I giganti dell’e-commerce sempre più Usa l’intelligenza artificiale Per alimentare le esperienze dei clienti, ottimizzare i prezzi e semplificare la logistica. Tuttavia, un esperto nel settore afferma che il ridimensionamento delle soluzioni di intelligenza artificiale per gestire il massiccio volume di dati e le esigenze in tempo reale di grandi piattaforme presenta un insieme complesso di architettoniche, gestione dei dati e sfide etiche.
Andrey Krotkikhuno specialista dell’apprendimento automatico con esperienza presso gli IC Aliexpress, ha evidenziato le complessità dell’implementazione dell’IA in un ambiente dinamico di e-commerce.
“Una delle principali sfide quando si ridimensiona è l’inferenza dei modelli in tempo reale”, ha detto Krotkikh. “È necessario fornire all’utente informazioni entro un breve periodo di tempo senza compromettere l’esperienza dell’utente.”
Ha citato la previsione dei tempi di consegna come esempio, in cui i dati di ciascun utente sono unici e dipendono da numerosi fattori, precludendo la pre-cache. Ciò richiede una progettazione di sistemi robusta che spiega la raccolta dei dati, la formazione del modello, l’inferenza e l’adattamento alle condizioni in evoluzione.
“Per creare un sistema che sostenga la prova del tempo, è necessario raccogliere qualitativamente tutte le informazioni che possono influire sull’inferenza del modello e progettare il progetto, incluso il modo in cui il modello verrà addestrato, dedotto e adattato a nuove condizioni a causa del cambio di dati”, ha affermato Krotkikh.
Ha anche sottolineato l’importanza di considerare progetti futuri e piani aziendali, sostenendo modelli semplici ed efficienti dalle risorse per ridurre al minimo le perdite potenziali dalle priorità mutevoli.
La gestione dei dati è un’altra area critica. Krotkikh ha descritto uno scenario tipico in cui i dati vengono raccolti in diversi settori con standard variabili, portando a incoerenze e informazioni obsolete.
“Di solito, la situazione è che i dati vengono raccolti da domini diversi in modi diversi, con tutti quelli che hanno accordi diversi sulle convenzioni di denominazione”, ha affermato. “A questo aggiunto sono i problemi dei dati obsoleti e la situazione in cui i dati hanno smesso di essere aggiornati è abbastanza comune.”
Ha suggerito che un archivio di funzionalità può aiutare a gestire i dati preelaborati e facilitare l’utilizzo di team, mentre un dominio centralizzato di data warehouse (DWH) può unificare la preparazione e la migrazione dei dati.
“Dal lato dei dati, questo viene risolto attraverso la preparazione centralizzata dei dati utilizzando un dominio DWH (data warehouse)”, ha affermato Krotkikh. “Questo team prepara le tabelle e i dashboard in modo unificato, avvia la migrazione dei dati e funge da lato proattivo nell’interazione tra team.”
Distribuzione di tecniche AI avanzate come Apprendimento di rinforzo per i prezzi dinamici E i sistemi di raccomandazione presentano anche sfide, in particolare in linea con i requisiti aziendali.
“In generale, i problemi possono essere divisi in tre parti: requisiti aziendali, formazione del modello e dati”, ha affermato Krotkikh. “I problemi più impegnativi (nella mia esperienza) sono prendere in considerazione i requisiti aziendali e l’apprendimento per adattarsi a loro”.
Ha sottolineato la necessità di considerare l’impatto delle soluzioni di intelligenza artificiale su altri prodotti aziendali e garantire una collaborazione sinergica tra i team.
“Il tuo sviluppo non esiste in isolamento, ma nell’atmosfera generale dei prodotti dell’azienda ed è impossibile pensare che non influisca su altri prodotti”, ha affermato Krotkikh. “Pertanto, il più delle volte, devi pensare a come convalidare l’assenza dell’impatto della tua soluzione su altri prodotti aziendali e su come garantire il lavoro sinergico del tuo progetto con altri progetti.”
Le considerazioni etiche sono fondamentali, in particolare per quanto riguarda la discriminazione dei prezzi. Krotkikh ha messo in guardia contro le pratiche che sono sia illegali che ingiuste per gli utenti.
“Il punto più importante che tutte le aziende dovrebbero considerare è l’assenza di discriminazione dei prezzi nei confronti degli utenti”, ha affermato. “Tali pratiche sono punibili in molti paesi e, in generale, sono ingiusti per gli utenti.”
Ha raccomandato discussioni proattive tra le apprendimento automatico e i team aziendali per garantire equità e prevenire conseguenze indesiderate, come le variazioni dei prezzi durante le vendite.
“ML e affari dovrebbero discutere in anticipo di queste cose, come come garantire” equità “, ha detto Krotkikh. “Un esempio simile è l’assenza di variazioni di prezzo durante le vendite; ML può, da parte sua, analizzare il modo migliore per” coinvolgere “il modello con tali vincoli per ottenere buoni risultati nel complesso per l’intera vendita.”
Mentre l’IA continua a trasformare l’e-commerce, le aziende devono navigare in queste sfide per costruire soluzioni scalabili, affidabili ed etiche a beneficio sia delle imprese che dei consumatori. Dare la priorità alla qualità dei dati, alla robustezza architettonica e alle considerazioni etiche, le piattaforme di e-commerce possono sfruttare il pieno potenziale dell’IA, mitigando al contempo potenziali rischi.
