Large Behavior Model: ИИ-модель для цифрового двойника покупателя

Large Behavior Model (LBM) — это новая архитектура языковой модели, созданная для моделирования поведения розничных покупателей. Она обучается на крупномасштабных транзакционных данных и способна предсказывать покупки, различать сложные негативные примеры, завершать корзину, оценивать реакцию на промоакции и кросс-доменное погашение ваучеров. В отличие от традиционных LLM, LBM превосходит их на внутридоменных задачах розничной торговли и демонстрирует сильное обобщение между разными ритейлерами и доменами решений. Эта технология открывает путь к созданию интерпретируемых и масштабируемых цифровых двойников покупателей, что может революционизировать персонализацию и маркетинг в электронной коммерции.

Как работает Large Behavior Model

LBM использует единую формулировку «Человек-Среда», где состояние покупателя представлено поведенческим профилем, построенным на основе истории покупок. Контекст продукта интегрируется через retrieval-augmented generation (RAG), что позволяет модели учитывать актуальную информацию о товарах. Обучение проходит в три этапа: continued pre-training на вербализованных поведенческих данных, supervised fine-tuning для генерации решений и reinforcement learning с проверяемыми вознаграждениями для калибровки на основе фактических данных. Абляционные исследования показывают, что continued pre-training является основным драйвером обобщения поведения, RAG наиболее эффективен при применении как во время обучения, так и во время вывода, а reinforcement learning улучшает использование явных поведенческих свидетельств вместо общих языковых приоров.

Почему LBM лучше традиционных LLM в розничной торговле?

Традиционные языковые модели, такие как GPT-4, обучаются на общих текстовых данных и плохо адаптируются к специфике розничного поведения. LBM, напротив, специализируется на транзакционных данных, что позволяет ей точнее предсказывать покупки и реагировать на промоакции. Эксперименты показывают, что LBM превосходит LLM в задачах завершения корзины и кросс-доменного погашения ваучеров, а также демонстрирует сильное zero-shot обобщение на новых ритейлерах. Это делает её более практичной для реальных сценариев электронной коммерции.

Почему это важно для ритейлеров и маркетологов

Традиционные подходы к моделированию поведения клиентов либо оптимизируют точность прогнозирования без объяснения решений, либо симулируют пользователей без привязки к реальным данным. LBM предлагает интерпретируемый и масштабируемый метод создания цифровых двойников покупателей, что может существенно улучшить персонализацию, маркетинговые кампании и системы рекомендаций. Например, ритейлеры могут симулировать реакцию покупателей на новые промоакции до их запуска, а маркетологи — тестировать различные стратегии без риска для реальных продаж. LBM также позволяет анализировать поведение в разных доменах (например, продукты питания и электроника), что даёт целостное представление о клиенте.

Как LBM повлияет на персонализацию в e-commerce?

С помощью LBM можно создавать цифровых двойников для каждого покупателя, которые точно отражают его предпочтения и поведение. Это позволяет предлагать персонализированные рекомендации в реальном времени, адаптировать ценовые предложения и оптимизировать последовательность маркетинговых сообщений. Например, если модель предсказывает, что покупатель склонен к импульсивным покупкам при получении скидки, система может автоматически предлагать промокод в нужный момент. Такая глубокая персонализация повышает конверсию и лояльность клиентов.

Кого затронет внедрение LBM

Разработчиков систем рекомендаций, маркетологов, ритейлеров и исследователей в области поведенческого моделирования. LBM может быть интегрирован в платформы электронной коммерции для создания персонализированных цифровых двойников покупателей и симуляции сценариев. Для разработчиков это означает необходимость адаптации существующих инфраструктур под новую модель, а для маркетологов — возможность более точного таргетинга и A/B-тестирования. Исследователи получат инструмент для изучения поведения потребителей на основе реальных данных, что может привести к новым открытиям в поведенческой экономике.

Что пока неизвестно о Large Behavior Model

Детали набора данных и точные условия экспериментов не раскрываются; не указано, на каких конкретных транзакционных данных проводилось обучение. Также не раскрываются ограничения модели, такие как потенциальные проблемы с конфиденциальностью данных или смещения в поведенческих профилях. Например, если обучающие данные содержат предвзятость по полу или возрасту, модель может воспроизводить эти смещения. Кроме того, неясно, как LBM справляется с редкими сценариями или новыми продуктами, для которых нет исторических данных. Будущие исследования должны прояснить эти аспекты, а также оценить этические последствия создания цифровых двойников покупателей.