Gigantes de comercio electrónico cada vez más usar inteligencia artificial Para alimentar las experiencias del cliente, optimizar los precios y optimizar la logística. Sin embargo, un experto en el campo dice que escalar soluciones de IA para manejar el volumen masivo de datos y las demandas en tiempo real de grandes plataformas presenta un conjunto complejo de desafíos arquitectónicos, de gestión de datos y éticos.
Andrey Krotkikhun especialista en aprendizaje automático con experiencia en Aliexpress CIS, destacó las complejidades de la implementación de IA en un entorno dinámico de comercio electrónico.
«Uno de los principales desafíos al ampliar es la inferencia de los modelos en tiempo real», dijo Krotkikh. «Debe proporcionar al usuario información dentro de un corto período de tiempo sin comprometer la experiencia del usuario».
Citó la predicción del tiempo de entrega como ejemplo, donde los datos de cada usuario son únicos y depende de numerosos factores, lo que impide el almacenamiento previo. Esto requiere un diseño de sistema robusto que explique la recopilación de datos, la capacitación del modelo, la inferencia y la adaptación a las condiciones de evolución.
«Para crear un sistema que mantenga la prueba del tiempo, es necesario recopilar cualitativamente toda la información que pueda afectar la inferencia del modelo y diseñar el proyecto, incluida la forma en que el modelo será capacitado, inferido y adaptado a nuevas condiciones debido al cambio de datos», dijo Krotkikh.
También hizo hincapié en la importancia de considerar proyectos futuros y planes de la compañía, abogando por modelos simples y eficientes en recursos para minimizar las pérdidas potenciales de las prioridades cambiantes.
La gestión de datos es otra área crítica. Krotkikh describió un escenario típico en el que los datos se recopilan en diferentes dominios con diferentes estándares, lo que lleva a inconsistencias e información anticuada.
«Por lo general, la situación es que los datos son recopilados por diferentes dominios de diferentes maneras, y todos tienen diferentes acuerdos de nombrar convenciones», dijo. «A esto se agregan que los problemas de los datos están desactualizados, y la situación en la que los datos han dejado de actualizarse es bastante común».
Sugirió que un almacén de funciones puede ayudar a administrar datos preprocesados y facilitar el uso del equipo cruzado, mientras que un dominio de almacén de datos centralizado (DWH) puede unificar la preparación y la migración de datos.
«Del lado de los datos, esto se resuelve mediante la preparación de datos centralizados utilizando un dominio DWH (almacén de datos)», dijo Krotkikh. «Este equipo prepara tablas y paneles de manera unificada, inicia la migración de datos y actúa como un lado proactivo en la interacción del equipo cruzado».
Desplegar técnicas avanzadas de IA como Aprendizaje de refuerzo para precios dinámicos y los sistemas de recomendación también presenta desafíos, particularmente en la alineación con los requisitos comerciales.
«En general, los problemas se pueden dividir en tres partes: requisitos comerciales, capacitación modelo y datos», dijo Krotkikh. «Los problemas más desafiantes (en mi experiencia) son considerar los requisitos comerciales y aprender a adaptarse a ellos».
Hizo hincapié en la necesidad de considerar el impacto de las soluciones de IA en los productos de otras empresas y garantizar la colaboración sinérgica entre los equipos.
«Su desarrollo no existe de forma aislada, sino en la» atmósfera «general de los productos de la compañía, y es imposible pensar que no afecta a otros productos», dijo Krotkikh. «Por lo tanto, la mayoría de las veces, debe pensar en cómo validar el ausencia del impacto de su solución en los productos de otras empresas y cómo garantizar el trabajo sinérgico de su proyecto con otros proyectos».
Las consideraciones éticas son primordiales, particularmente con respecto a la discriminación de precios. Krotkikh advirtió contra las prácticas que son ilegales e injustas para los usuarios.
«El punto más importante que todas las empresas deberían considerar es la ausencia de discriminación de precios contra los usuarios», dijo. «Dichas prácticas son punibles en muchos países y, en general, son injustos para los usuarios».
Recomendó discusiones proactivas entre el aprendizaje automático y los equipos comerciales para garantizar la equidad y prevenir consecuencias no deseadas, como los cambios de precios durante las ventas.
«ML y las empresas deben discutir estas cosas de antemano, como cómo garantizar la ‘justicia'», dijo Krotkikh. «Un ejemplo similar es la ausencia de cambios en los precios durante las ventas; ML puede, por su parte, analizar la mejor manera de» involucrar «al modelo con tales restricciones para lograr buenos resultados en general para toda la venta».
A medida que AI continúa transformando el comercio electrónico, las empresas deben navegar estos desafíos para construir soluciones escalables, confiables y éticas que beneficien tanto a las empresas como a los consumidores. Al priorizar la calidad de los datos, la robustez arquitectónica y las consideraciones éticas, las plataformas de comercio electrónico pueden aprovechar todo el potencial de IA al tiempo que mitigan los riesgos potenciales.
