E-ticaret için Vektör Veritabanları ve Gömülü Vektörler: Pratik Kullanım Durumları

OpenAI, Google, Cohere gibi sağlayıcılardan veya açık kaynaklı modeller olarak edinilebilen bir gömülü vektör modeli, metni veya görselleri yüzlerce veya binlerce boyutlu vektörlere dönüştürür. Benzer anlama sahip öğeler bu alanda birbirine yakın yerleşir. Bir sorgu aynı şekilde gömülür ve sistem en yakın ürün vektörlerini arar.

Vektör veritabanı, ölçekli depolamayı ve hızlı en yakın komşu aramasını yönetir. Seçenekler arasında Pinecone gibi yönetilen hizmetler, Weaviate, Qdrant ve Milvus gibi açık kaynaklı motorlar ve PostgreSQL için pgvector gibi uzantılar bulunur. Elasticsearch ve OpenSearch de vektör alanlarını destekler, bu da onları zaten arama için kullanıyorsanız yardımcı olur.

Arama genellikle ilk kazançtır, çünkü başarısız aramalar analitikte görünür ve doğrudan satışlara mal olur. Öneriler ve katalog çalışmaları bunu takip eder.

• Anlamsal arama: açıklayıcı sorguları, eş anlamlıları ve yazım hatalarını, bir eş anlamlılar listesinin kapsadığının ötesinde anlayın.
• Benzer ürünler: bir ürün stokta olmadığında görsel veya işlevsel olarak benzer ürünleri gösterin.
• Görsel arama: alışveriş yapanların bir fotoğraf yüklemesine ve görsel gömülü vektörlerini kullanarak eşleşen stilleri bulmasına izin verin.
• Yinelenenleri algılama: farklı tedarikçiler veya içe aktarmalar tarafından oluşturulan neredeyse aynı listeleri bulun.
• Otomatik kategorizasyon: mevcut benzer ürünlere dayanarak yeni ürünler için bir kategori önerin.
• Destek yanıtları: bir sohbet botu için doğru iade politikasını veya beden kılavuzu paragrafını alın.

Genellikle hayır. Anahtar kelime alaka düzeyini (BM25 gibi) vektör benzerliğiyle birleştiren hibrit arama, genellikle tek başına her ikisinden de daha iyi performans gösterir. Anahtar kelimeler model numaraları, bedenler ve marka adları gibi tam eşleşmeler için güçlü kalır; vektörler ise açıklayıcı ve bulanık sorgulara yardımcı olur.

Algolia, Elastic ve Shopify’ın kendi arama özellikleri dahil olmak üzere birçok ticaret arama platformu artık her iki yaklaşımı da harmanlıyor. Özel bir yığın oluşturmadan önce mevcut platformunuzun ne sunduğunu kontrol edin.

Sıralama hala iş kurallarına ihtiyaç duyar

Benzerlik tek hedef değildir. Stok seviyeleri, marj, teslimat süresi ve mevsimsellik hala önemlidir. Bunları, mükemmel ancak stokta olmayan bir eşleşmenin sonuçların en üstünde yer almaması için, getirmeden sonra filtre veya yeniden sıralama faktörleri olarak uygulayın.

Maliyetler gömülü vektörler oluşturmaktan, vektörleri saklamaktan ve sorgulara hizmet vermekten kaynaklanır. On binlerce üründen oluşan bir kataloğu barındırılan bir modelle gömmek genellikle mütevazıdır, çünkü her ürünün yalnızca bir kez ve değiştiğinde tekrar gömülmesi gerekir. Sorgu maliyetleri trafikle, depolama maliyetleri ise katalog boyutu ve vektör boyutlarıyla ölçeklenir.

Mühendislik süresi daha büyük bir maliyettir. Birinin vektörleri katalogla senkronize tutan, hibrit sıralamayı ayarlayan ve kaliteyi izleyen hattı oluşturması gerekir. Barındırılan bir platformdaki küçük bir mağaza, hiçbir mühendislik olmadan yerleşik özelliklerden faydaların çoğunu elde edebilir.

Zaten sahip olduğunuz verilerden başlayın. Analitik araçları site arama terimlerini kaydeder ve birçok platform sıfır sonuçlu aramaları bildirir. Bunlar sizin temel sorunlarınızdır.

• Sıfır sonuç oranı: hiçbir şey döndürmeyen aramaların payı.
• Aramadan çıkış oranı: arama yaptıktan hemen sonra ayrılan arayanların payı.
• Arama dönüşümü: aramayı kullanan oturumlardan gelen siparişler.
• Tıklama konumu: alışveriş yapanların tıklamadan önce ne kadar aşağı kaydırdığı.
• Manuel alaka düzeyi kontrolleri: değişikliklerden önce ve sonra derecelendirilen 50 gerçek sorgudan oluşan bir panel.

Kötü ürün verileri her şeyi baltalar. Açıklamalar zayıfsa veya tedarikçilerden kopyalanmışsa, gömülü vektörlerin çalışacak çok az şeyi vardır. Önce başlıkları ve öznitelikleri zenginleştirin. Bir diğer tuzak dili görmezden gelmektir: çok dilli mağazalar, tüm dillerini iyi işleyen bir gömülü vektör modeline veya dil başına ayrı dizinlere ihtiyaç duyar.

Üçüncüsü tazeliktir. Fiyatlar, stok veya açıklamalar değiştiğinde, vektörler ve meta veriler de güncellenmelidir. Ara sıra toplu işler çalıştırmak yerine senkronizasyonu ürün güncelleme sürecine dahil edin.

Yerleşik anlamsal aramaya sahip bir platformdaki bir mağaza için yapılandırma ve test birkaç haftaya sığabilir. Bu sürenin çoğu sorgu günlüklerini gözden geçirmeye, eş anlamlıları ayarlamaya ve sonuçları elle kontrol etmeye harcanır. Özel bir yığın daha uzun sürer, çünkü bir gömülü vektör hattına, katalog güncellemeleri için bir senkronizasyon sürecine, hibrit sıralamaya ve bir değerlendirme setine ihtiyacınız vardır.

Özel rotayı aşamalar halinde planlayın. Birinci aşama, bir dil ve bir ana kategori için yalnızca aramayı yönetir. İkinci aşama benzer ürün önerilerini ve kalan kategorileri ekler. Üçüncü aşama, veriler destekliyorsa görsel aramayı veya destek almayı kapsar. Her aşama, aynı sorgu paneline karşı bir alaka düzeyi kontrolü ile bitmelidir, böylece bir sonraki aşamanın çalışan bir şey üzerine inşa edildiğini bilirsiniz.

Faydalı bir kural, birinci aşamayı herkese aynı anda değil, örneğin arama sayfasında bir A/B testi yoluyla trafiğin bir kısmına göndermektir. Arama dönüşümü düşerse, bir satış sezonu kaybetmeden geri dönebilirsiniz.