Uvođenje AI asistenta u mobilnoj aplikaciji
Magnit je uveo svog vlasničkog AI asistenta, pod nazivom Mёdik (Magic), direktno u mobilnu aplikaciju "Magnit: Promocije i dostava". Razvijen u kompaniji od strane tehnološkog tima koristeći tehnologije otvorenog koda i komercijalni veliki jezički model (LLM) treće strane, asistent omogućava korisnicima da odaberu proizvode na osnovu specifičnih kriterijuma, kao što su vrste obroka. Takođe podržava upite o statusu porudžbine i rešavanje problema bez kontaktiranja korisničke podrške.
Buduća poboljšanja će proširiti mogućnosti da identifikuju maksimalne popuste na artiklima, pruže savete za navigaciju u prodavnici, pomognu na samouslužnim kasama i preporuče kozmetičke proizvode i proizvode za negu kože prilagođene individualnim karakteristikama kože. Magnit ovo pozicionira kao prvog AI asistenta lansiranog u mobilnim aplikacijama maloprodajnog sektora prehrambenih proizvoda.
Tehnički temelj i početna implementacija
AI koristi hibridni pristup: okvire otvorenog koda za osnovnu funkcionalnost u kombinaciji sa komercijalnim LLM-om za naprednu obradu prirodnog jezika. Ova postavka omogućava usklađivanje proizvoda u realnom vremenu iz ogromnih kataloga, oslanjajući se na strukturirane podatke poput atributa, cena i dostupnosti. Trenutne funkcije se fokusiraju na preporuke zasnovane na upitima, transformišući nejasne ulaze korisnika — kao što su "sastojci za večeru" — u precizne asortimane, čime se pojednostavljuje proces otkrivanja kupovine.
Integracija se dešava izvorno unutar aplikacije, koja već obrađuje promocije, dostavu i programe lojalnosti, kao što svedoči njena glavna uloga u poslovanju Magnita u više formata. Ovo ugrađuje AI u svakodnevne interakcije korisnika bez potrebe za odvojenim alatima.
Implikacije na feedove proizvoda u e-commerce-u
AI asistenti poput Mёdika direktno utiču na feedove proizvoda omogućavajući dinamičko filtriranje i personalizaciju u vreme upita. Tradicionalni feedovi se oslanjaju na statična pravila ili ručnu kuraciju, ali procesi usklađivanja vođeni LLM-om suočavaju nameru korisnika sa atributima feeda — cenom, kategorijom, prehrambenim potrebama — ubrzavajući relevantnost bez iscrpnog pred-označavanja. Ovo smanjuje kašnjenje u ažuriranju feeda, jer se promene kataloga u realnom vremenu odmah prenose na preporuke.
Za e-commerce prehrambenih proizvoda, gde asortimani premašuju hiljade SKU-a sa kvarljivom ili promotivnom nestabilnošću, takvi sistemi minimiziraju izloženost zastarelim podacima. Izbor zasnovan na kriterijumima asistenta nagoveštava vektorske ugradnje ili semantičku pretragu preko feedova, poboljšavajući otkrivanje dugih repnih artikala koje kruti feedovi zanemaruju. Ako tražite pomoć sa sopstvenim feed-om proizvoda, pogledajte ovaj blog: /blog/product_feed/.
Podizanje standardizacije kataloga
Katalogizacija u maloprodaji često pati od nedoslednih standarda među dobavljačima, što dovodi do fragmentiranih podataka. Uvođenje Mёdika primenjuje implicitnu standardizaciju: ispitivanjem vrsta obroka ili karakteristika kože, zahteva jedinstvene atribute u backend katalozima — nutritivne profile, liste sastojaka, dermatološke oznake. Vremenom, ovo pokreće poboljšanja u uzvodnom smeru, jer nepotpuni podaci daju loše preporuke, vršeći pritisak na timove da se usklade sa pojavljujućim šemama.
U e-commerce-u, gde 70-80% kataloga dolazi od različitih dobavljača, AI deluje kao kapija kvaliteta. Nestandardni unosi degradiraju preciznost LLM-a, podstičući usvajanje protokola kao što su GS1 ili prilagođene ontologije. Magnitova interna izgradnja sugeriše vlasnička poboljšanja za rukovanje regionalnim nijansama proizvoda, postavljajući reper za skalabilnu higijenu kataloga.
Poboljšanje kvaliteta i potpunosti product card-a
Product card-ovi u aplikacijama za prehrambene proizvode često nemaju dubinu — nedostaju alergeni, uparivanja ili zamene — što ograničava konverziju. Mёdik ovo rešava zaključivanjem potpunosti iz interakcija: nepotpuni card-ovi ne uspevaju u složenim upitima, otkrivajući praznine za iterativno obogaćivanje. Buduće preporuke za negu kože, na primer, zahtevaće atribute kao što su pH nivoi ili hipoalergeni znakovi, što će zahtevati potpunije card-ove svesne konteksta.
Ovo pomera e-commerce od deskriptivnih ka prediktivnim card-ovima, gde AI popunjava polja koja nedostaju putem zaključivanja (npr., ekstrapolirajući pogodnost obroka iz sastojaka). Rezultat: veće poverenje korisnika i smanjeni povraćaji, jer se preporuke usklađuju sa stvarnim potrebama. Za infrastrukturu sadržaja, automatizuje tokove rada za obogaćivanje, dajući prioritet artiklima sa velikim prometom. Osiguravanje da su vaši opisi proizvoda vrhunski može napraviti razliku. Saznajte više: /blog/how-to-create-sales-driving-product-descriptions-without-spending-a-fortune/.
Ubrzavanje brzine primene asortimana
Brzina u izbacivanju novih asortimana definiše konkurentni e-commerce, posebno u prehrambenim proizvodima koji su puni promocija. Ručno uključivanje — testiranje feedova, card-ova, promocija — traje danima; AI ovo smanjuje na minute. Mёdikova funkcija traženja popusta, planirana za uvođenje, skenira feedove uživo za optimalna podudaranja, omogućavajući trenutno pojavljivanje rasprodaja ili sezonskih predstavljanja bez ponovnog pretraživanja.
No-code elementi ovo pojačavaju: osnove otvorenog koda omogućavaju podešavanje upita prevlačenjem i ispuštanjem i prekrivanje pravila, zaobilazeći redove za programere. Trgovci mogu A/B testirati AI ponašanja na podskupovima asortimana, brzo primenjujući pobednike u celoj aplikaciji. U Magnitovom slučaju, povezivanje AI-a sa samouslužnom kasom i vođenjem u prodavnici predskazuje omnichannel sinhronizaciju, gde učenja iz aplikacija optimizuju fizičke rasporede u realnom vremenu.
No-Code AI i sinergije automatizacije sadržaja
No-code platforme uparene sa LLM-ovima snižavaju barijere za primenu AI-a, kao što se vidi u Magnitovoj osnovi otvorenog koda. Tehnološki timovi za maloprodaju konfigurišu ponašanja putem vizuelnih interfejsa — lanac upita za upite, integracione kuke za API-je za narudžbe — bez dubokog kodiranja. Ovo demokratizuje procese sadržaja: trgovci definišu logiku preporuke, operacije rukuju tokovima podrške, ubrzavajući iteraciju.
Za e-commerce infrastrukturu, otključava generativni sadržaj u velikom obimu: automatsko generisanje opisa card-ova, kopija promocije ili personalizovanih paketa iz podataka feeda. Magnitovo rešavanje podrške putem AI-a to ilustruje, sprečavajući ulaznice sintetizovanjem istorije narudžbi i politika. Hipoteza: kako modeli sazrevaju, no-code će standardizovati AI u lancima, komprimujući cikluse razvoja sa meseci na nedelje, uz održavanje prilagođenih ivica. Upravljanje podacima za ove alate je olakšano alatom kao što je program za obradu cenovnika — pogledajte ovaj članak: /blog/price-list-processing_program/.
Retailer's.ru je izvestio o pokretanju, naglašavajući njegov pionirski status u prehrambenim proizvodima. VentureBeat je pisao o srodnim inovacijama AI za radnu snagu, ističući širi potencijal platforme. Upravljanje vašim e-commerce operacijama često se oslanja na ispravan format vaših podataka. Pogledajte naše detaljne vodiče o CSV i JSON formatima: /blog/csv-format-how-to-structure-product-data-for-smooth-integration/ ili /blog/json-format-how-one-store-turned-chaos-into-fast-synchronization/
Uvođenje Magnitovog AI asistenta ističe značajan trend ka korišćenju AI-a za otkrivanje proizvoda i poboljšanje korisničkog iskustva, posebno u vezi sa e-commerce-om u sektoru prehrambenih proizvoda. Ovaj potez signalizira pritisak na standardizaciju kataloga i bogatije podatke o proizvodima za hranjenje AI modela. Za platforme kao što je NotPIM, ovo naglašava sve veći značaj upravljanja informacijama o proizvodima u podržavanju sofisticiranih funkcionalnosti vođenih AI-om. Vidimo ovaj razvoj kao pozitivan korak ka pametnijim i efikasnijim e-commerce operacijama.