Όλο και περισσότερο οι γίγαντες του ηλεκτρονικού εμπορίου Χρησιμοποιήστε τεχνητή νοημοσύνη Για να τροφοδοτήσετε τις εμπειρίες των πελατών, τη βελτιστοποίηση της τιμολόγησης και τον εξορθολογισμό της εφοδιαστικής. Ωστόσο, ένας εμπειρογνώμονας στον τομέα αναφέρει ότι η κλιμάκωση των λύσεων AI για να χειριστεί τον τεράστιο όγκο δεδομένων και τις απαιτήσεις σε πραγματικό χρόνο μεγάλων πλατφορμών παρουσιάζει ένα σύνθετο σύνολο αρχιτεκτονικών, διαχείρισης δεδομένων και ηθικών προκλήσεων.
Ο Andrey Krotkikh, ειδικός μηχανής μάθησης με εμπειρία στο Aliexpress CIS, υπογράμμισε τις περιπλοκές της εφαρμογής του AI σε ένα δυναμικό περιβάλλον ηλεκτρονικού εμπορίου.
“Μία από τις κύριες προκλήσεις κατά την κλιμάκωση είναι το συμπέρασμα των μοντέλων σε πραγματικό χρόνο”, δήλωσε ο Krotkikh. “Πρέπει να παρέχετε στον χρήστη πληροφορίες σε σύντομο χρονικό διάστημα χωρίς να διακυβεύεται η εμπειρία του χρήστη.”
Αναφέρθηκε στην πρόβλεψη του χρόνου παράδοσης ως παράδειγμα, όπου τα δεδομένα κάθε χρήστη είναι μοναδικά και εξαρτάται από πολλούς παράγοντες, αποκλείοντας την προ-μπεζ. Αυτό απαιτεί ένα ισχυρό σχεδιασμό συστήματος που αντιπροσωπεύει τη συλλογή δεδομένων, την κατάρτιση μοντέλων, τη συμπερίληψη και την προσαρμογή στις εξελισσόμενες συνθήκες.
“Για να δημιουργήσετε ένα σύστημα που να αποτελεί τη δοκιμασία του χρόνου, είναι απαραίτητο να συλλέγετε ποιοτικά όλες τις πληροφορίες που μπορούν να επηρεάσουν το μοντέλο και το σχεδιασμό του έργου, συμπεριλαμβανομένου του τρόπου με τον οποίο το μοντέλο θα εκπαιδευτεί, θα συναχθεί και θα προσαρμοστεί σε νέες συνθήκες λόγω μετατόπισης δεδομένων”, δήλωσε ο Krotkikh.
Τόνισε επίσης τη σημασία της εξέτασης των μελλοντικών σχεδίων και των εταιρικών σχεδίων, υποστηρίζοντας απλά μοντέλα αποδοτικών πόρων για την ελαχιστοποίηση των πιθανών απωλειών από τις μεταβαλλόμενες προτεραιότητες.
Η διαχείριση δεδομένων είναι ένας άλλος κρίσιμος τομέας. Ο Krotkikh περιέγραψε ένα τυπικό σενάριο όπου τα δεδομένα συλλέγονται σε διάφορους τομείς με διαφορετικά πρότυπα, οδηγώντας σε ασυνέπειες και ξεπερασμένες πληροφορίες.
“Συνήθως, η κατάσταση είναι ότι τα δεδομένα συλλέγονται από διαφορετικούς τομείς με διαφορετικούς τρόπους, με όλους όσους έχουν διαφορετικές συμφωνίες σχετικά με την ονομασία συμβάσεων”, ανέφερε. “Προστίθεται σε αυτό είναι τα προβλήματα των δεδομένων που γίνονται ξεπερασμένα και η κατάσταση όπου τα δεδομένα έχουν σταματήσει να ενημερώνονται είναι αρκετά συνηθισμένα.”
Πρότεινε ότι ένα κατάστημα χαρακτηριστικών μπορεί να βοηθήσει στη διαχείριση των προεπεξεργασμένων δεδομένων και να διευκολύνει τη χρήση της ομάδας, ενώ ένας κεντρικός τομέας αποθήκης δεδομένων (DWH) μπορεί να ενοποιήσει την προετοιμασία και τη μετανάστευση δεδομένων.
“Από την πλευρά των δεδομένων, αυτό επιλύεται μέσω της κεντρικής προετοιμασίας δεδομένων χρησιμοποιώντας έναν τομέα DWH (Data Warehouse)”, δήλωσε ο Krotkikh. “Αυτή η ομάδα προετοιμάζει πίνακες και πίνακες ελέγχου με ενοποιημένο τρόπο, ξεκινά τη μετανάστευση δεδομένων και ενεργεί ως προληπτική πλευρά στην αλληλεπίδραση σταυρωτής ομάδας”.
Ανάπτυξη προηγμένων τεχνικών AI όπως Ενίσχυση μάθηση για δυναμική τιμολόγηση Και τα συστήματα σύστασης παρουσιάζουν επίσης προκλήσεις, ιδίως όσον αφορά την ευθυγράμμιση με τις επιχειρηματικές απαιτήσεις.
“Σε γενικές γραμμές, τα προβλήματα μπορούν να χωριστούν σε τρία μέρη: επιχειρηματικές απαιτήσεις, εκπαίδευση μοντέλων και δεδομένα”, δήλωσε ο Krotkikh. “Τα πιο δύσκολα προβλήματα (κατά την εμπειρία μου) εξετάζουν τις επιχειρηματικές απαιτήσεις και μαθαίνουν να προσαρμόσουν σε αυτά”.
Τόνισε την ανάγκη να εξεταστεί ο αντίκτυπος των λύσεων AI σε άλλα προϊόντα της εταιρείας και να διασφαλιστεί η συνεργιστική συνεργασία μεταξύ των ομάδων.
“Η ανάπτυξή σας δεν υπάρχει μεμονωμένα, αλλά στη συνολική« ατμόσφαιρα »των προϊόντων της εταιρείας και είναι αδύνατο να πιστεύουμε ότι δεν επηρεάζει άλλα προϊόντα», δήλωσε ο Krotkikh. “Ως εκ τούτου, τις περισσότερες φορές, πρέπει να σκεφτείτε πώς να επικυρώσετε την απουσία του αντίκτυπου της λύσης σας σε άλλα προϊόντα της εταιρείας και πώς να εξασφαλίσετε συνεργιστική εργασία του έργου σας με άλλα έργα”.
Οι ηθικές εκτιμήσεις είναι πρωταρχικές, ιδίως όσον αφορά τις διακρίσεις των τιμών. Ο Krotkikh προειδοποίησε τις πρακτικές που είναι παράνομες και άδικες για τους χρήστες.
“Το πιο σημαντικό σημείο που πρέπει να λάβουν υπόψη όλες οι εταιρείες είναι η απουσία διακρίσεων για τις τιμές κατά των χρηστών”, ανέφερε. “Αυτές οι πρακτικές τιμωρούνται σε πολλές χώρες και, γενικά, είναι άδικες για τους χρήστες”.
Συνιστούσε προληπτικές συζητήσεις μεταξύ μηχανικής μάθησης και επιχειρηματικών ομάδων για να εξασφαλίσει τη δικαιοσύνη και να αποτρέψει τις ακούσιες συνέπειες, όπως οι αλλαγές των τιμών κατά τη διάρκεια των πωλήσεων.
“Το ML και οι επιχειρήσεις θα πρέπει να συζητήσουν αυτά τα πράγματα εκ των προτέρων, όπως πώς να εξασφαλίσουν« δικαιοσύνη », δήλωσε ο Krotkikh. “Ένα παρόμοιο παράδειγμα είναι η απουσία αλλαγών των τιμών κατά τη διάρκεια των πωλήσεων, η ML μπορεί, από την πλευρά του, να αναλύσει τον καλύτερο τρόπο να« εμπλακεί »το μοντέλο με τέτοιους περιορισμούς για να επιτύχει τα καλά αποτελέσματα συνολικά για ολόκληρη την πώληση».
Καθώς η AI συνεχίζει να μετατρέπει το ηλεκτρονικό εμπόριο, οι εταιρείες πρέπει να περιηγηθούν σε αυτές τις προκλήσεις για να δημιουργήσουν κλιμακούμενες, αξιόπιστες και ηθικές λύσεις που ωφελούν τόσο τις επιχειρήσεις όσο και τους καταναλωτές. Με την ιεράρχηση της ποιότητας των δεδομένων, της αρχιτεκτονικής ευρωστίας και των ηθικών παραμέτρων, οι πλατφόρμες ηλεκτρονικού εμπορίου μπορούν να αξιοποιήσουν το πλήρες δυναμικό του AI, ενώ παράλληλα μετριάζουν τους πιθανούς κινδύνους.
VIA: DataConomy.com
