Заміна пошуку за ключовими словами семантичним розумінням у каталозі на 2 млн SKU
Великий європейський рітейлер одягу (каталог ~2 млн SKU, проєкт 2024 року), де 23% пошукових запитів не давали жодного результату, а ще близько 40% повертали неправильну категорію: покупці використовували природну мову («літня сукня вільного крою з кишенями»), тоді як каталог був позначений кодами постачальників і жорсткими термінами таксономії. Дотренований бі-енкодер (базова sentence-transformer модель, натренована на власному ~12-місячному потоці кліків «запит → товар» рітейлера) керує щільним векторним пошуком по всіх 2 млн SKU у Qdrant; легкий шар перерангування застосовує бізнес-правила (маржа, рівень запасів, індекс тренду), не погіршуючи релевантність. Затримка p95: 78 мс. Запити без результату скоротилися з 23% до 2%. Конверсія від пошуку до покупки: +34%.
23%→2%
Запити без результату
+34%
Конверсія від пошуку до покупки
<80ms
Затримка пошуку p95
Виклик
23% пошукових запитів не давали жодного результату, не тому що товарів не існувало, а тому що клієнти використовували природну мову («літня сукня вільного крою з кишенями»), тоді як каталог був позначений кодами постачальників і жорсткими термінами таксономії. Ще 40% запитів повертали результати з абсолютно неправильної категорії.
Наш підхід
Ми запропонували замінити індекс за ключовими словами архітектурою семантичного пошуку на бі-енкодері. Оцінка доцільності підтвердила, що каталог можна повністю переіндексувати ембедингами за 72 години на наявній інфраструктурі.
Архітектура: дотренована модель ембедингів sentence-transformer (натренована на власних даних кліків «запит → товар» рітейлера), щільний векторний індекс через Qdrant і легкий шар перерангування, що враховує бізнес-правила (маржа, рівень запасів, індекс тренду), не погіршуючи релевантність.
Результат
Частка запитів без результату впала з 23% до 2%. Конверсія від пошуку до покупки зросла на 34%. Затримка p95: 78 мс на повному каталозі з 2 млн SKU. Шар перерангування за бізнес-правилами дав команді мерчандайзингу змогу впливати на результати, не торкаючись моделі.
Чого ми навчились
01
Дотренування на власних даних кліків дає кращий результат, ніж загальні ембединги для галузевих каталогів.
02
Бізнес-правила й ML можуть співіснувати: шар перерангування є правильним місцем для них.
03
Індексація 2 млн векторів є задачею пайплайну даних, а не моделі.
Залучені етапи
Дзвінок з оцінки доцільності
Discovery & Blueprint
Перевірка концепції
Продакшн-розробка
Загальна тривалість
4 місяці загалом
Передані артефакти
PRD
Блюпринт архітектури пошуку
Специфікація моделі ембедингів
WBS
SOW
Почніть із дзвінка з оцінки доцільності
2 години, безкоштовно. Чесно скажемо, чи має сенс ШІ саме для вашого випадку.