Инженерная команда DoorDash опубликовала разбор того, как они обогащают метаданные для миллионов позиций меню без ручного труда и без ставки на одну языковую модель. Ключевой паттерн — LLM-жюри: несколько моделей независимо классифицируют каждый объект, итог формируется через консенсус. Дополнительно — оптимизация контекста и мультимодальный ввод: изображение блюда передаётся вместе с текстом.
Контекст
DoorDash — крупный американский маркетплейс доставки еды. В каталоге сотни тысяч ресторанов и многие миллионы позиций. Каждая позиция должна быть правильно размечена: тип кухни, диетические теги, аллергены, вкусовые категории. Без точных метаданных поиск не работает, персонализация не работает, конверсия падает. Ручная разметка такого объёма нереальна по затратам; автоматическая через одну LLM — нестабильна. Разные модели ошибаются на разных типах блюд: смешанные кухни, нестандартные названия, региональные термины создают слепые пятна у любого одиночного оракула.
Отсюда идея жюри. Этот принцип давно применяется в классическом ML: ансамбль моделей компенсирует ошибки друг друга. Теперь тот же принцип перенесён на уровень LLM-инференса — несколько вызовов (разные модели или разные промпты) голосуют по каждому объекту, итоговый тег берётся через majority vote или взвешенное голосование. Объекты с низким согласием жюри автоматически попадают на ручную проверку.
Второй кит подхода — контекстная оптимизация. Промпт для каждого блюда формируется не просто из названия, а из всего доступного контекста: описание в меню, фотография, категория ресторана, ценовой сегмент. Мультимодальный ввод позволяет ИИ видеть блюдо, а не только читать его название — это критично для визуально различимых позиций, где текст неинформативен.
Аналитика
LLM-жюри — инженерная необходимость при промышленном масштабе, а не академическая игрушка. Отдельная языковая модель, пусть и сильная, имеет зоны нестабильности: культурно специфичные блюда, омонимы (один термин — разные блюда в разных кухнях), плохо заполненные меню. Жюри нивелирует эти зоны: если большинство моделей согласно — вероятность ошибки резко падает. При этом стоимость дополнительных вызовов через Haiku или аналогичные лёгкие модели невысока, а выигрыш в точности — измерим.
Важнее другое: DoorDash демонстрирует архитектурный паттерн, воспроизводимый в любом продукте с большим неструктурированным каталогом. Интернет-магазины, агрегаторы недвижимости, маркетплейсы медицинских услуг, HR-платформы — везде одна и та же задача: автоматически присваивать теги и атрибуты миллионам объектов с приемлемой точностью. Мультиагентный консенсус — один из системных ответов, который уже работает в проде у компании топ-уровня.
Это также отражает более широкий сдвиг: AI-first компании перестают воспринимать LLM как монолитный оракул. Архитектура смещается к специализированным агентам с координацией, перекрёстными проверками и голосованием. То, что сегодня описывает DoorDash для пищевых тегов, завтра применяется к контентной модерации, юридической классификации, финансовому скорингу.
Кейсы применения в бизнесе
B2B-SaaS стартап с каталогом продуктов. Если ваш продукт — маркетплейс или база данных с тысячами позиций, постройте мини-жюри из 3 вызовов к Claude Sonnet с разными температурами или формулировками промпта. Агрегируйте через majority vote. Стоимость одного «голосования» — копейки, точность растёт заметно по сравнению с одиночным вызовом. Начать реально с 200–300 тестовых объектов за день.
Корпорация с legacy-каталогом. Старые ERP-системы хранят тысячи SKU без нормальной классификации. Вместо ручной переразметки — прогнать через мультимодальное жюри: фото товара плюс описание плюс категория и ценовой сегмент как контекст. Результат — структурированные метаданные, пригодные для современного поиска и рекомендательных систем.
SMB / локальный бизнес в КР и СНГ. Служба доставки еды в Бишкеке или небольшой интернет-магазин может применить упрощённую версию: мультимодальная модель анализирует фото позиции и её название, возвращает теги (категория, состав, ограничения). Интеграция через n8n или простой Python-скрипт — реально за один рабочий день без ML-команды.
Кейсы в личной жизни
Разработчик / ML-инженер. Используй паттерн жюри для задач классификации. Три промпта к одной модели с разными формулировками плюс majority vote часто дают точность, сопоставимую с файн-тюнингом, но без его затрат. Попробуй на любом датасете с метками — разница видна сразу на неоднозначных примерах.
Контент-мейкер. При работе с большим архивом видео или статей (тегирование, категоризация, SEO-описания) — прогони материал через две-три разных инструкции и выбери результат по консенсусу или лучшему варианту. Качество тегов растёт, ручной работы меньше.
Студент или исследователь. LLM-жюри — готовая тема для курсовой по NLP. Собери датасет, прогони через несколько промптов, посчитай Agreement Rate и итоговую точность vs. одиночная модель. Воспроизводимый эксперимент с чётким результатом и реальным практическим применением.
Как применить сегодня
- Определи задачу классификации у себя: теги, категории, атрибуты — любой каталог с неструктурированными данными подходит как точка старта.
- Напиши 3 варианта промпта с разными инструкциями для одной задачи → прогони через Claude Haiku или Sonnet → агрегируй через majority vote.
- Добавь изображение как контекст: современные мультимодальные модели принимают base64-изображения в API-вызове — это даёт отдельный сигнал помимо текста и повышает точность на визуально различимых объектах.
- Настрой трекинг несогласий жюри: объекты, где модели разошлись, — кандидаты для ручной проверки или улучшения промпта. Это и есть твоя точка роста качества.
- Масштабируй постепенно: сначала 500 объектов с проверкой точности по эталону, только потом запускай на полном объёме.