Как AI управляет рекомендациями слотов

Введение: рекомендации = уместность + забота

Задача рекомендаций слотов — снизить трение выбора, помочь игроку быстро попасть в «первый опыт» и не выгорать в бесконечной ленте. При этом AI не меняет математику игр и не «подкручивает» RTP: он выбирает порядок показа и объясняет, почему именно эти карточки сейчас уместны. Вшитые RG-guardrails защищают от перегрева, а прозрачность повышает доверие.

1) Сигналы: что видит рекомендательная система

Контекст сессии: устройство, сеть, ориентация, язык, локаль времени.

Поведение: TTFP (время до первого значимого события), глубина пути, длительность сессий, скорость/ритм действий.

История контента: сыгранные провайдеры, темы (фрукты/мифология/стимпанк), механики (Megaways/cluster), реакция на волатильность.

Платёжный контекст (агрегаты): успешность депозитов/выводов, типичные суммы, предпочтительные методы и их ETA.

Сигналы качества опыта: частота возврата к титулам, прерывания, ошибки загрузки, отказы провайдеров.

RG/этика (агрегаты): ночные марафоны, отмены выводов — эти сигналы не продают, а переключают режимы заботы.

Принципы: минимизация PII, чёткие согласия, локальная/федеративная обработка, токенизация.

2) Фичи: смысл поверх событий

Эмбеддинги игр: темы, механики, студии, темп событий → вектор игры.

Эмбеддинги игроков: вкусы по темам/ритму/волатильности, толерантность к длине серии без выигрыша (по агрегатам).

Co-play и co-view сигналы: «игры, которые часто соседствуют в сессиях».

Quality фичи: вероятность быстрой загрузки, стабильный FPS, доступность мобильных жестов.

Сценарные маркеры: «новичок», «возвращение», «перерыв», «намерение вывести».

Fairness фичи: контроль переэкспонирования топ-титулов и поддержка «длинного хвоста».

3) Модельный стек рекомендаций

Candidate Generation (recall): lightFM/ANN по эмбеддингам, ближайшие игры + популярность в сегменте.

Learning-to-Rank (LTR): бустинги/нейронные ранкеры с мультицелевой функцией (кликабельность, быстрый первый опыт, возвраты) и штрафами за перегрев/ошибки загрузки.

Sequence-модели: Transformer/RNN предсказывает следующий уместный шаг по траектории сессии.

Uplift-модели: кому персональный блок реально поможет (vs контроль), а кому лучше «фокус-режим».

Контекстные бандиты: быстрый онлайн-перебор порядков в рамках guard-метрик.

Калибровка вероятностей: Platt/Isotonic, чтобы уверенность моделей совпадала с реальностью на новых рынках.

Exploration-policy: ε-greedy/Thompson с fairness-ограничениями и частотными капами.

4) Оркестратор витрины: правила «зел./жёлт./красн.»

Зелёный: низкий риск, высокая уверенность → персональная полка, «быстрый старт», тематические подборки.

Жёлтый: неопределённость/слабая сеть → упрощённый лэйаут, лёгкие игры, меньше медиа.

Красный (RG/комплаенс): признаки перегрева/вывод → выключаем промо, включаем «тихий режим», показываем гайды по лимитам и статусы выплат.

Каждый слот получает score карточки: `relevance × quality × fairness × RG-mask`.

5) Контент-стратегия карточек

Один экран — все правила оффера (если есть): ставка/срок/отыгрыш/кап, без «мелкого шрифта».

Пояснение «почему рекомендовано»: «игры похожи на X по теме/темпу» или «быстрый старт на вашей сети».

Индикаторы качества: «мгновенная загрузка», «поддержка одной руки», «низкое потребление трафика».

Диверсификация: микс знакомого и нового (серендипити), квоты студий/тем для здоровой экосистемы.

6) Что не делает рекомендация

Не меняет RTP/таблицы выплат и не предсказывает исходы.

Не давит FOMO-таймерами и «тёмными паттернами».

Не показывает промо при RG-сигналах или в потоке вывода средств.

Не персонализирует юридически значимый текст и правила.

7) Приватность, fairness и комплаенс

Согласия по слоям: персонализация витрины ≠ маркетинговые рассылки.

Минимизация и локализация данных, короткий TTL, доступ по наименьшим правам.

Fairness-контроли: нет систематической дискриминации по устройствам/языкам/регионам; аудит экспозиции студий/тем.

Policy-as-Code: юрисдикции, возраст, допустимые формулировки и бонус-лимиты → в коде оркестратора.

8) Метрики, которые имеют смысл

UX-скорость: TTFP, доля «одно действие — одно решение».

Качество подбора: CTR@k, «возвраты к титулам», Depth-per-Session, доля завершённых «первых опытов».

Стабильность: p95 времени загрузки игры, error-rate провайдеров, доля авто-ретраев.

Uplift: инкремент удержания/возвратов vs контроль; share подсказок, реально помогших.

RG/этика: добровольные лимиты/паузы, снижение ночных перегревов, ноль обоснованных жалоб.

Fairness/экосистема: разнообразие экспозиции (Gini/Entropy), «длинный хвост» в топ-витрине.

9) Референс-архитектура

Event Bus → Feature Store (online/offline) → Candidate Gen (ANN/эмбеддинги) → Ranker (LTR/seq/uplift + calibration) → Policy Engine (зел./жёлт./красн., fairness, комплаенс) → UI Runtime (полки/карточки/объяснения) → XAI & Audit → Experimentation (A/B/бандиты/geo-lift) → Analytics (KPI/RG/Fairness/Perf)

Параллельно: Content Catalog (метаданные игр), Quality Service (загрузка/ошибки), Privacy Hub (согласия/TTL), Design System (A11y-токены).

10) Операционные сценарии

Новый пользователь на слабой сети: recall по лёгким играм, LTR отдаёт «быстрый старт», объяснение «под вашу сеть», медиа урезаны.

Возврат после паузы: полка «вернуться к понравившимся» + 1–2 новые темы, бандит решает порядок.

В намерении «вывод»: промо скрыто; показывается платёжный мастер, статусы «мгновенно/проверка/ручная верификация», гайд «как ускорить».

Сбой у провайдера: quality-score падает → оркестратор замещает тайтлы и помечает причину в XAI-подсказке.

11) A/B и «бережные» бандиты

Guard-метрики: ошибки/жалобы/RG-сигналы — при деградации автоматический откат.

A/A и теневые выкатки: проверка стабильности до включения.

Uplift-эксперименты: меряем инкремент, а не только CTR.

Каппинг вмешательств: N адаптаций за сессию, понятный «откат к дефолту».

12) MLOps/эксплуатация

Версионирование датасетов/фич/моделей/порогов; полный lineage и воспроизводимость.

Мониторинг дрифта вкусов/каналов/устройств; автокалибровка.

Быстрый rollback по фич-флагам; песочницы для регулятора и внутренних аудитов.

Наборы тестов: перфоманс (LCP/INP), A11y (контраст/фокус), комплаенс (запретные формулировки).

13) Дорожная карта внедрения (8–12 недель → MVP; 4–6 месяцев → зрелость)

Недели 1–2: событийнй словарь, каталог игр, согласия/Privacy Hub, базовый recall.

Недели 3–4: LTR v1 с quality-факторами, режим «быстрый старт», XAI-объяснения.

Недели 5–6: seq-модели траекторий, бандиты, fairness-квоты, policy-as-code.

Недели 7–8: uplift-модели, RG-guardrails, перф-оптимизация, теневые выкатки.

Месяцы 3–6: федеративная обработка, автокалибровка, масштабирование по рынкам, регуляторные песочницы.

14) Частые ошибки и как их избежать

Оптимизировать только CTR. Многокритериальный рангер + uplift/TTFP.

Навязчивые промо. Каппинг и «тихий режим» при RG-сигналах.

Игнор качества загрузки. Quality-score в ранжировании обязателен.

Нет объяснимости. Показывайте «почему рекомендовано» и простые способы отключить персонализацию.

Хрупкие релизы. Фич-флаги, A/A, быстрый откат — иначе «роняем» воронку.

AI-рекомендации слотов — это система уместности: чистые сигналы, калиброванные модели, правила заботы и прозрачные объяснения. Такой контур ускоряет первый опыт, бережёт внимание, поддерживает экосистему контента и повышает доверие. Формула: данные → rank/seq/uplift → policy-engine → объяснимый UI. Тогда лента ощущается «вашей», а продукт — честным и быстрым.