Retrieval-augmented generation (RAG) AI sisteminin əvvəlcə məhsul məlumatları, qaydalar və yardım məqalələri kimi öz sənədlərinizdən ibarət dəsti axtardığı, sonra isə tapdıqlarına əsasən cavab yazdığı bir metoddur. Elektron ticarət brendləri üçün RAG, modelin ümumi yaddaşı əvəzinə cari kataloq və siyasət məlumatlarından cavab verən alış-veriş köməkçilərini, dəstək botlarını və daxili alətləri gücləndirir.
Bu ideya 2020-ci ildə Facebook AI Research-də Patrick Lewis və həmkarları, həmçinin tərəfdaş universitetlər tərəfindən yazılmış tədqiqat işindən qaynaqlanır. Bu, hazırda biznes AI köməkçiləri üçün ən geniş yayılmış modeldir, çünki cavabları biznesin nəzarət etdiyi və yenilədiyi mənbələrlə bağlı saxlayır.
RAG addım-addım necə işləyir?
RAG sisteminin iki yarısı var. Birincisi məzmununuzu hazırlayır: sənədlər hissələrə bölünür, hər hissə embedding adlanan rəqəmsal təsvirə çevrilir və bu embedding-lər çox vaxt vektor verilənlər bazası olan axtarış indeksinə daxil edilir. İkinci hissə sualları cavablandırır: istifadəçinin sualı embedding-ə çevrilir, ən yaxın hissələr tapılır və dil modeli onlardan istifadə edərək cavab yazır.
- Daxil etmə: məhsul lentlərini, siyasət səhifələrini, yardım məqalələrini və tez-tez verilən sualları toplayın.
- Hissələrə bölmə: məhsul qeydlərini bütöv saxlamaqla onları bir neçə yüz sözlük parçalara bölün.
- Embedding və indeksləmə: parçaları, çox vaxt açar söz axtarışı ilə birlikdə vektor indeksində saxlayın.
- Axtarış: hər sual üçün ən uyğun parçaları tapın.
- Nəsil: model yalnız həmin parçalardan istifadə edərək və ya onlara istinad edərək cavab yazır.
- Yeniləmə: məhsullar, qiymətlər və ya qaydalar dəyişdikdə yenidən indeksləyin.
Bir çox platforma bu addımları Azure AI Search, Google Vertex AI Search və Amazon Bedrock Knowledge Bases kimi bulud xidmətlərindən tutmuş, daxili bilik bazalarına malik elektron ticarət dəstək alətlərinə qədər paket halına gətirir. Xüsusi qurğular LangChain və ya LlamaIndex kimi çərçivələrdən istifadə edir.
Hansı elektron ticarət istifadə halları RAG üçün uyğundur?
Alış-veriş köməkçisi
Müştəri soruşur: “Müəyyən büdcə daxilində geniş ayaqlar üçün hansı qaçış ayaqqabılarınız var?” RAG köməkçisi məlumatlarında geniş ayaq ölçüsü qeyd olunan məhsulları tapır və qiymətə görə filtr edir, sonra variantları izah edir. Keyfiyyət, məhsul məlumatlarında uyğunluq məlumatının olub-olmamasından çox asılıdır. Əgər yoxdursa, heç bir model bunu etibarlı şəkildə icad edə bilməz.
Dəstək və siyasət cavabları
Qaytarma pəncərələri, çatdırılma zonaları, zəmanət şərtləri və ödəniş variantları dəyişir. RAG dəstək botu cari siyasət səhifəsindən cavab verir, ona görə də səhifəni yeniləmək botu da yeniləyir. Bu, modelin hər siyasət dəyişikliyi üçün yenidən təlim keçməli olduğu incə tənzimləməyə (fine-tuning) nisbətən böyük üstünlükdür.
Daxili alətlər
- Canlı çat zamanı siyasətləri və keçmiş qərarları axtaran müştəri xidməti agentləri.
- Ölçü cədvəlləri və ya qulluq təlimatları olmayan məhsulları soruşan merçendayzerlər.
- Daxili proses sənədlərindən götürülmüş cavablarla yeni işçilərin işə qəbulu.
- Yüzlərlə PDF sənədi üzrə təchizatçı spesifikasiyalarını sorğulayan alıcılar.
Məzmun dəstəyi
Yazıçılar faktiki məhsul atributlarına əsaslanan məhsul müqayisəsi layihələri və ya alış bələdçiləri yarada bilər, bu da uydurma spesifikasiyaları azaldır. Redaktor hələ də hər bir iddianı yoxlayır, lakin başlanğıc nöqtəsi məlumatlara əsaslanır.
RAG sisteminin pis cavab verməsinə nə səbəb olur?
RAG uğursuzluqlarının çoxu axtarış uğursuzluqlarıdır. Əgər düzgün parça tapılmazsa, model ya qeyri-müəyyən cavab verir, ya da daha pisi, boşluqları ümumi biliklərlə doldurur. Ümumi səbəblər zəif hissələrə bölmə, köhnəlmiş indekslər və müştərilərin soruşduğu detalların çatışmadığı məhsul məlumatlarıdır.
- Köhnəlmiş indeks: qiymətlər və ya ehtiyatlar dəyişib, lakin indeks yenilənməyib.
- Çatışmayan məlumat: uyğunluq, material və ya uyğunluq kimi atributlar lentdə yoxdur.
- Pis hissələrə bölmə: hissələr arasında bölünmüş siyasət cədvəli öz mənasını itirir.
- Sinonim boşluqları: müştərilər “idman ayaqqabısı” deyir, məhsul məlumatlarında “krossovka” yazılıb.
- İmtina qaydasının olmaması: axtarış heç bir uyğun nəticə tapmadıqda belə model cavab verir.
Açar söz və vektor axtarışını birləşdirən hibrid axtarış bir çox sinonim və məhsul kodu problemlərini həll edir. Mənbələr çatışmadıqda “Bu məlumat məndə yoxdur” demək üçün aydın təlimat uydurma cavabların çoxunun qarşısını alır.
RAG köməkçisini işə salmazdan əvvəl necə test etmək olar?
- Çat jurnallarından və e-poçtlardan 100 real müştəri sualı toplayın.
- Hər biri üçün düzgün cavabı və mənbə səhifəsini yazın.
- Axtarışı ölçün: sistem düzgün mənbəni ən yaxşı nəticələrində tapdımı?
- Cavabları ölçün: düzgün, qismən düzgün, yanlış və ya müvafiq şəkildə rədd edilmiş.
- Çətin halları daxil edin: anbarda olmayan məhsullar, istehsalı dayandırılmış məhsullar, digər dillər.
- Hər böyük kataloq və ya siyasət dəyişikliyindən sonra yenidən test edin.
İki balı ayırın. Əgər axtarış yaxşıdır, lakin cavablar yanlışdırsa, promptu və ya modeli düzəldin. Əgər axtarış zəifdirsə, heç bir prompt kömək etməyəcək; məlumatı və indeksi düzəldin.
Dil öz test mərhələsinə layiqdir. Türk və ingilis dillərində satış edən mağaza türk dilindəki sualın yalnız ingilis dilində olan məhsul məlumatlarını düzgün tapdığını və ya daha yaxşısı, əsas atributların hər iki dildə mövcud olduğunu yoxlamalıdır. Embedding modelləri çoxdilli keyfiyyətinə görə fərqlənir və ingilis dilində yaxşı nəticə verən sistem türk dilindəki sualların yarısını səssizcə qaçıra bilər.
Bəs məxfilik və təhlükəsizlik?
Müştərinin şəxsi məlumatlarını paylaşılan indeksdən kənarda saxlayın. Sifariş axtarışları vektor verilənlər bazasında saxlanılan sənədlər vasitəsilə deyil, təhlükəsiz, autentifikasiya edilmiş API çağırışı vasitəsilə həyata keçirilməlidir. Həmçinin prompt injection-a diqqət yetirin: əgər məhsul rəyləri və ya təchizatçı sənədləri indekslənibsə, onların daxilindəki mətn modelə təlimat verməyə cəhd edə bilər. İndekslənmiş istifadəçi tərəfindən yaradılmış məzmunu etibarsız kimi qəbul edin.
Alien Road RAG-ı elektron ticarət müştəriləri üçün necə tətbiq edir
Tipik bir əməkdaşlıq sual auditi ilə başlayır: biz bir neçə aylıq çat və e-poçt suallarını toplayır, onları mövzuya görə qruplaşdırır və müştərinin məhsul məlumatlarının və siyasət səhifələrinin həqiqətən cavabları ehtiva edib-etmədiyini yoxlayırıq. Burada aşkar edilən boşluqlar çox vaxt istənilən texnologiya seçimindən daha vacibdir, çünki uyğunluq məlumatının çatışmaması köməkçinin ilk gündən işləməsinə mane olur.
Quraşdırma adətən müştərinin stack-inə uyğun olan, hibrid axtarış, imtina qaydası və məhsul lenti ilə bağlı planlaşdırılmış yenidən indeksləməyə malik mövcud platformadan istifadə edir. Biz müştərinin dəstək komandası ilə 100 suallıq test dəstini hazırlayırıq. Ölçmə axtarış dəqiqliyini, cavab dəqiqliyini, insan agentlərinə ötürmə dərəcəsini və bot söhbətlərində müştəri məmnuniyyətini izləyir, uğursuz cavabların nümunələri və edilən düzəlişlərlə aylıq hesabat veririk.
Bu həftə haradan başlamaq lazımdır
100 son müştəri sualını ixrac edin və hər biri üçün saytınızda ona cavab verən səhifəni tapın. Heç bir yerdə cavabı olmayanları qeyd edin.
- Çat, e-poçt və bazar mesajlarından suallar toplayın.
- Hər birini mənbə səhifəsi ilə uyğunlaşdırın və ya çatışmayan kimi qeyd edin.
- Saytın özündə ən yaxşı beş çatışmayan cavabı düzəldin.
- Məhsul lentinizin müştərilərin soruşduğu atributları ehtiva edib-etmədiyini yoxlayın.
Bu məşq saytınızı dərhal yaxşılaşdırır və bu, RAG sisteminin sonradan ehtiyac duyacağı test dəstidir.
Oxumağa davam edin: Süni intellekt optimallaşdırması · Süni intellekt optimallaşdırması