Giganci e-commerce coraz częściej Użyj sztucznej inteligencji Aby zasilać doświadczenia klientów, optymalizować ceny i usprawnić logistykę. Jednak ekspert w tej dziedzinie twierdzi, że skalowanie rozwiązań AI w celu obsługi ogromnej ilości danych i wymagań dużych platform w czasie rzeczywistym stanowi złożony zestaw wyzwań architektonicznych, zarządzania danymi i etycznymi.
Andrey KrotkikhSpecjalista ds. Uczenia maszynowego z doświadczeniem w Alixpress CIS podkreślił zawiłości wdrażania AI w dynamicznym środowisku e-commerce.
„Jednym z głównych wyzwań podczas skalowania jest wnioskowanie o modelach w czasie rzeczywistym”-powiedział Krotkikh. „Musisz dostarczyć użytkownikowi informacje w krótkim czasie bez uszczerbku dla użytkownika”.
Przywołał prognozę czasu dostawy jako przykład, w którym dane każdego użytkownika są unikalne i zależy od wielu czynników, wykluczających wstępne pobudzenie. Wymaga to solidnego projektu systemu, który uwzględnia gromadzenie danych, szkolenie modelu, wnioskowanie i adaptację do ewoluujących warunków.
„Aby stworzyć system, który jest testem czasu, konieczne jest jakościowe zebranie wszystkich informacji, które mogą wpływać na wnioskowanie modelu i zaprojektować projekt, w tym sposób, w jaki model zostanie przeszkolony, wywnioskowany i dostosowany do nowych warunków z powodu zmiany danych” – powiedział Krotkikh.
Podkreślił także znaczenie rozważenia przyszłych projektów i planów firmy, opowiadając się za prostymi, efektywnymi zasobami modeli w celu zminimalizowania potencjalnych strat ze zmiany priorytetów.
Zarządzanie danymi to kolejny krytyczny obszar. Krotkikh opisał typowy scenariusz, w którym dane są gromadzone w różnych domenach o różnych standardach, co prowadzi do niespójności i przestarzałych informacji.
„Zwykle sytuacja jest taka, że dane są gromadzone przez różne domeny na różne sposoby, a każdy ma inne umowy dotyczące konwencji nazewnictwa” – powiedział. „Do tego dodają problemy, że dane stają się przestarzałe, a sytuacja, w której dane przestały się aktualizować, jest dość powszechna”.
Zasugerował, że sklep z funkcjami może pomóc w zarządzaniu wstępnie przetworzonymi danymi i ułatwić wykorzystanie zespołu krzyżowego, podczas gdy scentralizowana domena hurtowni danych (DWH) może zjednoczyć przygotowanie danych i migrację.
„Po stronie danych jest to rozwiązywane poprzez scentralizowane przygotowanie danych za pomocą domeny DWH (Data Warehouse)”, powiedział Krotkikh. „Ten zespół przygotowuje tabele i pulpity nawigacyjne w jednolity sposób, inicjuje migrację danych i działa jako proaktywna strona w interakcji między zespołem.”
Wdrażanie zaawansowanych technik AI, takich jak Uczenie się wzmocnienia dla dynamicznych cen Systemy rekomendacji przedstawiają również wyzwania, szczególnie w dostosowaniu się do wymagań biznesowych.
„Ogólnie rzecz biorąc, problemy można podzielić na trzy części: wymagania biznesowe, szkolenie modelu i dane” – powiedział Krotkikh. „Najtrudniejsze problemy (z mojego doświadczenia) to rozważanie wymagań biznesowych i nauka dostosowywania się do nich”.
Podkreślił potrzebę rozważenia wpływu rozwiązań AI na inne produkty firmowe i zapewnić synergiczną współpracę między zespołami.
„Twój rozwój nie istnieje w izolacji, ale w ogólnej„ atmosferze ”produktów firmy i nie można myśleć, że nie wpływa on na inne produkty”, powiedział Krotkikh. „Dlatego przez większość czasu musisz pomyśleć o tym, jak potwierdzić brak wpływu twojego rozwiązania na inne produkty firmowe i jak zapewnić synergiczne prace nad projektem z innymi projektami”.
Rozważania etyczne są najważniejsze, szczególnie w odniesieniu do dyskryminacji cen. Krotkikh ostrzegł przed praktykami, które są zarówno nielegalne, jak i niesprawiedliwe dla użytkowników.
„Najważniejszym punktem, które wszystkie firmy powinny rozważyć, jest brak dyskryminacji cen wobec użytkowników” – powiedział. „Takie praktyki są karane w wielu krajach i ogólnie są niesprawiedliwe dla użytkowników”.
Zalecił proaktywne dyskusje między uczeniem maszynowym a zespołami biznesowymi w celu zapewnienia uczciwości i zapobiegania niezamierzonym konsekwencjom, takim jak zmiany cen podczas sprzedaży.
„ML i biznes powinny omówić te rzeczy z wyprzedzeniem, takie jak zapewnienie„ uczciwości ” – powiedział Krotkikh. „Jednym podobnym przykładem jest brak zmian cen podczas sprzedaży; ML może z jego strony przeanalizować, w jaki sposób najlepiej„ zaangażować ”model z takimi ograniczeniami, aby osiągnąć dobre wyniki dla całej sprzedaży”.
Ponieważ AI nadal przekształca e-commerce, firmy muszą poruszać się w tych wyzwaniach w celu budowania skalowalnych, niezawodnych i etycznych rozwiązań, które przynoszą korzyści zarówno firmom, jak i konsumentom. Poprzez priorytety jakości danych, solidność architektoniczną i względy etyczne, platformy e-commerce mogą wykorzystać pełny potencjał AI, jednocześnie ograniczając potencjalne ryzyko.
