Экономика внимания: как Wildberries заменяет АБ-тесты нейросетями, Wildberries & Russ, Лукьянченко
Петр Лукьянченко, руководитель направления ML и Data Science, Wildberries & Russ. Форум Cnews "Технологии искусственного интеллекта 2026".
Психология внимания в эпоху визуального перенасыщения
Современный рынок электронной коммерции превратился в битву за доли секунды внимания пользователя. Когда человек заходит на маркетплейс, он не читает характеристики и не изучает отзывы сразу — сначала срабатывает первичный эмоциональный импульс. Если изображение товара не способно «зацепить» взгляд в течение трех секунд скроллинга, товар фактически перестает существовать для покупателя. Именно эта проблема легла в основу разработки нового инструмента в Wildberries & Roos.
Долгое время индустрия полагалась на нейромаркетинг — исследования с использованием датчиков активности мозга и айтрекинга. Однако такие методы работают в лабораторных условиях и на малых группах людей. В масштабах гигантского маркетплейса, где количество товарных позиций исчисляется миллионами, традиционные подходы к анализу визуального контента оказываются бессильны.
Проблема масштабирования и тупик АБ-тестирования
Основным инструментом проверки гипотез в бизнесе всегда было АБ-тестирование: одной группе пользователей показывают один вариант картинки, другой — иной, и замеряют конверсию. Но для Wildberries & Roos этот путь стал слишком дорогим. Проводить полноценные тесты на миллионах карточек, которые постоянно обновляются, невозможно физически и финансово.
Более того, привлечение живых асессоров для разметки изображений вносит элемент субъективности. Люди устают, их критерии оценки меняются, что делает качество сервиса нестабильным. Возникла острая необходимость в создании объективного, автоматизированного «цифрового глаза», который мог бы предсказать реакцию человека еще до того, как картинка попадет на витрину.
Технологический путь: от научной статьи к коммерческому продукту
Поиск решения привел команду ML и Data Science Wildberries & Roos к семейству нейросетей DeepGaze. Эти модели способны предсказывать области внимания человека на изображении, создавая так называемые тепловые карты (heatmaps). Однако возникло классическое препятствие: готовые коммерческие реализации таких сетей стоят дорого и накладывают жесткие ограничения на использование в бизнесе.
Решением стал инженерный подход: вместо покупки лицензии компания решила использовать открытые архитектуры, описанные в научных статьях. Имея сильную внутреннюю экспертизу в области искусственного интеллекта, команда адаптировала эту архитектуру под специфику маркетплейса и обучила модель с нуля на массивах данных из открытых источников и собственных внутренних базах. Это позволило Wildberries & Roos получить полностью автономный инструмент, который не зависит от внешних вендоров и может быть бесконечно масштабирован внутри компании.
Борьба с «галлюцинациями» модели и адаптация под человека
В процессе обучения выяснилось, что даже продвинутые нейросети имеют свои искажения. Например, многие модели склонны переоценивать значимость площади объекта: чем больше предмет на фото, тем выше вероятность, что на него посмотрят. В контексте маркетплейса это создавало проблему — человеческие головы на фотографиях занимают много места, и модель постоянно «зацикливалась» на них, игнорируя сам товар.
Для решения этой задачи в Wildberries & Roos внедрили экспоненциальное сглаживание. Это позволило модели «понять», что после первого фиксации взгляда на лице человека внимание должно переместиться дальше, к деталям продукта.
Еще одним важным открытием стало различие между старыми датасетами и реальным поведением пользователей. В классических обучающих выборках люди часто смотрели в центр изображения (центростремительность). Однако практика показала, что покупатели на маркетплейсах склонны «бегать» взглядом по периметру, сканируя края картинки в поиске важной информации или инфографики. Модель была переобучена с учетом этого паттерна, что значительно повысило точность предсказаний.
Механика работы: траектории и тепловые карты
Сервис работает в два этапа. Сначала нейросеть определяет вероятную траекторию движения зрачка — за какой объект взгляд зацепится первым и куда он переместится далее. Затем модель рассчитывает время «зависания» на каждом из этих шагов. Результатом становится тепловая карта, где яркие зоны указывают на области максимального внимания.
Для селлеров это превращается в мощный инструмент оптимизации. Теперь продавец может точно знать: если он напишет объем аккумулятора пауэрбанка в верхней части картинки, увидят ли это покупатели или эта зона окажется «слепой»? Инструмент позволяет переставить ключевые характеристики и акценты так, чтобы они попали точно в фокус внимания пользователя.
Динамическое затухание: учет фактора времени
Одной из самых инновационных доработок стала функция динамического затухания. Команда Wildberries & Roos учла физиологический факт: концентрация человека не бесконечна. Первые несколько секунд просмотра изображения — самые продуктивные, далее внимание начинает рассеиваться и угасать.
Эта фича позволяет модели имитировать реальный процесс считывания информации. Теперь сервис подсказывает, какие элементы должны быть считаны мгновенно, а что можно оставить на второй план. Это превращает простую картинку в продуманный интерфейс взаимодействия с покупателем.
Экономика внедрения и промышленная эксплуатация
С технической точки зрения проект оказался удивительно эффективным. Обучение модели потребовало ресурсов всего одной видеокарты H100, что для задач такого масштаба является крайне низкими затратами. Основной сложностью стала не сама математика, а подготовка данных — сбор и очистка огромных массивов из разных источников заняли больше всего времени.
Инференс (работа уже обученной модели) также оптимизирован. Чтобы не нагружать основные вычислительные мощности в пиковые часы, Wildberries & Roos использует систему шедулеров. Все новые карточки товаров, загружаемые селлерами, обрабатываются ночью, когда HPC-кластер свободен. К утру продавец получает готовую аналитику по своим изображениям.
Бизнес-результаты и реакция рынка
Запуск сервиса в полноценный продакшн в сентябре показал колоссальный спрос со стороны продавцов. Даже на этапе альфа-тестирования, когда инструмент был доступен в демо-режиме, количество запросов превысило все ожидания. Это подтвердило гипотезу о том, что селлерам критически не хватает инструментов объективной оценки их визуального контента.
Сервис прошел путь от бесплатного демо до платного продукта, что подтверждает его коммерческую ценность. Продавцы готовы платить за возможность выбрать лучшую из имеющихся картинок, зная, что она с большей вероятностью приведет к продаже.
Будущее визуальной аналитики в e-commerce
На текущем этапе сервис решает задачу анализа: он говорит, как человек будет смотреть на картинку и какая из них более эффективна. Однако следующим логическим шагом станет переход от анализа к генерации. В перспективе Wildberries & Roos может создать автоматизированную систему, которая будет не просто оценивать, а самостоятельно перерисовывать или собирать идеальную карточку товара на основе данных о внимании.
Важным выводом всего проекта стало понимание того, что архитектура трансформеров, лежащая в основе современных LLM (языковых моделей), применима и в других мультимодальных областях. Компьютерное зрение в связке с психологией восприятия открывает огромные возможности для оптимизации бизнес-процессов, где финансовый эффект измеряется напрямую через рост конверсии и удобство пользователя.
Внедрение системы предиктивного анализа внимания на базе модифицированной архитектуры DeepGaze позволило Wildberries & Roos решить фундаментальную проблему дороговизны АБ-тестирования при огромном масштабе данных. Благодаря глубокой адаптации модели под реальные паттерны поведения пользователей (коррекция центростремильности, учет периметрального сканирования и динамического затухания внимания), компания создала высокоточный инструмент оптимизации конверсии. Проект продемонстрировал эффективность стратегии использования открытых научных разработок для создания проприетарных коммерческих решений с низкими затратами на инфраструктуру (одна H100) и высокой рыночной востребованностью.
Основное
- Эмоциональный фильтр восприятия. В условиях бесконечного скроллинга маркетплейса решение о клике принимается за первые 3 секунды. Рациональные характеристики товара (отзывы, описание) работают только после того, как изображение преодолело «эмоциональный барьер» и захватило внимание пользователя.
- Кризис традиционного АБ-тестирования. При масштабах в десятки миллионов товарных карточек классические АБ-тесты становятся экономически нецелесообразными и технически недоступными. Необходим инструмент предиктивной аналитики, который позволяет оценить эффективность изображения до его публикации.
- Стратегия «Архитектура вместо Лицензии». Для обхода дорогостоящих коммерческих лицензий на готовые решения (семейство DeepGaze), компания Wildberries & Roos пошла по пути реализации открытых научных архитектур с последующим обучением на собственных и общедоступных данных. Это позволило создать полностью контролируемый внутренний продукт.
- Коррекция нейросетевых искажений под реальное поведение. Стандартные датасеты часто имеют «центростремительное» смещение (внимание приковано к центру). В реальности пользователи маркетплейсов чаще сканируют периметр изображения. Адаптация модели под эти паттерны поведения критически важна для точности прогноза.
- Динамика затухания внимания. Внедрение функции динамического затухания позволило модели учитывать временной фактор: первые секунды контакта с картинкой наиболее ценны, далее концентрация падает. Это дает селлерам четкое понимание, где именно размещать ключевые смыслы (УТП), чтобы они были считаны мгновенно.
- Оптимизация ресурсов и бизнес-эффект. Использование одной видеокарты H100 для обучения и запуск инференса в ночное время через шедулер делают сервис дешевым в поддержке, но высокоценным для конечного пользователя (продавца), превращая ML-инструмент в полноценный платный продукт.
