1 мин чтения
Коротко
Для каталога на миллионы товаров ручная настройка ценовых связей уже не масштабируется. Исследование показывает: связка специализированных LLM-агентов может работать лучше одного агента, но качество заметно зависит от типа товаров.
Когда в каталоге миллионы товаров, вручную поддерживать согласованные цены между вариантами практически невозможно. Ошибки здесь бьют не только по таблицам: они меняют восприятие выгоды и могут перетягивать продажи между похожими позициями.
Исследователи предложили не одного универсального AI-агента, а систему из трёх специализированных агентов. Они по очереди выделяют ключевые атрибуты, извлекают значения из разных типов данных и собирают иерархию ценовых связей — так называемые Lines and Ladders.
Главный вывод не в том, что агенты внезапно научились понимать весь каталог. Скорее, большую задачу полезно разрезать на несколько более узких: это снижает когнитивную нагрузку и, по данным работы, помогает превзойти базовые решения на одном агенте.
На реальных корпоративных данных система получила F1 0,83 для Lines. В категории Food & Consumables точность превысила 90%, полнота — 75%, а для неструктурированного каталога General Merchandise точность назначения составила 80,2%. При этом авторы сообщают, что система уже развёрнута в production.
Но эти цифры нельзя читать как универсальную точность «для ритейла». Результаты различаются по категориям, а в доступном описании нет данных о стоимости и задержке работы, масштабе ручной проверки, типах ошибок и сравнении с более простыми неполноагентными системами. Поэтому практичесная ценность подхода пока выглядит так: это перспективный конвейер для подготовки ценовой структуры, но не автоматический пропуск для изменения цен без контроля.
Если бы вы внедряли такую систему у себя, что было бы критичнее: более высокая точность или возможность быстро объяснить, почему товар попал именно на этот уровень цен?
Источник: cs.AI updates on arXiv.org