JD Oxygen AI Item Center (Oxygen AIIC) v1: промышленная LLM/VLM-платформа для товарных данных JD.com
JD.com, один из крупнейших в мире маркетплейсов с более чем 700 млн активных пользователей, миллионами продавцов и каталогом из десятков миллиардов SKU (товарных позиций). При таком масштабе качественные структурированные знания о товарах напрямую влияют на удобство покупателей, издержки на управление ассортиментом и операционную эффективность. Но получить и поддерживать такие знания сложно из-за трёх проблем: постоянно появляющихся новых понятий и категорий, необходимости производить знания высокого качества для миллиардов SKU и разнородных требований разных внутренних сервисов.
Команда JD представила Oxygen AI Item Center (Oxygen AIIC), промышленную платформу на основе больших языковых моделей (LLM) и мультимодальных моделей (VLM) для производства и обслуживания товарных знаний. Платформа строится на четырёх компонентах: (1) инженерия онтологии через эффективное взаимодействие людей и ИИ, она поддерживает динамическое развитие и гибкое расширение онтологии из миллионов элементов; (2) архитектура «Semantic Search then Discrimination» (S2D, «семантический поиск с последующей верификацией») в сочетании с методами повышения пропускной способности, она обеспечивает масштабируемое и высокопроизводительное производство базы знаний о товарах для десятков миллиардов SKU; (3) самообучающиеся LLM/VLM для понимания товаров, которые улучшаются стабильно и управляемо, достигая точности 94,2% и полноты 82,8% при производстве знаний; (4) единый конвейер данных о товарах (item tunnel), выступающий хабом данных и сервисов.
Oxygen AIIC охватывает десятки тысяч категорий товаров JD и обрабатывает сотни миллионов обновлений товарных позиций в день, работая на нейропроцессорах Huawei Ascend. Платформа накопила сотни миллиардов единиц товарных знаний. Она развёрнута в ключевых бизнес-сценариях JD, поиске, рекомендациях, операционном управлении и планировании категорий, и, по данным авторов, дала измеримый эффект: покрытие поискового трафика достигло 80,4%, число проблем с качеством товарной информации снизилось на 37%, а доля автоматического заполнения ключевых атрибутов при добавлении товара в каталог превысила 80%.
Ключевые факты
- JD.com описала Oxygen AIIC, промышленную платформу на LLM/VLM для производства и обслуживания знаний о товарах в каталоге из десятков миллиардов SKU.
- Платформа строится на четырёх компонентах: онтология через человеко-ИИ-взаимодействие, архитектура S2D для производства знаний, самообучающиеся LLM/VLM (точность 94,2%, полнота 82,8%) и единый конвейер данных о товарах.
- Работает на нейропроцессорах Huawei Ascend, покрывает десятки тысяч категорий JD и обрабатывает сотни миллионов обновлений товаров в день.
- По заявленным результатам внедрения: покрытие поискового трафика 80,4%, снижение проблем с качеством товарной информации на 37%, автозаполнение ключевых атрибутов товара при листинге, более 80%.
Почему это важно
Масштаб JD.com, десятки миллиардов SKU и сотни миллионов ежедневных обновлений, делает ручное поддержание товарных знаний невозможным. Ассортимент и понятия о товарах постоянно меняются, поэтому нужна система, которая производит точные структурированные знания автоматически и в промышленных объёмах, а не просто демонстрирует технику на бенчмарке.
Кому это важно
Крупным маркетплейсам и ритейлерам с большими и быстро меняющимися каталогами, командам поиска, рекомендаций и категорийного планирования внутри таких компаний, а также разработчикам LLM/VLM-систем, которым нужны примеры промышленного (не исследовательского) применения моделей на реальных объёмах данных.
Как это применить
Архитектура из четырёх слоёв: динамическая онтология, которую совместно развивают люди и ИИ; конвейер «сначала семантический поиск, потом верификация» (S2D) для производства знаний с высокой пропускной способностью; самообучающиеся модели понимания товаров, которые повышают точность управляемо и стабильно; и единый информационный конвейер (item tunnel), объединяющий данные и сервисы для разных потребителей внутри компании. Инфраструктурно всё работает на нейропроцессорах Huawei Ascend.
Можно ли доверять
Все цифры, точность 94,2%, полнота 82,8%, покрытие поискового трафика 80,4%, снижение проблем с качеством на 37%, автозаполнение атрибутов свыше 80%, это самоотчёт JD в статье на HuggingFace Papers, независимой проверки нет. Описание выглядит как реальный промышленный кейс (конкретная инфраструктура, конкретные метрики, конкретные бизнес-сценарии), но перепроверить заявленные результаты по открытым источникам нельзя.
Риски и подводные камни
Как и любой самоотчёт компании о собственной системе, метрики могут быть представлены в выгодном свете, а детали неудач, ограничений моделей или стоимости поддержания системы в статье не раскрываются. Платформа завязана на конкретную инфраструктуру (нейропроцессоры Huawei Ascend) и внутренние процессы JD, что ограничивает прямую переносимость подхода на другие компании и другое оборудование.