Lancement de l'assistant IA dans l'application mobile
Magnit a introduit son propre assistant IA, nommé Mёdik (Magic), directement dans l'application mobile "Magnit : Promotions et Livraison". Développé en interne par l'équipe technologique de l'entreprise à l'aide de technologies open source et d'un grand modèle de langage (LLM) commercial tiers, l'assistant permet aux utilisateurs de sélectionner des produits en fonction de critères spécifiques, tels que les types de repas. Il prend également en charge les demandes de renseignements sur l'état des commandes et la résolution des problèmes sans contacter le service clientèle.
Les améliorations futures élargiront les capacités pour identifier les remises maximales sur les articles, fournir des conseils de navigation en magasin, assister aux caisses libre-service et recommander des produits cosmétiques et de soins de la peau adaptés aux caractéristiques individuelles de la peau. Magnit positionne cela comme le premier assistant IA lancé dans les applications mobiles du secteur de la vente au détail de produits d'épicerie.
Fondements techniques et mise en œuvre initiale
L'IA s'appuie sur une approche hybride : des frameworks open source pour les fonctionnalités de base combinés à un LLM commercial pour un traitement avancé du langage naturel. Cette configuration permet une correspondance des produits en temps réel à partir de vastes catalogues, s'appuyant sur des données structurées telles que les attributs, les prix et la disponibilité. Les fonctionnalités actuelles se concentrent sur les recommandations basées sur les requêtes, transformant les saisies vagues des utilisateurs - telles que "ingrédients pour le dîner" - en assortiments précis, simplifiant ainsi le processus de découverte des achats.
L'intégration se fait nativement au sein de l'application, qui gère déjà les promotions, la livraison et les programmes de fidélité, comme en témoigne son rôle central dans les opérations de vente au détail multi-format de Magnit. Cela intègre l'IA dans les interactions quotidiennes des utilisateurs sans nécessiter d'outils séparés.
Implications pour les feeds de produits en e-commerce
Les assistants IA comme Mёdik influencent directement les feeds de produits en permettant un filtrage dynamique et une personnalisation au moment de la requête. Les feeds traditionnels reposent sur des règles statiques ou une curation manuelle, mais les processus de correspondance basés sur le LLM confrontent l'intention de l'utilisateur aux attributs du feed – prix, catégorie, besoins alimentaires – accélérant la pertinence sans balisage préalable exhaustif. Cela réduit la latence des mises à jour du feed, car les modifications en temps réel du catalogue se propagent instantanément aux recommandations.
Pour le e-commerce de produits d'épicerie, où les assortiments dépassent des milliers de SKU avec une volatilité périssable ou promotionnelle, de tels systèmes minimisent l'exposition à des données obsolètes. La sélection basée sur des critères de l'assistant laisse entrevoir des embeddings vectoriels ou une recherche sémantique sur les feeds, améliorant la découverte des articles à longue traîne que les feeds rigides ignorent. Si vous cherchez de l'aide pour votre propre feed de produits, consultez ce blog: /blog/product_feed/.
Élever la standardisation des catalogues
Le catalogage dans la vente au détail souffre souvent de normes incohérentes d'un fournisseur à l'autre, ce qui conduit à des données fragmentées. Le déploiement de Mёdik impose une standardisation implicite : en interrogeant par types de repas ou caractéristiques de la peau, il exige des attributs uniformes dans les catalogues backend – profils nutritionnels, listes d'ingrédients, étiquettes dermatologiques. Au fil du temps, cela entraîne des améliorations en amont, car des données incomplètes génèrent de mauvaises recommandations, ce qui pousse les équipes à s'aligner sur des schémas émergents.
Dans le e-commerce, où 70 à 80 % des catalogues proviennent de divers fournisseurs, l'IA agit comme un contrôle qualité. Les entrées non standard dégradent la précision du LLM, favorisant l'adoption de protocoles comme GS1 ou d'ontologies personnalisées. La construction interne de Magnit suggère des raffinements propriétaires pour gérer les nuances régionales des produits, établissant une référence en matière d'hygiène des catalogues évolutive.
Améliorer la qualité et l'exhaustivité des fiches produits
Les fiches produits dans les applications d'épicerie manquent fréquemment de profondeur – absence d'allergènes, d'associations ou de substituts – limitant la conversion. Mёdik y remédie en déduisant l'exhaustivité des interactions : les fiches incomplètes échouent aux requêtes complexes, révélant des lacunes pour un enrichissement itératif. Les futures recommandations de soins de la peau, par exemple, nécessiteront des attributs tels que les niveaux de pH ou les indicateurs d'hypoallergénicité, obligeant à des fiches plus complètes et contextuelles.
Cela fait passer le e-commerce de fiches descriptives à prédictives, où l'IA renseigne les champs manquants par inférence (par exemple, en extrapolant l'adéquation des repas à partir des ingrédients). Résultat : une confiance accrue des utilisateurs et une réduction des retours, car les recommandations s'alignent sur les besoins réels. Pour l'infrastructure de contenu, cela automatise les workflows d'enrichissement, en privilégiant les articles à fort trafic. S'assurer que vos descriptions de produits sont de premier ordre peut faire toute la différence. En savoir plus : /blog/howtocreate-sales-driving-product-descriptions-without-spending-a-fortune/.
Accélérer la vitesse de déploiement des assortiments
La rapidité de production de nouveaux assortiments définit le e-commerce concurrentiel, en particulier dans le secteur de l'épicerie axé sur les promotions. L'intégration manuelle – test des feeds, des fiches, des promotions – s'étend sur des jours ; l'IA réduit cela à des minutes. La fonctionnalité de recherche de remises de Mёdik, dont le déploiement est prévu, analyse les feeds en direct pour trouver les correspondances optimales, permettant la mise en vedette instantanée des ventes flash ou des présentations saisonnières sans réexploration.
Les éléments sans code amplifient cela : les bases open source permettent l'ajustement des invites par glisser-déposer et les superpositions de règles, contournant les files d'attente des développeurs. Les détaillants peuvent tester A/B les comportements de l'IA sur des sous-ensembles d'assortiment, en déployant rapidement les gagnants dans toute l'application. Dans le cas de Magnit, lier l'IA à la caisse libre-service et aux conseils en magasin annonce la synchronisation omnicanale, où les apprentissages de l'application optimisent les agencements physiques en temps réel.
Synergies de l'IA sans code et de l'automatisation du contenu
Les plateformes sans code associées aux LLM abaissent les barrières au déploiement de l'IA, comme on le voit dans les fondements open source de Mёdik. Les équipes technologiques des détaillants configurent les comportements via des interfaces visuelles – enchaînement d'invites pour les requêtes, intégrations pour les API de commande – sans programmation approfondie. Cela démocratise les processus de contenu : les spécialistes du marketing définissent la logique de recommandation, les opérations gèrent les flux d'assistance, ce qui accélère l'itération.
Pour l'infrastructure e-commerce, cela déverrouille le contenu génératif à grande échelle : génération automatique de descriptions de fiches, de texte promotionnel ou d'offres groupées personnalisées à partir des données des feeds. La résolution du support de Magnit via l'IA en est un exemple, en anticipant les tickets en synthétisant l'historique des commandes et les politiques. Hypothèse : à mesure que les modèles arrivent à maturité, le sans code standardisera l'IA dans toutes les chaînes, comprimant les cycles de développement de plusieurs mois à plusieurs semaines tout en maintenant des avantages personnalisés. Gérer vos données pour ces outils est facilité avec un outil comme un programme de traitement des listes de prix - consultez cet article: /blog/price-list-processing-program/.
Retailer's.ru a rapporté le lancement, soulignant son statut de pionnier dans l'épicerie. VentureBeat a couvert les innovations connexes de l'IA en matière de main-d'œuvre, soulignant le potentiel plus large de la plateforme. La gestion de vos opérations de e-commerce repose souvent sur le format correct de vos données. Consultez nos guides détaillés sur les formats CSV et JSON : /blog/csv-format-how-to-structure-product-data-for-smooth-integration/ ou /blog/json-format-how-one-store-turned-chaos-into-fast-synchronization/
Le lancement de l'assistant IA de Magnit souligne une tendance significative vers l'utilisation de l'IA pour la découverte de produits et l'amélioration de l'expérience client, en particulier en ce qui concerne le e-commerce dans le secteur de l'épicerie. Cette décision signale une poussée vers la standardisation des catalogues et des données de produits plus riches pour alimenter les modèles d'IA. Pour les plateformes comme NotPIM, cela souligne l'importance croissante de la gestion des informations produit pour prendre en charge des fonctionnalités sophistiquées basées sur l'IA. Nous considérons ce développement comme une étape positive vers des opérations de e-commerce plus intelligentes et plus efficaces.