В данном разделе мы собрали наиболее значимые новости, которые вошли в «часть 03080» нашего новостного дайджеста. Информация охватывает как бизнес‑события, так и достижения в области искусственного интеллекта и поисковых технологий.
Расширение Uber Eats: новые партнёры и география
24 июня 2026 г. компания Uber Technologies, Inc. (NYSE: UBER) объявила о подключении нескольких новых ритейлеров к платформе Uber Eats. Среди них:
- Kiehls – премиальная косметика;
- FedEx Office – услуги печати и доставки документов;
- Blick Art Materials – товары для художников;
- Academy Sports & Outdoors – спортивное снаряжение;
- Choice Pet – корма и аксессуары для домашних животных.
Это расширение увеличивает ассортимент товаров, доступных для заказа «на‑дому», и делает сервис более универсальным. По данным компании, на сегодняшний день Uber Eats работает в более чем 6 000 городах across 45 стран, и количество партнёров продолжает расти.
Для пользователей, желающих проверить доступность сервиса в своём регионе, рекомендуется:
- Открыть приложение Uber Eats или посетить сайт
ubereats.com; - Ввести свой точный адрес доставки;
- Ознакомиться со списком доступных ресторанов и ритейлеров в окне «Близко ко мне».
Технологии поиска: векторные базы и методы расширения запросов
В последние месяцы в области исследований активно обсуждаются подходы, которые повышают точность семантического поиска. Ниже – краткий обзор двух самых перспективных техник:
HyDE (Hypothetical Document Embeddings)
Метод HyDE генерирует гипотетический ответ на пользовательский запрос с помощью большой языковой модели (LLM). Полученный текст преобразуется в вектор‑эмбеддинг, который затем используется для поиска в векторной базе данных. Этот подход позволяет «смягчить» семантический разрыв между коротким запросом и длинными документами, улучшая показатели recall на 14‑37 % в тестовых наборах.
Query2Doc
В отличие от HyDE, Query2Doc напрямую преобразует исходный запрос в расширенный документ, добавляя контекстуальные термины и синонимы, выбранные LLM. Полученный «документ» также эмбеддится и сравнивается с векторными представлениями фрагментов корпуса. Эксперименты показывают сопоставимый рост точности поиска, а иногда и превосходство над HyDE при работе с очень специфическими запросами.
Оба метода часто комбинируются с традиционным BM25 или TF‑IDF в гибридных схемах, где сначала выполняется лексический фильтр, а затем – семантический rerank на основе эмбеддингов.
Практические рекомендации по построению семантического поиска
Если вы планируете внедрить подобную систему в своём продукте, учтите следующие шаги:
- Чанкование текста: разбейте документы на фрагменты по ~20 предложений. Для сохранения контекста используйте скользящее окно (sliding window) с overlap ≈ 5 предложений.
- Эмбеддинги: применяйте модель OpenAI text‑embedding‑3‑large (или её эквивалент) для получения 1536‑мерных векторов каждого чанка.
- Индексация: загрузите векторы в векторную базу (например, FAISS, Annoy, Milvus или Pinecone) для быстрого приближённого поиска ближайших соседей.
- Обработка запроса: при получении запроса от пользователя:
- Эмбеддинг запроса;
- Поиск топ‑K (обычно K = 10) ближайших чанков;
- Опционально – применение HyDE/Query2Doc для переформулировки запроса перед поиском;
- Передача найденных фрагментов в LLM (например, GPT‑4) для генерации окончательного ответа.
- Оценка качества: используйте метрики MRR, Recall@K и NDCG, а также проводите A/B‑тесты с реальными пользователями.
Часть 03080 новостей демонстрирует, как быстро развиваются как коммерческие сервисы (Uber Eats), так и технологии информационного поиска. Расширение партнёрской сети Uber Eats делает платформу более привлекательной для широкой аудитории, а внедрение методов HyDE и Query2Doc открывает новые возможности для повышения релевантности поисковых результатов. Сочетание этих двух трендов – рост сервисов on‑demand и улучшение семантического поиска – формирует основу для следующего поколения умных ассистентов и рекомендательных систем.
Следите за нашими обновлениями – в следующих выпусках мы расскажем о новых кейсах использования векторных баз в здравоохранении, образовании и финансах.