🛍Как научить поиск понимать контекст?

Когда пользователь пишет «газировка спрайт», а поиск должен за 300 миллисекунд понять, что ему нужно, — это задача со звёздочкой.

О том, как мы решали её в Купере, в своей статье рассказывает Игорь Самарин, ML-инженер из команды поиска. Он объясняет, как устроены полнотекстовый и векторный поиск в сервисе с сотнями тысяч запросов ежедневно, а также показывает, как обучить векторную модель на своих данных, чтобы она понимала специфику каталога.

👉 Читайте на Хабре!

👋Фичи приносят деньги, а техдолг — нет

В новой статье Максим Бурцев, руководитель отдела мониторинга, разбирает, почему этот аргумент не всегда работает, и показывает, как в Купере научились смотреть на инциденты и проблемы через риски, потери и повторяемость.

Если вы когда-нибудь спорили о том, чинить ли костыль или брать следующую фичу, то наша статья вам точно пригодится!

💭Поймай своё новогоднее обещание

✨Декабрь как всегда: вешаем гирлянды, покупаем подарки, готовим оливье, и, конечно же, даем себе обещания на новый год!

Мы решили немного помочь и собрали обещания, которые точно помогут в следующем году. А благодаря нашей новогодней магии они обязательно реализуются!

👉 сделай скрин
👉 поймай обещание
👉 забери его с собой в 2026

✨ Делитесь в комментариях своими обещаниями и пишите, собираетесь ли их выполнять!

💭Ну что ж, первая рабочая неделя года наступила!
Есть два типа людей: те, кто бодро «вкатился», и те, кто честно признаёт, что мозг ещё тяжело загружается после праздников.
Мы — где-то посередине и вспоминаем как писать посты.

Желаем всем энергии, сил и плавного возвращения в рабочий ритм✨

Делитесь в комментариях картинкой или мемом, который лучше всего отражает ваше настроение на эту неделю!

✨Запустили промо — вырос GMV. Совпадение или всё-таки эффект?

Разбираемся, что происходит на практике, в новой статье: Павел Иванов, маркетинговый аналитик, рассказывает, что такое «каузальные модели», как их проверять и можно ли доверять их оценкам.

👉 Подробности и разбор — читайте на Хабре!

🌍 «Где-то на вики было про это» или используем антидот в виде сниппетов

Когда нужная команда утонула в хорошей документации, тебе нужна всего одна строка, а вместо этого перед глазами двадцать экранов текста и статья, название которой ты уже не помнишь — то на помощь приходят сниппеты.

Дмитрий Рагулин, DevOps-инженер платформы (PaaS), делится практическим подходом, как вытаскивать такие фрагменты на поверхность и держать их под рукой без переписывания документации и новых инструментов.

Если у вас тоже есть «команда, которая точно где-то была», то переходите по ссылке и читайте советы!🏃

Как LLM чувствуют себя в поиске?

👉 Кажется, что поиск — это «нашёл → показал → купили».
Но если бы всё было так просто, у нас не было бы этого поста.

Предлагаем пройти небольшой квиз и попробовать угадать, какие особенности есть у поиска в Купер.тех на самом деле:

🟢Где LLM проще всего принимать решение?

- Исправление опечаток
- Проверка синонимов
- Разметка релевантности
- Комплементарные товары
(Подсказка: не всё, что кажется простым человеку, так же просто для модели)

Ответ: Валидация исправлений опечаток — лучший и самый стабильный кейс

🟢А где, наоборот, больше всего «серых зон» и субъективности?

- Оценка «почти подходит» vs «подходит»
- Различие похожих товаров
- Понимание пользовательского намерения
- Все варианты сразу

Ответ: Оценка «почти подходит» vs «подходит» (промежуточные классы)

🟢Как думаете, что сильнее всего повлияло на качество LLM-разметки?

- Качество промпта
- Формат данных
- Несколько моделей вместо одной
- Выбор схемы классов
- «Модель просто стала умнее»

Разобраться, что действительно сыграло ключевую роль, можно в новой статье Александра Баранова, аналитика данных в команде поиска Купера, где он подробно рассказывает, как LLM-разметка прошла путь от эксперимента до инструмента в проде.