Simplificando o inside do produto com IA generativa

O registro de novos produtos pode ser um processo complexo e demorado para fornecedores e varejistas. Os varejistas costumam relatar problemas com informações de produtos incompletas, imprecisas ou de baixa qualidade, o que dificulta o processo de integração. Os fornecedores, por outro lado, geralmente se sentem sobrecarregados por pedidos redundantes ou sobrepostos de informações e lutas para fornecer os detalhes extensos exigidos por seus parceiros de varejo. Com o número de produtos disponíveis, especialmente em websites on -line, expandindo continuamente, a necessidade de melhorar esse processo para ambas as partes está crescendo apenas e, através do uso de IA generativa, podemos fazer exatamente isso.

Usando a IA generativa para enfrentar desafios comuns de dados do produto

Como podemos abordar essa oportunidade depende dos desafios específicos que enfrentamos durante a integração do produto. No mínimo, podemos inspecionar vários elementos, como nomes e descrições de produtos e pedir a um modelo de IA generativo se esses detalhes forem consistentes e, se não, por quê. Também podemos procurar problemas comuns, como a inclusão de palavras, abreviações e especificações técnicas que pertencem a outras seções e pedem ao modelo para limpá -las para nós (Figura 1).

Figura 1. A descrição de um produto de amostra antes e depois do modelo de instrução LLAMA 3.1 8B foi solicitado a tornar o texto mais acessível.

Levando as coisas um passo adiante, podemos solicitar um modelo para examinar as imagens associadas a um produto e extrair uma descrição de um merchandise com a qual podemos comparar outros elementos para verificar novamente a consistência (Figura 2).

Figura 2. A imagem de um produto e uma descrição extraída usando o modelo de visão LLAMA 2.3 11B.

Para ajudar nas pesquisas, podemos pedir ao modelo que use o fornecido e as descrições extraídas (e metadados relacionados) para sugerir palavras -chave e termos de pesquisa (Figura 3).

Figura 3. Termos de pesquisa gerados para a grade descrita nas Figuras 1 e 2 usando o modelo LLAMA 3.1 8B Instruct.

Também podemos pedir ao modelo para determinar as principais propriedades da imagem, como a primária do merchandise e usar essas informações para abordar quaisquer detalhes que um fornecedor possa não ter fornecido durante o registro (Figura 4).

Figura 4. A imagem de um produto e a cor principal, conforme determinado usando o modelo de visão LLAMA 2.3 11B.

Um dos principais desafios ao usar esses modelos, essas maneiras é que as saídas nem sempre podem estar em conformidade com as restrições que podemos definir para um campo. Por exemplo, podemos extrair um valor de prata para a cor primária de um aparelho quando exigimos que a cor alinhe com as opções suportadas de cinza ou metálico. Nesses cenários, podemos fornecer ao modelo uma lista de opções aceitáveis ​​e solicitar que ele limite sua resposta ao melhor alinhado com o merchandise que está sendo inspecionado.

Ainda outra abordagem pode ser usar várias propriedades para realizar uma pesquisa semântica, uma técnica generativa de IA em que em texto ou imagens são convertidas em índices numéricos, onde itens conceitualmente semelhantes tendem a ser posicionados próximos um do outro. Usando essa técnica com um conjunto pré-aprovado de detalhes de itens de alta qualidade, podemos identificar itens intimamente relacionados e recuperar propriedades relevantes, como sua posição em uma hierarquia de produtos, a partir deles.

Armado com uma ampla gama de abordagens, temos opções a fazer sobre como estruturaremos o aplicativo também. Nas implementações iniciais, estamos vendo organizações implementar processos em lote, validando e corrigindo as entradas de dados após a submissão do fornecedor, para que os procedimentos existentes de integração de produtos não sejam interrompidos. Depois que os avisos e modelos são adequadamente ajustados para fornecer resultados confiáveis, geralmente vemos interesse em avançar para o desenvolvimento de novos aplicativos de integração, onde a IA generativa é empregada no momento da entrada de dados, identificando problemas à medida que emergem e solicitando aos fornecedores alternativas sugeridas. Ambas as abordagens podem ser eficazes, mas diferem em termos do gerenciamento de mudanças envolvidas.

Empregando a plataforma Databricks para construir a solução

Seja em lote ou em tempo actual, a implementação desses fluxos de trabalho generativos de IA é simplificada pela plataforma de inteligência de dados Databricks. Com suporte para uma ampla variedade de formatos de dados, os bancos de dados podem processar as entradas de dados estruturadas e não estruturadas com facilidade. Devido à sua natureza aberta, a plataforma suporta uma ampla gama de modelos de IA generativos, muitos dos quais são os mais populares pré-integrado Para acesso mais fácil. Tecnologias periféricas como um loja de vetoresum banco de dados especializado que habilita a pesquisa semântica, também é pré-integrado, simplificando a implementação.

Em relação ao aplicativo a ser construído, o Databricks também fornece suporte para lote e em tempo actual fluxos de trabalho permitindo que os dados sejam processados ​​nos bastidores à medida que novas informações chegam. Para os casos em que um aplicativo interativo e voltado para o usuário é preferido, o integrado Recursos de aplicação da plataforma simplifica a construção e implantação de soluções escaláveis ​​e integradas para o público interno e externo.

A amplitude dos recursos na plataforma de inteligência de dados Databricks permite que as organizações que desejam criar soluções de integração de produtos para se concentrar nos detalhes do que desejam permitir e não como eles podem reunir as peças necessárias para construí-lo.

Quer ver isso em ação?

Para ajudar a demonstrar como as organizações podem usar a IA generativa na plataforma de inteligência de dados Databricks para resolver problemas comuns de integração de produtos, construímos um novo Acelerador de solução demonstrando inúmeras técnicas. Usando imagens de produto e metadados do DataSet Amazon Berkeley Objects (ABO)demonstramos como essas técnicas podem ser empregadas em um fluxo de trabalho de processamento de lote para identificar e corrigir vários problemas. Retendo alguns detalhes dos modelos generativos de IA, podemos ver as correções que estão sendo feitas para ganhar confiança de que nossos modelos selecionados estão funcionando conforme o esperado. Incentivamos as organizações interessadas em usar a Gen AI para resolver os desafios de integração de produtos para revisar nosso código, inspire-se nas técnicas mostradas, peça emprestado qualquer código que funcione para eles e comece a construir suas soluções de integração de produtos hoje com o Databricks.

Faça o obtain do nosso acelerador de solução para o Prodcut integrado com IA generativa.