Bei der Entwicklung eines Produkts auf der Grundlage von Produktempfehlungen und einem Produktsuchsystem im Katalog standen wir vor einem Rätsel: Wie kann man ein eigenes Empfehlungssystem aufbauen, das dem Unternehmen echten Gewinn bringt?

Kontaktieren Sie Elizaveta Kolmakova, Data Scientist-Unternehmen 1221Systeme. Wir haben einen „Buy With It“-Feed mit aussagekräftigen Empfehlungen erstellt und ich möchte Ihnen mitteilen, wie ChatGPT uns dabei geholfen hat.

ChatGPT wird mittlerweile für eine Vielzahl von Aufgaben eingesetzt: vom Schreiben von Motivationsbriefen bis zur Erstellung von Websites. Was aber, wenn Sie ChatGPT fragen, was man üblicherweise zum Beispiel zu Nudeln isst? Nachdem wir die Fähigkeit von ChatGPT untersucht hatten, aussagekräftige Produktempfehlungen zu geben, die gut zusammenpassen, beschlossen wir, es auf geschäftliche Anwendbarkeit zu testen.

Zusammenfassend löst dieser Ansatz die typischen Probleme von Empfehlungssystemen, die auf Kaufdaten von Benutzern basieren:

1. Kaltstart des Produkts. Für datengesteuerte Modelle ist es schwierig, gute Empfehlungen für Produkte zu geben, die wenig Umsatz erzielen, saisonal nachgefragt werden und als Test auf den Markt kommen.

• Datensammlung. Der ChatGPT-Ansatz zur Empfehlungsgenerierung erfordert keine Datensatzerfassung, was Zeit spart.

• Datenvorverarbeitung. Jeder zweite Scheck enthält gängige Produkte („Brot“, „Milch“, „Butter“), deren Vorhandensein die wahren Abhängigkeiten kompatibler Produkte verwischt. Die Organisation von Schecks, die aus solchen Gemeinschaftsgütern herausgefiltert werden, ist eine umfangreiche und komplexe Aufgabe.

Zu Beginn dieser faszinierenden Reise in die Welt der großen Konversationsmodelle haben wir zwei Aufgaben identifiziert:

1. Notwendige Benennung. Es gibt Produkte, die sich nur schwer unter einem gemeinsamen Namen zusammenfassen lassen, und andere, die einfacher sind: Für ChatGPT macht es keinen Unterschied, ob eine Empfehlung für „Milk Special Collection 450 ml“ oder „Milk Special Collection 950 ml“ ausgesprochen wird. Wir haben an der Benennung unserer Produkte gearbeitet, bis wir überzeugt waren, dass alle Produktnamen das Wesentliche widerspiegeln und so weit wie möglich verallgemeinert sind.
2. Eingabeformulierung.

ChatGPT reagiert äußerst empfindlich auf Eingabephrasen und muss jedes Detail aufschreiben.

Hier ist eine bei weitem nicht vollständige Liste der Rezepturen, die wir am Beispiel von Nudeln ausprobiert haben:

Für jeden dieser Sätze haben wir den Wortlaut sorgfältig ausgewählt und durch Klarstellungen ergänzt (zum Beispiel zum Verbot, Alkohol zu empfehlen und dass es besser ist, Getränke zu Fertiggerichten anzubieten).

Als Ergebnis wurde ein Satz mit 74 Wörtern geschrieben, der nun in allen Produkten verwendet werden konnte.

Nachdem wir den Eingabesatz vorbereitet und generische Produktnamen erstellt hatten, begannen wir mit dem Sammeln von Antworten von ChatGPT. Wir haben alle Produktnamen in Dreiergruppen unterteilt, um das Problem der Verwendung von Token genauer anzugehen (ein Token ist eine atomare Einheit, die ein Chat betreibt, um Antworten zu generieren, und ähnelt im übertragenen Sinne einer Währung, die die Kosten bestimmt). eine Antwort zu erstellen). Als Ergebnis dieser Vorbereitungsarbeiten haben wir die Testtokens, die bei der Registrierung bei OpenAI vergeben werden, vollständig erfüllt.

Dadurch ähnelte die Eingabephrase eher einem Regelwerk: Es wurden viele Klarstellungen aufgeführt und eine strenge Form der Antwort beschrieben, damit sie bequem weiterverarbeitet werden konnte. Sie sah so aus:

Nachdem wir die ChatGPT-Antworten gesammelt und analysiert hatten, identifizierten wir die Funktionen der Arbeit mit Chat zur Lösung des Produktempfehlungsproblems:

Der Wortlaut ist entscheidend. Wir haben überprüft, ob es sich sogar um eine „Empfehlung zum Kauf“ handelt mit“ und „Empfehlen Sie, was Sie kaufen sollten.“ Zu» hatten unterschiedliche Qualität der Empfehlungen:

Wenn das Feedback-Formular unklar ist, reagiert der Chat tendenziell unterschiedlich und das Format ist entscheidend für die spätere Auswahl von Produkten und deren Suche im Katalog. Wenn wir beispielsweise eine Empfehlung aus dem Chat „Schwarzer Kaffee“ haben, müssen wir die Kategorie „Gemahlener Kaffee“ finden, was an sich schon eine große Aufgabe ist. Um die Berechnung und anschließende Suche im Katalog zu automatisieren, ist ein strikter Antworttyp erforderlich.

Manchmal generiert der Chat lange Antworten (anstelle von „Zitrone“ – „eine dünne Zitronenscheibe ohne Stein“), oder es kommt überhaupt keine Antwort. Der Bedarf an zusätzlichen Läufen muss zunächst ermittelt werden. Wir haben vorgeschrieben, dass, wenn die durchschnittliche Länge der Antwort mehr als drei Wörter beträgt, dieses Produkt erneut ausgeführt werden muss, da bei einer solchen Antwort die Wahrscheinlichkeit hoch ist, dass man diese sehr „dünne Zitronenscheibe ohne Stein“ erhält, und das auch Es ist äußerst schwierig, automatisch eine „Zitrone“ aus dem Katalog zuzuordnen.

Chat kümmert sich um den Eingabekontext. Um die Kosten zu optimieren, haben wir mehrere Produkte gleichzeitig angeboten, und manchmal litten die Empfehlungen unter einer solchen Nachbarschaft. Beispielsweise verstand der Chat in den Top 3: Wurst, Brötchen, Salo das zweite Produkt als Fleischbrötchen, während damit süße Brötchen gemeint waren.

ChatGPT generierte oft fragwürdige Empfehlungen oder empfahl nicht existierende Produkte in den Kategorien Non-Food, Baby und Haustier. Bekannten Produkten fügte er einfach die Worte „Kinder“ oder „für Katzen“ hinzu, beispielsweise könnte er „Rasierschaum für Kinder“ empfehlen.

Als wir nach Empfehlungen für einen Salat oder ein anderes Fertiggericht fragten, war der Gesprächspartner begierig darauf, die Zutaten aufzuschlüsseln und anzubieten, sie zu kaufen.

Chat kann grammatikalische Fehler verursachen. Dies erschwert eine weitere Automatisierung, um diese Empfehlungen im Katalog abzugleichen:

Als nächstes haben wir den Teil geschrieben, der für die Korrelation der abstrakten Empfehlungen des Chats mit dem realen Produkt verantwortlich ist: Er wandelt beispielsweise „Butter“ in „Butter Sonderkollektion 180 g“ und „Kuchen“ in „Schokoladenkuchen Bocconto“ um.

Dazu nutzten wir die Arbeit unserer Kollegen vom Search Service und anstatt jeden abstrakten Namen mit dem gesamten Katalog zu korrelieren, was zeitaufwändig und rechenintensiv ist, schickten wir Anfragen an den SearchService, der bereits über die Funktionalität der Warensuche verfügt auf Anfrage von der Website myspar.ru.

Nachdem wir einen Pool relevanter Kandidaten erhalten haben, wählen wir denjenigen aus, der für die Zusammenfassung am relevantesten ist – und erhalten als Ergebnis die bestmögliche Empfehlung für ein bestimmtes Geschäft.

Und schließlich, wenn Sie aufgrund der Intrige im Titel mit der Lektüre dieses Artikels begonnen haben und darüber nachdenken, was Sie zum Abendessen mit Pasta kaufen sollen, dann ist ChatGPT ein Ratschlag für Sie in den Warenkorb legen die folgenden Produkte – hier ist der komplette Laufzyklus für das Produkt:

Bühne eins. Artikel: PASTA Tsar Durum Jakobsmuscheln 1/450

Stufe zwei. Benennung: Pasta

Stufe drei. Chat-Antwort: Olivenöl, Parmesan, Tomatensauce, Oregano, Sahnesauce, Basilikum, Pilze, Pesto, Hähnchenfilet, Thunfisch.

Stufe vier. Abschließend die Liste der vorgeschlagenen Produkte aus dem Katalog: