Come Vinted usa l'IA per la ricerca e le raccomandazioni nella moda second-hand

Vinted, il marketplace di moda di seconda mano, usa il machine learning soprattutto per aiutare gli acquirenti a trovare articoli unici in un catalogo enorme e in continua evoluzione. I suoi ingegneri hanno pubblicato come funzionano in produzione il recupero denso (basato su embedding), il completamento automatico personalizzato e un sistema di raccomandazione a due torri. Le evidenze pubblicate sono solide su ricerca e raccomandazioni e mute su indicazioni di prezzo e fiducia, che questo articolo non tratta.

Perché la ricerca è un problema difficile per l'IA in un marketplace di seconda mano?

Un retailer tradizionale vende codici articolo ripetuti con attributi puliti. Un marketplace peer-to-peer elenca articoli esistenti in un solo esemplare, descritti dai venditori in molte lingue e fotografati in modi molto diversi. In cataloghi di questo tipo la ricerca per parole chiave spesso non restituisce nulla, il che gli ingegneri di Vinted hanno definito un'opportunità commerciale mancata nel resoconto sul recupero denso.

La scala aumenta la difficoltà. A gennaio 2025 Vinted ha riferito che il proprio indice aveva superato un miliardo di documenti ricercabili l'11 novembre 2024, contro circa 100 milioni alla fine del 2019, con una latenza media a livello di dati inferiore a 20 millisecondi. In precedenza aveva spostato il motore di ricerca da Elasticsearch a Vespa, una piattaforma che combina ricerca, recupero vettoriale e ranking con machine learning.

Come usa Vinted il recupero denso per trovare gli articoli?

Il recupero denso è nato come esperimento durante degli hackathon nel 2022. È stato usato dapprima per riempire le sessioni con pochi risultati e, dalla primavera 2024, esteso a tutte le sessioni dopo circa 50 test A/B. Il modello colloca query e articoli in uno spazio condiviso a 256 dimensioni. La torre della query è un modello CLIP multilingue congelato con una testa di proiezione addestrata. La torre dell'articolo combina embedding categoriali, come marca e categoria, con l'embedding dell'immagine principale del prodotto.

Il team ha riferito che decuplicare i dati di addestramento, fino a oltre 100 milioni di coppie positive, ha migliorato i risultati e che il calcolo degli embedding delle immagini per tutti gli articoli ha richiesto circa un mese. Segnala inoltre un tasso di errore inferiore allo 0,02 per cento. Gli ingegneri sono schietti sul costo: mantenere coerenti numero di risultati, filtri e ordinamenti ha aggiunto una notevole complessità che sperano di ridurre in futuro.

Leggi anche

Come American Eagle Outfitters posiziona l'IA: l'impegno di Aerie contro i corpi generati

Come funziona il completamento automatico personalizzato?

Ad aprile 2026 Vinted ha descritto una pipeline che genera circa 125 milioni di query candidate in 24 lingue. I candidati provengono da metadati dei prodotti e log di ricerca e vengono rigenerati due volte a settimana. Sono valutati su misure come tasso di vendita, volume di vendite e tasso di clic sui suggerimenti, con un filtro di diversità che mantiene visibili i suggerimenti più recenti e di nicchia.

Un modello di ranking LightGBM riordina poi le prime 20 corrispondenze esatte del prefisso con 63 caratteristiche relative a query, popolarità, comportamento dell'utente e contesto. Il servizio gestisce 4.700 query al secondo con una latenza P99 di 31 millisecondi. Vinted riferisce che l'intero sistema di suggerimenti ha aumentato il tasso di clic sui suggerimenti di circa il 49 per cento e le transazioni di ricerca di circa lo 0,8 per cento negli esperimenti a breve termine, e che il livello di personalizzazione ha aggiunto circa l'8 per cento di clic in più.

Come genera Vinted le raccomandazioni?

Il sistema di raccomandazione della homepage di Vinted ha tre stadi. Il primo recupera i candidati con una ricerca approssimata dei vicini più prossimi. Un modello a due torri sviluppato internamente codifica da un lato gli annunci (marca, prezzo, taglia e foto) e dall'altro la sequenza di clic, preferiti e acquisti dell'utente; la distanza tra i due embedding funge da punteggio di rilevanza.

Un esperimento merita attenzione. La ricerca approssimata aveva un recall di circa il 60-70 per cento rispetto alla ricerca esatta, eppure gli utenti non se ne sono accorti. Quando il team ha provato la ricerca esatta sulla metà degli utenti, la latenza è salita di circa il 40 per cento e la soddisfazione non è migliorata abbastanza da giustificarla, quindi è rimasta la ricerca approssimata.

Che cosa ha imparato Vinted e che cosa resta non dimostrato?

Emergono tre lezioni. La prima: il team ha misurato risultati di business come le transazioni e il valore lordo della merce degli acquirenti, non solo il tasso di clic, e con questa disciplina ha scartato i suggerimenti con ambito: i clic crescevano di circa il 2,4 per cento, ma gli utenti erano circa l'1,3 per cento meno propensi ad acquistare nella stessa sessione. La seconda: i budget di latenza hanno orientato le scelte di modello, perché le query native per prefisso, con circa 220 millisecondi di P99, erano troppo lente per il completamento automatico. La terza: gran parte del lavoro è infrastruttura, non modellazione.

• I risultati sono dichiarati da Vinted, derivano dai suoi esperimenti e sono per lo più di breve termine.
• Il materiale pubblicato non copre suggerimento del prezzo, frodi né modelli di trust and safety.
• La generazione di suggerimenti con modelli linguistici di grandi dimensioni è indicata come passo successivo, vincolato da un budget di latenza di 100 millisecondi.

Come deve misurare un marketplace se l'IA nella ricerca funziona?

I post di Vinted offrono un modello utile. Il team ha condotto circa 50 test A/B prima di attivare completamente il recupero denso, ha riportato i risultati con i livelli di significatività ed ha esaminato effetti collaterali come latenza, coerenza dei risultati e acquisti nella stessa sessione. Una funzione che aumentava i clic ma riduceva gli acquisti non è stata rilasciata. I team che giudicano le modifiche alla ricerca solo sui clic rischiano di ottimizzare per la curiosità invece che per il commercio.

1. Definire prima il risultato di business, per esempio le transazioni per utente attivo o il valore lordo della merce degli acquirenti.
2. Condurre esperimenti controllati su una quota di utenti prima del rilascio.
3. Monitorare la latenza in coda (P99), perché i suggerimenti lenti vengono ignorati.
4. Verificare gli effetti di coerenza, come il numero di risultati che cambia quando si applica un filtro.
5. Confrontare i guadagni a breve termine con il comportamento di lungo periodo prima di dichiarare un successo.

Gli stessi post mostrano anche i limiti dei risultati autodichiarati. La maggior parte delle cifre proviene da esperimenti a breve termine condotti da Vinted, non è sottoposta ad audit indipendente e descrive una sola piattaforma con il proprio catalogo e i propri utenti. Un retailer di moda con un catalogo standard otterrebbe effetti diversi.

Leggi anche

Come usa l'IA ASOS? Suggerimenti di outfit, AI Stylist e ChatGPT

Che cosa possono trarne gli altri marketplace di moda?

I marketplace con inventario unico traggono vantaggio dagli embedding perché la corrispondenza esatta delle parole chiave fallisce quando gli annunci sono scarni e multilingue. I prerequisiti sono dati categoriali puliti, buone fotografie, log di ricerca e una cultura dei test A/B capace di scartare funzioni che sembrano buone sui clic. Le piattaforme più piccole devono tenere presente che i risultati di Vinted derivano da anni di ingegneria incrementale su una piattaforma costruita a tale scopo, non da un singolo modello.

Secondo notizie di settore dell'agosto 2024, Vinted ha inoltre collaborato con un fornitore esterno di tecnologia pubblicitaria per mostrare offerte personalizzate dopo l'acquisto, il che dimostra che l'IA in un marketplace va oltre la ricerca e arriva alla monetizzazione. I dettagli pubblici in merito sono limitati.