Второй класс 🚀 — переопределение самих рекомендательных сценариев и создание новых — Часть 2

Из публичных статей я бы хотел разобрать две самые сильные тут:

1. AgentX от Kuaishou — генерация и проверка новых гипотез 🧠

Про эту работу я уже рассказывал выше, поэтому повторяться не буду.

Самый главный ньанс тут в том что система работает внутри заданной бизнес-цели и существующей рекомендательной системы. Он ищет способы улучшения её работы, но не переосмысляет весь клиентский путь. 🚉

Например, агент может предложить новый способ ранжирования сопокупаемых. Но самостоятельное решение заменить эту полку конструктором ужина в статье не показано.👩🏼‍✈️

2. Managing Proactivity in E-Commerce — рекомендации появляются тогда, когда нужны пользователю 👀

А вот здесь исследователи предлагают совершенно другой подход. Сегодня большинство рекомендательных полок жёстко привязаны к интерфейсу. Например, похожие товары всегда находятся на PDP, а сопокупаемые — в корзине. Но почему рекомендации должны показываться постоянно? Возможно, большую часть времени они вообще не нужны пользователю. Исследователи из португальского университета NOVA de Lisboa создали прототип интернет-магазина с проактивным AI-агентом. Он самостоятельно анализирует действия пользователя и решает, когда предложить помощь.

Как это работает под капотом ⚙️ Система состоит из нескольких компонентов: 📊Сбор пользовательского контекста . Сохраняются просмотры товаров, переходы между страницами, прокрутка и покупки.

🕸Граф действий пользователя . Система связывает события между собой и отслеживает последовательность взаимодействий. Для анализа используются десять последних узлов графа.

🤖 LLM-агент . Получает историю действий и решает, нужно ли сейчас вмешаться.

🎨 Управление интерфейсом . Если помощь уместна, появляется рекомендация. Окно ассистента перемещается ближе к центру экрана. Причём агент способен не только рекомендовать товары. Он умеет выделять элементы интерфейса, применять фильтры и добавлять товары в корзину.

Есть интересная техническая деталь. Чтобы не вызывать LLM после каждого действия, авторы используют вероятностный механизм. В среднем проверка запускается примерно раз в 54 секунды. После этого модель решает, действительно ли нужно вмешиваться.

В чем тут кроется дьвол 😈 Статья описывает упражнения академических ученых. Как это работает в проде на реальном Ecom никто не знает.