Проект реализует state-of-the-art подход TIGER от Google DeepMind (NeurIPS 2023): вместо поиска модель напрямую генерирует ID следующего товара. Каждый товар превращается в осмысленный семантический идентификатор, а seq2seq-модель учится предсказывать его по истории покупок пользователя. Цель — улучшить рекомендации для новых товаров (cold-start) и формировать более разнообразные подборки.

Развитие двух направлений речевых технологий: транскрибация (перевод голоса в текст) для внутренних встреч и клиентских служб и синтез речи для бизнес-задач. Команда улучшает существующие инструменты и экспериментирует с новыми моделями.

Бизнесу важно строить рекомендательные системы, которые оптимизируют выручку, маржу и маржинальность. Такие метрики часто невозможно оптимизировать классическими методами из-за их недифференцируемости. Проект исследует возможность применения offline-RL для прямой оптимизации метрики ранжирования NDCG@10.

Построение модели персонализированного ранжирования блюд в каталоге приложения доставки еды. Модель учитывает историю покупок пользователя и другие доступные факторы, чтобы показывать каждому клиенту наиболее релевантные блюда.

Модель оценивает вероятность покупки товаров для заданного ассортимента. Если товар отсутствует на полке, покупатель может выбрать альтернативу или не купить ничего. Модель возвращает вероятности покупки для ассортимента, а также вероятности перетока спроса с одного товара на другой.

Построение модели, которая прогнозирует вероятность наличия просроченных товаров на полке магазина. Решение помогает магазинам своевременно выявлять риски и снижать долю просроченной продукции.

Развитие инфраструктуры вокруг больших языковых моделей и трансформеров: инструменты обучения, инференса и эксплуатации LLM для задач X5

Система интеллектуального распознавания именованных сущностей в поисковых запросах мобильного приложения X5. Цель — понимать семантическую структуру запроса и корректно выделять ключевые элементы: тип товара, бренд, объём и другие характеристики. Например, в запросе «Молоко Домик в Деревне 1 литр» система определит «Молоко» как тип товара, «Домик в Деревне» — как бренд, а «1 литр» — как объём

Рекомендации товаров в корзине мобильного приложения «Пятёрочка»: модель предлагает пользователю товары, которые он с высокой вероятностью добавит в следующую покупку.

Система прогнозирования списаний товаров в магазинах X5. Она анализирует исторические и текущие данные по продажам, запасам и срокам годности, чтобы выявлять повышенные риски списаний для отдельных товаров и товарных групп. При обнаружении аномально высоких прогнозов система автоматически уведомляет директоров магазинов, помогая им вовремя реагировать: проверять полки, корректировать ассортимент и инициировать уценки.

Цель проекта — разработать систему оркестрации рекомендаций, которая определяет приоритетный порядок коммуникаций с клиентом от группы сервисов («Пятёрочка», «Перекрёсток», «Много Лосося» и других). Иначе говоря, нужно выбрать, какой сервис «пойдёт первым» в общении с клиентом — в том числе с помощью подхода на основе контекстуальных многоруких бандитов.

Использование истории покупок клиента для анализа рациона и формирования рекомендаций по здоровому питанию. Решение может интегрироваться с приложениями для мониторинга здоровья и спортивными трекерами: пользователи видят, какие продукты они покупают слишком часто (например, с высоким содержанием сахара), и получают рекомендации по более сбалансированному питанию с учётом аллергий и диет.

Запуск аналитического сайта в духе «СберИндекса» на основе данных X5. Проект может включать как экономически значимые показатели — например, индекс потребительской активности, — так и более лёгкие, развлекательные метрики вроде индекса потребления бананов.

Создание механизма рекомендаций внутренних и внешних обучающих курсов. Проект включает анализ входящих заявок на внешнее обучение и анализ рынка доступных курсов для построения качественной рекомендательной системы развития сотрудников.

Модель первичного скрининга резюме и автоматического извлечения ключевых сущностей из текста. Решение позволяет формировать таблицу с кандидатами автоматически, без ручной обработки.

Система для автоматического анализа отзывов и оценок покупателей. Решение помогает понять отношение клиентов к товарам и выявлять сильные и слабые стороны продуктов.

Решение, которое по фотографии паллеты определяет, требуется ли её замена или возможно дальнейшее использование. Проект помогает автоматизировать контроль состояния паллет на складе.

Сервис, который по фотографии или скану документа выделяет отдельные поля и считывает их значения. Решение автоматизирует обработку HR-документов и снижает объём ручного ввода данных.

Решение для автоматической оценки параметров магазина по фотографиям — например, чистоты торгового зала. Проект помогает стандартизировать контроль качества обслуживания в розничной сети.

Проект X5 AI Lab по платформе размещения торговых объектов