Gigantes do comércio eletrônico cada vez mais Use inteligência artificial Para alimentar as experiências do cliente, otimizar os preços e otimizar a logística. No entanto, um especialista no campo diz que a escala de soluções de IA para lidar com o enorme volume de dados e demandas em tempo real de grandes plataformas apresenta um conjunto complexo de arquitetura, gerenciamento de dados e desafios éticos.
Andrey Krotkikhum especialista em aprendizado de máquina com experiência na Aliexpress CIs, destacou os meandros da implementação da IA em um ambiente dinâmico de comércio eletrônico.
“Um dos principais desafios ao aumentar é a inferência de modelos em tempo real”, disse Krotkikh. “Você precisa fornecer ao usuário informações em um curto período de tempo sem comprometer a experiência do usuário.”
Ele citou a previsão do tempo de entrega como exemplo, onde os dados de cada usuário são únicos e depende de vários fatores, impedindo o pré-cache. Isso requer um design robusto do sistema que explique a coleta de dados, o treinamento de modelos, a inferência e a adaptação às condições em evolução.
“Para criar um sistema que represente o teste do tempo, é necessário coletar qualitativamente todas as informações que podem afetar a inferência do modelo e projetar o projeto, incluindo como o modelo será treinado, inferido e adaptado a novas condições devido à mudança de dados”, disse Krotkikh.
Ele também enfatizou a importância de considerar projetos futuros e planos da empresa, defendendo modelos simples e eficientes em recursos para minimizar possíveis perdas devido à mudança de prioridades.
O gerenciamento de dados é outra área crítica. Krotkikh descreveu um cenário típico em que os dados são coletados em diferentes domínios com padrões variados, levando a inconsistências e informações desatualizadas.
“Geralmente, a situação é que os dados são coletados por diferentes domínios de maneiras diferentes, com todos os acordos diferentes sobre a nomeação de convenções”, disse ele. “Adicionado a isso estão os problemas dos dados que ficam desatualizados, e a situação em que os dados pararam de ser atualizados é bastante comum”.
Ele sugeriu que um armazenamento de recursos pudesse ajudar a gerenciar dados pré-processados e facilitar o uso de equipes cruzadas, enquanto um domínio centralizado de data warehouse (DWH) pode unificar a preparação e a migração de dados.
“Do lado dos dados, isso é resolvido através da preparação de dados centralizada usando um domínio DWH (data warehouse)”, disse Krotkikh. “Esta equipe prepara mesas e painéis de maneira unificada, inicia a migração de dados e atua como um lado proativo na interação entre equipes”.
Implantando técnicas avançadas de IA como Aprendizagem de reforço para preços dinâmicos E os sistemas de recomendação também apresentam desafios, particularmente no alinhamento com os requisitos de negócios.
“Em geral, os problemas podem ser divididos em três partes: requisitos de negócios, treinamento de modelos e dados”, disse Krotkikh. “Os problemas mais desafiadores (na minha experiência) estão considerando os requisitos de negócios e aprendendo a se adaptar a eles”.
Ele enfatizou a necessidade de considerar o impacto das soluções de IA em outros produtos da empresa e garantir a colaboração sinérgica entre as equipes.
“Seu desenvolvimento não existe isoladamente, mas na ‘atmosfera’ geral dos produtos da empresa, e é impossível pensar que isso não afeta outros produtos”, disse Krotkikh. “Portanto, na maioria das vezes, você precisa pensar em como validar a ausência do impacto de sua solução em outros produtos da empresa e como garantir um trabalho sinérgico do seu projeto com outros projetos”.
Considerações éticas são fundamentais, particularmente em relação à discriminação de preços. Krotkikh alertou contra as práticas ilegais e injustas para os usuários.
“O ponto mais importante que todas as empresas devem considerar é a ausência de discriminação de preços contra usuários”, disse ele. “Tais práticas são puníveis em muitos países e, em geral, são injustas para os usuários”.
Ele recomendou discussões proativas entre o aprendizado de máquina e as equipes de negócios para garantir a justiça e impedir consequências não intencionais, como mudanças de preço durante as vendas.
“ML e negócios devem discutir essas coisas com antecedência, como garantir a” justiça “”, disse Krotkikh. “Um exemplo semelhante é a ausência de mudanças de preço durante as vendas; a ML pode, por sua vez, analisar a melhor forma de” envolver “o modelo com essas restrições para obter bons resultados em geral para toda a venda”.
Enquanto a IA continua transformando o comércio eletrônico, as empresas devem navegar nesses desafios para criar soluções escaláveis, confiáveis e éticas que beneficiem empresas e consumidores. Ao priorizar a qualidade dos dados, a robustez arquitetônica e as considerações éticas, as plataformas de comércio eletrônico podem aproveitar todo o potencial da IA enquanto mitigam riscos potenciais.
