеризация заказов по времени и геолокации доставки через DBSCAN на маршрутной сетке, автоматическое назначение связок заказов на курьеров-партнёров с оптимизацией маршрута (VRP-солвер с временными окнами), динамическая переоценка при поступлении новых заказов в реальном времени.

Оптимизировали маршруты регулярных грузоперевозок между складами и хабами сети.

VRP-солвер с ограничениями по грузоподъёмности, временным окнам приёмки и рабочему времени водителей, учёт исторического трафика по маршрутам через прогноз времени в пути, периодическая переоптимизация сети маршрутов при изменении объёмов между складами.

Уточнили обещаемый срок доставки на витрине для логистического оператора e-com.

Обучили квантильную регрессию на признаках маршрута, склада, перевозчика и сезонности с калибровкой под целевой service level, добавили conformal prediction для гарантий покрытия и мониторинг дрейфа по регионам через PSI с автоматическим переобучением.

Спланировали количество курьеров и слоты доставки под ожидаемую нагрузку по дням и районам.

Прогноз объёма доставок на уровне район/час на основе истории заказов, сезонности и промо-календаря площадки, оптимизатор расписания курьеров-партнёров под прогнозируемую нагрузку с ограничением по доступности и стоимости часа.

Снизили долю пустого места в кузове и коробках при отгрузке заказов со склада.

Алгоритм cutting-and-packing (bin packing с 3D-ограничениями) подбирает оптимальную упаковку и размер коробки под состав заказа, оптимизатор загрузки транспорта максимизирует объём/вес партии под ограничения маршрута.

Сократили время сборки заказов за счёт более рационального размещения товаров на складе.

Модель прогнозирует скорость оборота и совместные покупки SKU (association mining), высокооборачиваемые и часто заказываемые вместе товары размещаются ближе к зонам сборки, слоттинг пересчитывается регулярно по свежей статистике заказов.

Автоматизировали выбор склада отгрузки заказа при наличии товара на нескольких точках.

Оптимизатор учитывает остатки, стоимость и время доставки с каждого склада, загрузку зоны сборки и вероятность разделения заказа на несколько отправлений, решение принимается в реальном времени в момент оформления заказа.

Заранее выявляем заказы с риском задержки доставки, чтобы среагировать до жалобы клиента.

Модель предсказывает риск задержки по признакам маршрута, загрузки склада, погоды и истории перевозчика, заказы с высоким риском получают приоритет в обработке и проактивное уведомление клиента с обновлённым сроком.

Выявляем сбои в цепочке поставок (задержки у поставщика, повреждения, потери) на ранней стадии.

Мониторинг временных рядов по этапам цепочки поставок (отгрузка, транзит, приёмка) с детекцией отклонений от исторической нормы, граф поставщик-маршрут-склад для локализации источника систематических сбоев, алерты на аномалии с приоритизацией по влиянию на дефицит.

Ускорили и удешевили обработку возвратов от покупателей до повторной продажи или утилизации.

Модель маршрутизирует возврат на ближайший подходящий склад с учётом типа товара и загрузки, классификатор по фото и описанию причины возврата определяет дальнейший путь товара (повторная продажа, ремонт, утилизация), приоритизация обработки по стоимости товара и скорости обесценивания.

Обнаружили деградацию ML-моделей в продакшене до того, как она повлияла на бизнес-метрики.

Непрерывный мониторинг распределений входных признаков (PSI, KL-дивергенция) и выходов моделей по сегментам, алерты при отклонении от baseline, автоматическая корреляция деградации с бизнес-метриками для приоритизации инцидентов.

Убрали ручное переобучение и выкладку моделей, которые занимали дни у ML-инженеров.

Пайплайн CI/CD для моделей с автоматическим переобучением по расписанию и по триггеру дрейфа, автоматическое тестирование на holdout и shadow-трафике перед раскаткой, canary-деплой с автоматическим откатом при деградации метрик.

Устранили дублирование расчёта признаков и рассинхронизацию между обучением и инференсом в разных ML-командах.

Централизованный feature store с едиными определениями признаков для offline (обучение) и online (инференс) контуров, версионирование признаков и point-in-time correct join для исключения утечки данных из будущего.

Стандартизировали запуск и оценку A/B-тестов ML-моделей и продуктовых изменений на площадке.

Платформа с автоматическим расчётом размера выборки и длительности теста, защитой от peeking через sequential testing, автоматической детекцией sample ratio mismatch и централизованной библиотекой метрик для консистентной оценки экспериментов командами.

Навели порядок в десятках версий моделей и экспериментов без единой системы учёта.

Реестр моделей с трассируемостью до данных, кода и гиперпараметров каждой версии, автоматическое логирование метрик экспериментов, политика promotion между стадиями (dev/staging/prod) с обязательным код-ревью и проверкой метрик.

Снизили задержку и стоимость инференса ML-моделей под высоконагруженные сценарии (поиск, рекомендации, ранжирование).

Квантизация и дистилляция моделей под задачу, батчинг запросов с адаптивным окном ожидания, кэширование эмбеддингов и промежуточных представлений для повторяющихся запросов, профилирование и перенос части инференса на GPU/специализированные ускорители.

Нашли причину, почему офлайн-метрики моделей не подтверждались в продакшене.

Автоматическое сравнение распределений и значений признаков в offline pipeline обучения и online serving в реальном времени, тесты консистентности пайплайнов признаков перед каждым релизом, алерты при расхождении логики расчёта фичей.

Упорядочили запуск десятков взаимосвязанных ML-пайплайнов (данные → обучение → валидация → деплой) без ручной координации.

DAG-оркестрация пайплайнов с явными зависимостями и retry-политиками, автоматическое масштабирование вычислительных ресурсов под нагрузку задачи, приоритизация очереди по критичности пайплайна для бизнеса.

Снизили расходы на GPU-инфраструктуру для обучения и инференса ML/LLM-моделей без потери производительности.

Динамическое масштабирование кластера под фактическую нагрузку, spot-инстансы для некритичных задач обучения с checkpoint-восстановлением, шеринг GPU между инференс-сервисами с низкой утилизацией через MIG-партиционирование.

Обеспечили полную трассируемость данных от источника до предсказания модели для аудита и разбора инцидентов.

Автоматический сбор lineage-графа на уровне таблиц и колонок через анализ пайплайнов, связывание версий данных, кода и моделей в единую цепочку трассировки, инструмент для быстрого impact-анализа при изменении источника данных.