Куда бы вы ни повернулись, люди говорят об ИИ, особенно о генеративном ИИ. ChatGPT от OpenAI стал самым быстрорастущим приложением за всю историю в начале этого года, когда его число пользователей достигло 100 миллионов. И, после использования приложения в течение нескольких минут, неудивительно, почему. Его способность генерировать удобочитаемый текст для разных целей и в разных стилях невероятна.
Пост в блоге о выращивании коз в стиле Хемингуэя? Без проблем. Эссе о подъеме и падении Древнего Рима, написанное Хантером С. Томпсоном? Легкий. Хайку о железной руде? На подходе.
Для предприятий электронной коммерции вариантов использования множество. Вместо того, чтобы нанимать копирайтера для описания вашего продукта, передайте эту задачу ChatGPT за небольшую часть стоимости. Или, если вы ограничены в ресурсах, прекратите писать описания продуктов самостоятельно и освободите время для всех других задач, которые у вас есть.
Допоздна отвечаете на входящие вопросы от клиентов? Попросите ChatGPT набросать что-нибудь для просмотра и редактирования.
Как насчет форматирования информации о продукте? Опять же, отправьте ChatGPT таблицу спецификаций продукта, и с правильными подсказками он преобразует ее в маркированный список или любой другой формат, который вы укажете.
Если вы занимаетесь электронной коммерцией и у вас есть задача, требующая создания текста любого типа, вам следует использовать ChatGPT, чтобы сократить время выполнения или сократить расходы. Хотя это отличная разработка для владельцев предприятий электронной коммерции, она лишь поверхностно показывает, что ChatGPT и AI могут сделать для вашего бизнеса в более широком смысле.
Подождите, что еще GPT может сделать для моего бизнеса электронной коммерции?
В некоторой степени вау-фактор генеративного ИИ оказывает медвежью услугу общему потенциалу ИИ для улучшения результатов для предприятий электронной коммерции. Вау-эффект от того, что именно тот фрагмент текста, который вам нужен, появляется в ответ на короткую подсказку, несомненно, является революционным событием для владельцев бизнеса электронной коммерции. Но новое поколение больших моделей искусственного интеллекта, таких как ChatGPT для текста и его аналог DALL-E для изображений, откроют новые возможности для предприятий электронной коммерции, помимо создания нового контента.
Одной из таких возможностей является возможность анализировать и манипулировать неструктурированными данными. Типичными примерами неструктурированных данных являются видео, изображения, аудио и проза (например, обзоры продуктов). Эти данные отличаются от структурированных данных, которые обычно хранятся в таблице со строками и столбцами. Примером структурированных данных может быть таблица, в которой показан доход по линейке продуктов за каждый месяц года. Годы — это столбцы, а строки — линейки продуктов. Это структурированный фрагмент данных, который вы можете легко запросить: «Каковы были мои продажи продукта X в июне?».
Но неструктурированные данные не такие. Допустим, вы управляете бизнесом электронной коммерции, который продает ковры. У вас есть много неструктурированных данных о вашем продукте: изображения, которые показывают продукт в разных настройках, видео, которые делают то же самое, отзывы клиентов, описания продукта. Если вы сами кропотливо не структурируете эти данные, вы не сможете запросить их.
Пример поможет проиллюстрировать проблему. Вспомните, что вы продаете ковры. Коврики часто кладут поверх деревянных полов. Допустим, вы хотите сравнить эффективность продаж товаров с фотографиями, сделанными на дубовом, вишнёвом и ореховом полу.
Если вы не записали эту информацию, когда делали фотографии, и не сохранили ее где-то, ответ на этот вопрос может оказаться трудоемким. Кто-то должен был изучить каждую фотографию и отметить использованное дерево. Даже если вы сделаете эту задачу управляемой с помощью выборки, это будет стоить много времени, денег или и того, и другого.
Давайте немного покрутим эту проблему. Представьте, что вы читаете обзор одного из ваших ковров, в котором говорится что-то вроде этого:
«Я был очень рад получить этот ковер, на фотографиях он выглядел великолепно! К сожалению буду возвращать. Мои полы сделаны из дуба, но все фотографии продукта сделаны на полах из вишневого дерева. Ковер просто не подходит к цветам моей комнаты, поэтому я верну его. Мне тоже грустно, потому что качество потрясающее, а цена очень разумная».
Здесь у нас есть потерянная продажа из-за несоответствия между тем, что клиент ожидал, и тем, что он испытал. И это особенно прискорбно, потому что, помимо несоответствия цвета, продукт понравился покупателю! Сильный отзыв, который мог бы привести к дополнительным продажам, внезапно становится предостережением для других покупателей.
Но прежде чем вы пойдете и потратите деньги, чтобы сделать новые фотографии продукта для этого конкретного ковра, вы должны понять, насколько это серьезная проблема. Это всего лишь один отзыв, и в этом случае, возможно, вам не нужно беспокоиться? Или есть еще подобные отзывы, которые снижают продажи отличного продукта?
Опять же, это еще одна трудоемкая задача, требующая готовой кучи обзоров. Это дорого либо по времени, либо по деньгам, либо по тому и другому.
Но с появлением больших моделей ИИ, таких как GPT, обе эти проблемы могут быть решены гораздо быстрее и дешевле.
электронная коммерция, встречайте векторы; векторы, знакомьтесь с электронной коммерцией
Чтобы понять, как ИИ поможет владельцам бизнеса электронной коммерции контролировать свои неструктурированные данные, нужно изучить аспекты работы этих моделей.
Наиболее важной является концепция векторов и ********внедрения векторов. Короче говоря, большие модели ИИ нуждаются в способ представления неструктурированных данных в формате, который может быть прочитан машиной. У компьютера нет понятия это платье синее. Но что он понимает, так это числа.
Если вы изучали алгебру в средней школе или колледже, возможно, вы уже знакомы с векторами. Но проще всего о них думать, что вектор — это просто линия. Ниже приведен пример из НАСА. Не беспокойтесь слишком о словах и просто сосредоточьтесь на том факте, что вектор — это линия:
Одним из важнейших компонентов больших моделей ИИ является преобразование неструктурированных данных в чрезвычайно сложный вектор, который мы называем встраиванием вектора.
Как модель ИИ делает это, для нас не очень важно. Что действительно важно, так это то, что когда две части похожих данных подаются в большую модель ИИ, результирующие векторные вложения также будут похожими.
Чтобы понять это, рассмотрите использование слова «кран» в приведенном ниже примере. Среди прочего кран может быть как птицей, так и частью тяжелой техники, используемой в строительстве. Не вдаваясь в технические подробности, на приведенном ниже рисунке показаны векторные вложения, которые были переведены в два измерения (т. е. измерения x и y, как на изображении НАСА выше). Эти вложения являются продуктом различных фрагментов текста, в которых используется слово «кран».
Мы можем сразу увидеть, что ссылки на журавля как на птицу находятся ближе к верхней части изображения, а те, что относятся к журавлю как к машине, находятся внизу. Иными словами, эти два разных типа значений далеки друг от друга.
И это важный момент, вытекающий из того факта, что неструктурированные данные, имеющие аналогичное значение, будут создавать аналогичные векторные вложения: вы можете использовать эти вложения вместо ручной проверки и маркировки неструктурированных данных.
Вернемся к нашему примеру с ковром из предыдущего примера. Вот обзор, который мы рассматривали:
«Я был очень рад получить этот ковер, на фотографиях он выглядел великолепно! К сожалению буду возвращать. Мои полы сделаны из дуба, но все фотографии продукта сделаны на полах из вишневого дерева. Ковер просто не подходит к цветам моей комнаты, поэтому я верну его. Мне тоже грустно, потому что качество потрясающее, а цена очень разумная».
Напомним, что мы хотели узнать, сколько других отзывов были похожи на этот. Если мы преобразуем наши обзоры в векторные вложения, мы теперь сможем получить ответ на этот вопрос, не проверяя каждый обзор, потому что, как мы обсуждали, похожие обзоры будут давать аналогичные вложения.
Чтобы убедиться в этом на практике, пожалуйста, прочитайте подготовленный нами кейс с обзорами женской одежды.
Какое это имеет отношение к ChatGPT?
Просто ChatGPT (или, точнее, модель, на которой основан ChatGPT) можно использовать для создания вложений ваших данных! OpenAI, компания, стоящая за ChatGPT, позволит любому создавать вложения из своих данных за небольшую плату.
Это означает, что любой бизнес, даже частный оператор электронной коммерции, теперь может выполнять аналитические запросы к своим неструктурированным данным.
В NNext мы создаем инструменты, необходимые для быстрого и, что важно, экономичного выполнения этих запросов. Если вы занимаетесь электронной коммерцией и вам нужна помощь в анализе ваших неструктурированных данных, зарегистрируйтесь сейчас в нашем списке ожидания на app.nnext.ai!
