Яндекс Go и Лавка: графовые нейросети и ML-прогнозирование управляют миллионами поездок и дарксторами
Глобальная ML-диспетчеризация и назначение следующей поездки до завершения текущей сократили холостой пробег водителей и среднее время подачи автомобиля на 15–22%, увеличив почасовую загрузку и заработок водителей без роста тарифа для пассажира.
| Компания и отрасль | Яндекс Go и Яндекс Лавка — Mobility & Q-Commerce |
|---|---|
| Стек моделей и ИИ | CatBoost · Graph Neural Networks (GNN) · Reinforcement Learning · Bipartite Matching · YTsaurus · Real-Time Geo Hexagons |
| Хронология внедрения | 2020–2022 — внедрение ML-автозаказа в Яндекс Лавке и графового прогноза ETA; 2023–2024 — RL-оценка ценности гексагонов города и динамический батчинг курьеров; 2025–2026 — мультимодальные и LLM-ассистенты поддержки водителей и курьеров. |
| Верификация | Проверено 2026-10 · 3 первоисточн. |
Контекст и масштаб бизнеса
Суперапп Яндекс Go объединяет райдтех (такси), экспресс-доставку продуктов за 15 минут (Яндекс Лавка), доставку еды из ресторанов (Яндекс Еда) и логистику в сотнях городов России и зарубежных рынков. Ежедневно платформа координирует миллионы поездок и заказов в условиях непрерывно меняющейся дорожной обстановки и погоды.
В быстрой доставке продуктов (Q-Commerce) из 500+ дарксторов маржинальность бизнеса напрямую зависит от двух показателей: точности прогноза спроса по каждой из 4 000+ товарных позиций (SKU) в конкретном районе и плотности батчинга (объединения попутных заказов курьера).
В такси ключевой рычаг эффективности — минимизация холостого пробега водителя (время и километры подачи до пассажира) и удержание баланса спроса и предложения в реальном времени по гексагональной сетке города.
Бизнес-проблема и узкие места
В классическом ритейле ошибка прогноза спроса на скоропортящиеся товары (молочная продукция, свежая выпечка, готовая еда, фрукты) ведёт либо к прямым списаниям (food waste), либо к пустым полкам (out-of-stock) в вечерний пик. Управлять заказами поставщикам вручную для сотен локальных дарксторов невозможно.
В диспетчеризации такси и курьеров «жадный» алгоритм (назначить ближайшего свободного исполнителя на текущий заказ) оказывается субоптимальным на горизонте даже 3–5 минут: он забирает единственного водителя из соседнего квартала, где через 30 секунд возникает всплеск заказов.
При этом время принятия решения диспетчером строго ограничено долями секунды, а граф дорожной сети мегаполиса меняет веса рёбер каждую минуту из-за светофоров, ДТП и осадков.
Архитектура и внедрение ИИ-решения
В Яндекс Go работает многоуровневый конвейер машинного обучения. Прогноз времени прибытия (ETA) строится на комбинации графовых нейросетей (GNN) поверх дорожного графа и градиентного бустинга CatBoost, учитывающего живые GPS-треки тысяч автомобилей в моменте.
Назначение заказов решается как задача глобальной двудольной оптимизации с горизонтом планирования: ML-модель оценивает не только текущее расстояние, но и ценность состояния (state value function из обучения с подкреплением / RL) клетки города, куда попадёт водитель после завершения поездки, а также вероятность попутного заказа (цепочки заказов в движении).
В Яндекс Лавке внедрена система автоматического автозаказа и управления запасами на базе CatBoost и глубинных моделей временных рядов. Модель ежедневно прогнозирует почасовой спрос по каждому связке «SKU × даркстор» с учётом погоды, праздников, локальных промоакций и сроков годности, автоматически формируя заявки распределительным центрам и поставщикам.
“«Оптимизация назначения в масштабе города — это игра в шахматы на несколько ходов вперёд: важно не просто отдать заказ ближайшей машине, а сохранить баланс парка во всех районах через 20 минут». — Команда технологий Яндекс Go
Измеримый результат и экономика
Глобальная ML-диспетчеризация и назначение следующей поездки до завершения текущей сократили холостой пробег водителей и среднее время подачи автомобиля на 15–22%, увеличив почасовую загрузку и заработок водителей без роста тарифа для пассажира.
В Яндекс Лавке алгоритмическое управление запасами и автозаказ позволили удерживать уровень списаний скоропортящихся продуктов ниже 1,5–2% от оборота — это в 2–3 раза лучше средних показателей традиционного продуктового ритейла при сохранении доставки за 15 минут.
Машинное батчирование курьерских доставок и оптимизация маршрутов внутри даркстора повысили среднее число заказов в час на одного курьера более чем на 25%.
Уроки для индустрии
Жадные алгоритмы проигрывают глобальной оптимизации с RL-оценкой будущей ценности локации, когда плотность заказов высока.
В Q-Commerce точность прогноза на уровне «даркстор × SKU × час» напрямую определяет, будет ли бизнес прибыльным.
Градиентный бустинг (CatBoost) в связке с графовыми эмбеддингами остаётся золотым стандартом для таблично-пространственных задач реального времени.
Цепочки заказов (назначение нового клиента за 2 минуты до высадки текущего) — один из самых дешёвых способов масштабировать ёмкость парка.
Верифицированные первоисточники
Вопросы и ответы по материалу
Почему в Лавке списания продуктов в разы ниже, чем в обычном супермаркете?
В дарксторе нет покупательского зала (товары не портятся на витринах), а ML-модель заказывает ровно тот объём на сутки, который будет куплен в радиусе 1,5 км с учётом погоды и дня недели, плюс включает автоматические вечерние скидки на позиции с истекающим сроком.
Как назначается водитель, который ещё не завершил предыдущую поездку?
Модель ETA точно знает точку и секунду высадки текущего пассажира и включает эту машину в пул кандидатов для заказов рядом с финишем, экономя минуты ожидания обоим клиентам.
Зачем в прогнозе времени в пути нужны графовые нейросети?
Затор на одном перекрёстке нелинейно перетекает на соседние улицы. GNN передаёт сигналы между соседними рёбрами графа дорог, улавливая волну пробки раньше, чем она зафиксируется обычной статистикой.
Внедрение ИИ, корпоративные воркшопы и AI-консалтинг
Экспертиза Жемала Хамидуна (hamidun.com) (CPO AlpinaGPT): аудит процессов, разработка AI-стратегии, кастомные RAG/агентные системы и обучение продуктовых команд.
Главное из мира ИИ — раз в неделю
7 ключевых событий недели, отобранных вручную. Без шума, репостов и пресс-релизов.
Готово! Проверьте почту — мы отправили подтверждение.