E-commerce reuzen in toenemende mate Gebruik kunstmatige intelligentie om klantervaringen van stroom te voorzien, de prijzen te optimaliseren en logistiek te stroomlijnen. Een expert in het veld zegt echter dat het schalen van AI-oplossingen om het enorme volume van gegevens en realtime eisen van grote platforms aan te pakken, een complexe reeks architecturale, gegevensbeheer en ethische uitdagingen oplevert.
Andrey Krotkikheen specialist van machine learning met ervaring bij AliExpress CIS, benadrukte de ingewikkeldheden van het implementeren van AI in een dynamische e-commerce-omgeving.
“Een van de belangrijkste uitdagingen bij het opschalen is de gevolgtrekking van modellen in realtime,” zei Krotkikh. “U moet de gebruiker binnen een kort tijdsbestek informatie verstrekken zonder de gebruikerservaring in gevaar te brengen.”
Hij noemde levertijdvoorspelling als een voorbeeld, waarbij de gegevens van elke gebruiker uniek zijn en afhankelijk zijn van tal van factoren, die pre-coaching uitsluit. Dit vereist een robuust systeemontwerp dat verantwoordelijk is voor gegevensverzameling, modeltraining, inferentie en aanpassing aan evoluerende omstandigheden.
“Om een systeem te creëren dat de tand des tijds doorstaat, is het noodzakelijk om kwalitatief alle informatie te verzamelen die het model kan beïnvloeden en het project kan ontwerpen, inclusief hoe het model zal worden getraind, afgeleid en aangepast aan nieuwe omstandigheden als gevolg van gegevensverschuiving,” zei Krotkikh.
Hij benadrukte ook het belang van het overwegen van toekomstige projecten en bedrijfsplannen, pleiten voor eenvoudige, resource-efficiënte modellen om potentiële verliezen door veranderende prioriteiten te minimaliseren.
Gegevensbeheer is een ander kritisch gebied. Krotkikh beschreef een typisch scenario waarbij gegevens worden verzameld over verschillende domeinen met verschillende normen, wat leidt tot inconsistenties en verouderde informatie.
“Gewoonlijk is de situatie dat gegevens op verschillende manieren door verschillende domeinen worden verzameld, waarbij iedereen verschillende overeenkomsten heeft over het benoemen van conventies,” zei hij. “Hieraan worden toegevoegd, de problemen van gegevens die verouderd raken, en de situatie waarin gegevens zijn bijgewerkt, komt vrij vaak voor.”
Hij suggereerde dat een functieopslag kan helpen bij het beheren van voorbewerkte gegevens en cross-team gebruik kunnen vergemakkelijken, terwijl een gecentraliseerd data warehouse (DWH) -domein gegevensvoorbereiding en migratie kan verenigen.
“Van de gegevenszijde wordt dit opgelost door gecentraliseerde gegevensvoorbereiding met behulp van een DWH (data warehouse) domein,” zei Krotkikh. “Dit team bereidt tabellen en dashboards op een uniforme manier voor, initieert gegevensmigratie en fungeert als een proactieve kant in cross-team interactie.”
Geavanceerde AI -technieken inzetten zoals Versterking leren voor dynamische prijzen en aanbevelingssystemen bieden ook uitdagingen, met name in overeenstemming met de zakelijke vereisten.
“Over het algemeen kunnen problemen worden onderverdeeld in drie delen: zakelijke vereisten, modelopleiding en gegevens,” zei Krotkikh. “De meest uitdagende problemen (in mijn ervaring) overwegen zakelijke vereisten en leren zich aan hen aan te passen.”
Hij benadrukte de noodzaak om de impact van AI -oplossingen op andere bedrijfsproducten te overwegen en te zorgen voor synergetische samenwerking tussen teams.
“Uw ontwikkeling bestaat niet afzonderlijk, maar in de algehele ‘sfeer’ van de producten van het bedrijf, en het is onmogelijk om te denken dat het geen andere producten beïnvloedt,” zei Krotkikh. “Daarom moet u meestal nadenken over hoe u de afwezigheid van de impact van uw oplossing op andere bedrijfsproducten kunt valideren en hoe u synergetisch werk van uw project met andere projecten kunt waarborgen.”
Ethische overwegingen zijn van het grootste belang, met name met betrekking tot prijsdiscriminatie. Krotkikh waarschuwde voor praktijken die zowel illegaal als oneerlijk zijn voor gebruikers.
“Het belangrijkste punt dat alle bedrijven moeten overwegen, is de afwezigheid van prijsdiscriminatie van gebruikers,” zei hij. “Dergelijke praktijken zijn in veel landen strafbaar en zijn in het algemeen oneerlijk tegenover gebruikers.”
Hij beval proactieve discussies tussen machine learning en zakelijke teams aan om eerlijkheid te garanderen en onbedoelde gevolgen te voorkomen, zoals prijsveranderingen tijdens de verkoop.
“ML en bedrijven moeten deze dingen van tevoren bespreken, zoals hoe ze ‘billijkheid’ kunnen garanderen,” zei Krotkikh. “Een soortgelijk voorbeeld is de afwezigheid van prijsveranderingen tijdens de verkoop; ML kan van zijn kant analyseren hoe het model het model het beste kan ‘betrekken’ met dergelijke beperkingen om goede resultaten in het algemeen voor de hele verkoop te bereiken.”
Terwijl AI door de e-commerce blijft transformeren, moeten bedrijven deze uitdagingen navigeren om schaalbare, betrouwbare en ethische oplossingen op te bouwen die zowel bedrijven als consumenten ten goede komen. Door prioriteit te geven aan de gegevenskwaliteit, architecturale robuustheid en ethische overwegingen, kunnen e-commerceplatforms het volledige potentieel van AI benutten en tegelijkertijd potentiële risico’s beperken.
