Wildberries ежедневно прогоняет через фильтры более 12 миллионов карточек товаров и 70 миллионов изображений. Как сообщил руководитель команды автоматической модерации Лев Нечаев, на таких дистанциях классическая стратегия «одна задача — одна модель» быстро съедает ресурсы GPU и упирается в потолок. Даже с эффективными детекторами вроде YOLO бесконечное плодение узкоспециализированных нейросетей под каждый бренд превращается в инфраструктурный кошмар и раздувает сроки вывода продуктов на рынок до неприличия.
Переводим на язык бизнеса: вместо того чтобы обучать отдельный классификатор на каждый чих регулятора, инженеры маркетплейса внедрили детекторы на основе векторного поиска. Это позволило собрать разрозненные модели в единый ансамбль. Механика прозрачна: система переводит контент в векторные представления и ищет совпадения в базе нарушений. Такой подход закрывает проверку более 20 типов сущностей — от роликов Wibes до текстовых описаний — при пиковой нагрузке в 400+ запросов в секунду и точности не ниже 90%.
Если отбросить корпоративную ретушь, перед нами грамотная оптимизация юнит-экономики. Объединение моделей под общим векторным знаменателем позволяет Wildberries масштабировать контроль брендов и лиц без экспоненциального роста затрат на «железо». Это элегантное решение проблемы переобучения, когда старая модель начинает «галлюцинировать» при добавлении новых классов. Теперь для адаптации к очередному закону или ребрендингу достаточно обновить векторную базу, а не перелопачивать всю архитектуру.
На наш взгляд, это классический пример того, как инженерный маневр спасает бюджет от проедания облачными провайдерами. Советуем провести аудит текущих затрат на инференс ваших специализированных моделей — вполне вероятно, что замена десятка «узких» классификаторов на один векторный поиск окупится уже в следующем квартале.