Запуск помічника зі штучним інтелектом у мобільному додатку
Компанія Magnit представила власного помічника зі штучним інтелектом під назвою Mёdik (Magic) безпосередньо у мобільному додатку "Magnit: Акції та Доставка". Розроблений внутрішньо технологічною командою компанії з використанням технологій з відкритим вихідним кодом та сторонньої комерційної великої мовної моделі (LLM), помічник дозволяє користувачам вибирати продукти на основі певних критеріїв, наприклад, типу страв. Він також підтримує запити статусу замовлення та вирішення проблем без звернення до служби підтримки клієнтів.
Майбутні вдосконалення розширять можливості для визначення максимальних знижок на товари, надання порад щодо навігації в магазині, надання допомоги на касах самообслуговування та рекомендації косметики та засобів догляду за шкірою, адаптованих до індивідуальних особливостей шкіри. Magnit позиціонує це як перший помічник зі штучним інтелектом, запущений у мобільних додатках роздрібної торгівлі продуктами харчування.
Технічна основа та початкова реалізація
Штучний інтелект використовує гібридний підхід: фреймворки з відкритим вихідним кодом для основної функціональності в поєднанні з комерційною LLM для розширеної обробки природної мови. Ця установка дозволяє зіставляти продукти в реальному часі з величезних каталогів, використовуючи структуровані дані, такі як атрибути, ціни та наявність. Поточні функції зосереджені на рекомендаціях на основі запитів, перетворюючи розмиті введення користувачів, наприклад, «інгредієнти для вечері», на точні асортименти, тим самим оптимізуючи процес пошуку покупок.
Інтеграція відбувається природним чином у додатку, який вже обробляє акції, доставку та програми лояльності, про що свідчить його основна роль в операціях роздрібної торгівлі Magnit у різних форматах. Це вбудовує штучний інтелект у щоденні взаємодії з користувачами, не вимагаючи окремих інструментів.
Вплив на product feed в e-commerce
Помічники зі штучним інтелектом, як-от Mёdik, безпосередньо впливають на product feed, дозволяючи динамічну фільтрацію та персоналізацію під час запиту. Традиційні feed покладаються на статичні правила або ручну підготовку, але процеси зіставлення, керовані LLM, зіставляють наміри користувача з атрибутами feed— ціною, категорією, дієтичними потребами — прискорюючи релевантність без виснажливого попереднього тегування. Це зменшує латентність при оновленні feed, оскільки зміни каталогу в режимі реального часу миттєво поширюються на рекомендації.
Для e-commerce продуктів харчування, де асортименти перевищують тисячі SKU із швидкопсувними або акційними змінами, такі системи мінімізують вплив застарілих даних. Вибір на основі критеріїв помічника натякає на векторні вкладення або семантичний пошук у feed, покращуючи можливість пошуку товарів «довгого хвоста», які жорсткі feed не помічають. Якщо ви шукаєте допомогу зі своїм product feed, перегляньте цей блог: /blog/product_feed/.
Підвищення стандартизації каталогу
Каталогізація в роздрібній торгівлі часто страждає від непослідовних стандартів серед постачальників, що призводить до фрагментованих даних. Розгортання Mёdik забезпечує неявну стандартизацію: шляхом запитів за типами страв або особливостями шкіри, він вимагає єдиних атрибутів у бекенд-каталогах — харчові профілі, списки інгредієнтів, дерматологічні теги. З часом це сприяє покращенням на вищому рівні, оскільки неповні дані дають погані рекомендації, змушуючи команди узгоджуватись із новими схемами.
В e-commerce, де 70-80% каталогів надходять від різних постачальників, штучний інтелект виступає якісним шлюзом. Нестандартні записи погіршують точність LLM, сприяючи прийняттю протоколів, таких як GS1 або власні онтології. Власна збірка Magnit передбачає запатентовані уточнення для вирішення регіональних нюансів продукції, встановлюючи еталон для масштабованої гігієни каталогу.
Покращення якості та повноти product card
Product card у додатках для продуктів харчування часто не мають глибини — відсутні алергени, поєднання або замінники — що обмежує конверсію. Mёdik вирішує цю проблему, роблячи висновок про повноту з взаємодій: неповні картки не проходять складні запити, виявляючи прогалини для ітеративного збагачення. Наприклад, майбутні рекомендації щодо догляду за шкірою потребуватимуть атрибутів, таких як рівень pH або гіпоалергенні позначки, що вимагатиме повніших, контекстно-орієнтованих карток.
Це переводить e-commerce від описових до передбачуваних карток, де штучний інтелект заповнює відсутні поля шляхом висновків (наприклад, екстраполяція придатності страви з інгредієнтів). Результат: вища довіра користувачів та зменшення повернень, оскільки рекомендації відповідають реальним потребам. Для інфраструктури контенту це автоматизує робочі процеси збагачення, визначаючи пріоритетність елементів із високим трафіком. Забезпечення найвищої якості ваших product descriptions може мати вирішальне значення. Дізнайтеся більше: /blog/howtocreate-sales-driving-product-descriptions-without-spending-a-fortune/.
Прискорення швидкості розгортання асортименту
Швидкість виведення нових асортиментів визначає конкурентний e-commerce, особливо у сферах продуктів харчування, де багато акцій. Ручне введення — тестування feed, карток, акцій — триває кілька днів; Штучний інтелект скорочує це до хвилин. Функція пошуку знижок Mёdik, запланована для розгортання, сканує live feed на наявність оптимальних збігів, дозволяючи миттєво демонструвати розпродажі або сезонні акції без повторного сканування.
Елементи без коду підсилюють це: основи з відкритим кодом дозволяють перетягувати налаштування підказок і накладення правил, обходячи черги розробників. Роздрібні торговці можуть A/B-тестувати поведінку штучного інтелекту на підмножинах асортименту, швидко розгортаючи переможців у всьому додатку. У випадку Magnit, прив’язка штучного інтелекту до самообслуговування та вказівок у магазині передбачає синхронізацію омніканальності, де навчання додатків оптимізує фізичні макети в режимі реального часу.
Синхронізація AI без коду та автоматизації контенту
Платформи без коду в поєднанні з LLM знижують бар’єри для розгортання штучного інтелекту, як видно з основи Mёdik з відкритим вихідним кодом. Команди роздрібних технологій налаштовують поведінку через візуальні інтерфейси — ланцюжок підказок для запитів, інтеграційні гачки для API замовлень — без глибокого кодування. Це демократизує процеси контенту: маркетологи визначають логіку рекомендацій, оператори обробляють потоки підтримки, прискорюючи ітерації.
Для інфраструктури e-commerce це відкриває генеративний контент у масштабі: автоматичне створення описів карток, копіювання акцій або персоналізованих пакетів із даних feed. Вирішення підтримки Magnit за допомогою штучного інтелекту демонструє це, випереджаючи квитки, синтезуючи історію замовлень і правила. Гіпотеза: в міру дозрівання моделей, без коду стандартизуватиме штучний інтелект у ланцюжках, стискаючи цикли розробки від місяців до тижнів, зберігаючи при цьому користувацькі переваги. Керувати вашими даними для цих інструментів стає легше за допомогою такого інструменту, як програма обробки прайс-листів — перегляньте цю статтю: /blog/price-list-processing-program/.
Retailer's.ru повідомив про запуск, підкреслюючи його піонерський статус у сфері продуктів харчування. VentureBeat висвітлив відповідні інновації штучного інтелекту, підкреслюючи ширший потенціал платформи. Управління вашими операціями e-commerce часто залежить від правильного формату ваших даних. Ознайомтесь із нашими поглибленими посібниками з форматів CSV та JSON: /blog/csv-format-how-to-structure-product-data-for-smooth-integration/ або /blog/json-format-how-one-store-turned-chaos-into-fast-synchronization/
Запуск помічника зі штучним інтелектом Magnit підкреслює значну тенденцію до використання штучного інтелекту для пошуку продуктів та покращення споживчого досвіду, особливо у зв’язку з e-commerce у секторі продуктів харчування. Цей крок свідчить про прагнення до стандартизації каталогу та більш повних даних про продукти для підтримки моделей штучного інтелекту. Для платформ, таких як NotPIM, це підкреслює зростаюче значення управління інформацією про продукти для підтримки складних функцій, керованих штучним інтелектом. Ми розглядаємо цей розвиток як позитивний крок до більш розумних і ефективних операцій e-commerce.