CБ
CODA. Бизнесу про кодинг и нейросети
Decision API помогает переложить на систему повторяющиеся решения, которые вы и так принимаете по шаблону, — и освободить время для того, что действительно требует вашего внимания.
Мне кажется, лучше всего объяснить это на коротком примере. Небольшой интернет-магазин: покупатель кладёт в корзину второй товар и на секунду замирает. У магазина есть варианты — дать скидку, предложить бесплатную доставку, показать сопутствующий товар или не делать ничего. Выбор зависит от десятков мелочей: суммы заказа, истории покупателя, остатков на складе, маржи, загрузки курьеров. Человек за экраном не успеет всё это взвесить за долю секунды, а Decision API именно для такого случая и придуман: он получает описание ситуации и возвращает конкретное действие — «предложить бесплатную доставку», «показать скидку 5%», «оставить как есть».
Уверен, что ключевое здесь — тип вопроса, на который отвечает технология. Предсказательная модель говорит, что произойдёт: уйдёт ли клиент, сколько будет продаж. Генеративная — как это будет выглядеть: текст, картинка, письмо. Decisions-модель отвечает, что сделать, и обязательно учитывает ограничения и цену ошибки. Прогноз здесь только вход, а выход — конкретное действие. На практике это значит, что Decision API нужен не вместо прогнозной модели, а поверх неё.
Устроена decisions-модель, как мне кажется, довольно просто — три блока. Первый — состояние: всё, что система знает о ситуации (данные о клиенте, складе, времени, деньгах). Второй — набор допустимых действий с учётом ограничений вроде бюджета, склада, законодательства или ваших собственных правил. Третий — цель, по которой действия сравниваются: прибыль, удержание клиента, скорость обслуживания, риск. Дальше модель оценивает каждое допустимое действие и выбирает лучшее. Внутри может быть разная математика: простые правила, скоринг, деревья решений, оптимизация ограниченного ресурса, экспериментальные модели вроде «многорукого бандита» для рассылок и баннеров, обучение с подкреплением там, где важен отложенный результат.
Для малого бизнеса такие модели полезны везде, где решение повторяется. Какую скидку дать конкретному клиенту, что закупить на следующую неделю, как расставить смены, какую заявку взять в работу первой. У пекарни к вечеру остаётся часть выпечки — модель может решать, когда снижать цену, чтобы не выбрасывать товар, но и не обесценивать его днём. У небольшой студии три свободных слота на неделе — кому из ожидающих предложить их первыми, чтобы снизить риск отмен. В маркетинге поле ещё шире: кому отправить письмо, а кому лучше не писать, чтобы не выжигать базу; какой канал выбрать для сегмента; как разделить бюджет, когда данных мало. И здесь важна ещё одна вещь — модель умеет соблюдать ваши ограничения: «не больше двух коммуникаций в неделю на человека», «не тратить больше заданной суммы на привлечение».
Где легко ошибиться? Во-первых, данные и обратная связь: если модель учится на собственных решениях, она может закрепить случайность — однажды предложенная скидка «сработала» и теперь предлагается всем. Во-вторых, цель: оптимизация кликов или числа заказов не всегда совпадает с прибылью и удержанием. В-третьих, ограничения и «красные линии» лучше задать заранее и явно. В-четвёртых, объяснимость: чем проще модель, тем легче ответить на вопрос «почему система так решила», а в работе с клиентами это важно.
Я бы советовал начинать с одного-двух решений, где ошибка стоит дёшево и результат видно быстро: проверить на небольшом объёме, сравнить с текущим поведением и только потом расширять. Заявления поставщиков о точности и беспристрастности таких систем стоит воспринимать как заявления, а не как установленный факт, — проверка на собственных данных всё равно остаётся вашей задачей. Сама идея при этом простая и полезная: не гадать в моменте, а один раз договориться о цели и ограничениях — и позволить системе принимать мелкие решения по этим правилам.