Para agentes de IA: um índice de documentação está disponível em https://www.mongodb.com/pt-br/docs/llms.txt — as versões de markdown de todas as páginas estão disponíveis anexando .md a qualquer caminho de URL.

Precificação em tempo real impulsionada por AI com a MongoDB e a Vertex AI

Aproveite os insights de dados em tempo real para otimizar preços e conseguir uma vantagem competitiva.

Casos de uso: Personalização, IA generativa

Setores: Varejo

Produtos: MongoDB Atlas, Collections do MongoDB Atlas, Clusters do MongoDB Atlas

Parceiros: Google Cloud, Vertex AI, Cloud Functions

A precificação dinâmica, a arte de ajustar preços em tempo real com base nas condições de mercado, é uma estratégia crucial para empresas que visam maximizar a receita e obter uma vantagem comparativa. Para implementar efetivamente a preços dinâmicos, é essencial uma infraestrutura tecnologia robusta. A solução integra MongoDB Atlas e a Vertex AI do Google Cloud Platform para criar um microsserviço de preços dinâmicos em tempo real. Os modelos Vertex AI Notebooks e TensorFlow utilizam o Google Cloud Platform Pub/Sub para rápida ingestão de dados, a fim de analisar o comportamento do cliente e otimizar as estratégias de preços. O MongoDB Atlas serve como um armazenamento flexível de recursos para dados de preços complexos, enquanto os recursos computacionais robustos do Google Cloud Platform permitem cálculos e hospedagem complexos.

O resultado é um sistema de precificação dimensionável e adaptável que proporciona ajustes instantâneos de preços com base na inteligência de mercado mais recente. Essa integração aumenta a eficiência operacional ao lidar de modo eficaz com grandes conjuntos de dados e cenários de preços complexos.

A arquitetura de um microsserviço de preços dinâmicos integra o MongoDB e o Google Cloud Platform Vertex AI para facilitar o processamento de dados em tempo real e os ajustes de preços responsivos. O Google Cloud Platform Pub/Sub lida com a ingestão e a distribuição de dados de comportamento do cliente , permitindo o processamento de mensagens escalável e eficiente. Esses dados são então limpos e processados no Vertex AI Notebooks, onde o TensorFlow desenvolve modelos de aprendizado de máquina para prever os preços ideais com base em padrões identificados em dados históricos.

O MongoDB Atlas serve como o repositório central de dados e armazenamento de recursos, armazenando dados complexos de preços e dando suporte aos modelos de aprendizado de máquina. O document model do MongoDB fornece a flexibilidade necessária para gerenciar e atualizar dados de preços dinamicamente. O Google Cloud Functions orquestra todo o fluxo de trabalho, processando eventos de cliente, convertendo-os em tensores e garantindo que as previsões do modelo sejam atualizadas em tempo real no catálogo de produtos do MongoDB Atlas. No diagrama de arquitetura, o fluxo de dados azul ilustra como os dados de eventos de cliente são ingeridos em um tópico do Pub/Sub, resultando em uma assinatura push que aciona a função de nuvem. Essa função transforma eventos brutos em tensores e atualiza os preços previstos no catálogo de produtos do MongoDB.

Essa abordagem de arquitetura permite o isolamento de threads de eventos brutos, possibilitando o desenvolvimento de vários serviços que podem reagir em tempo real para precificação dinâmica ou operar de maneira assíncrona para treinamento de modelos. Mantendo um acoplamento flexível entre os componentes, o sistema é resiliente e evita falhas completas se uma parte apresentar problemas. Editores e assinantes podem continuar processando sua lógica de modo independente, garantindo um sistema robusto e flexível que oferece suporte a operação contínua e atualizações perfeitas.

O MongoDB permite armazenar compressores e funcionalidades relacionadas juntos em uma única collection para dar suporte a arquiteturas orientadas a eventos. Essa abordagem simplifica a recuperação e o processamento de dados, mas requer um gerenciamento cuidadoso porque documentos grandes podem impacto o desempenho. Essa flexibilidade também facilita a análise integrada de dados e a tomada de decisões em tempo real.

Para saber mais, confira nossa publicação no blog Vertex IA e MongoDB para Preços de Varejo Inteligentes.

O repositório Github contém instruções detalhadas sobre como construir esta solução.

1
  • Faça login no MongoDB Atlas e crie um novo cluster.

  • Escolha uma região mais próxima da sua base de usuários para obter o melhor desempenho possível.

  • Configure a segurança da seguinte maneira:

    • Crie usuários de banco de dados com funções específicas.

    • Habilite o acesso IP para proteger a conexão do banco de dados .

    • Conecte-se ao seu cluster usando a string de conexão fornecida pelo Atlas para integração de aplicativos.

2
  • Faça log in no console do Google Cloud e crie um novo projeto para o seu microsserviço.

  • Certifique-se de que você habilitou as APIs necessárias para seu projeto.

  • Instale e inicialize a CLI do Google Cloud.

    • Faça a autenticação com sua conta do Google Cloud.

    • Defina seu projeto como o padrão.

3
  • Clone o repositório e navegue até o diretório do microsserviço dynamicPricing.

  • Instale os pacotes necessários do Python usando o pip.

  • Configure as variáveis de ambiente para o MongoDB Atlas, credenciais do Google Cloud e Pub/Sub.

  • Configure um tópico do Pub/Sub no Google Cloud.

  • Desenvolva a lógica de precificação para o serviço dynamicPricing.

  • Use a Vertex AI para criar um novo notebook para conectar ao MongoDB e treinar o modelo.

  • Treine um modelo do TensorFlow limpando dados, criando o modelo e o treinando.

  • Salve e carregue o modelo treinado no Google Cloud Storage.

  • Registre o modelo na Vertex AI para gerenciamento e implantação.

4
  • Implante o modelo.

    • Acesse a seção Vertex AI no console do Google Cloud.

    • Localize e selecione o modelo que você quer implantar.

    • Clique em "Deploy to endpoint" na aba "Deploy & Test".

    • Conclua a configuração de implantação ajustando as definições do modelo e o monitoramento.

  • Retrieve Endpoint ID.

    • Vá para "Endpoints" na Vertex AI e anote o ID do ponto de extremidade para usar na configuração da função de nuvem.
  • Configure a função de nuvem.

    • Crie uma nova função de nuvem no Google Cloud.

    • Defina o trigger da função para o tópico do Pub/Sub que você criou.

    • Implemente o código na função para pré-processar os dados do evento, invocar o modelo da Vertex AI para previsões e atualizar o MongoDB com os resultados.

  • Prepare as dependências.

    • Certifique-se de que o arquivo requirements.txt inclua todas as bibliotecas necessárias para a função de nuvem.
  • Simule eventos do cliente.

    • Utilize um script fornecido para gerar dados sintéticos de comportamento de clientes.

    • Envie esses dados para o MongoDB e o Pub/Sub para testar o modelo e a integração de microsserviços.

  • Execute a simulação.

    • Execute o script para validar o sistema completo de ponta a ponta.
  • Armazenamento centralizado de recursos: o MongoDB serve como um armazenamento de recursos, funcionando como um repositório centralizado para armazenar, gerenciar e processar recursos para modelos de aprendizado de máquina (ML). Suas capacidades polimórficas utilizam uma única interface para representar vários tipos de dados, o que permite incorporar novos recursos e adaptar modelos de precificação. No contexto da precificação dinâmica, essa funcionalidade facilita a incorporação de novos fatores ou variáveis de precificação sem causar interrupções nas operações.

  • Escalabilidade e eficiência: O Google Cloud Platform Pub/Sub pode lidar com volumes massivos de dados de cliente de forma eficiente, garantindo a escalabilidade para aplicativos do mundo real.

  • Atualizações de preços em tempo real: As funções da nuvem acionam os modelos TensorFlow para gerar preços dinâmicos com base no comportamento do cliente. Esses preços gerados são então inseridos ou atualizados (upserted) de volta à coleção do catálogo de produtos no MongoDB , permitindo ajustes em tempo real no aplicação e-commerce .

  • Francesco Baldissera, MongoDB

  • Sebastian Rojas Arbulu, MongoDB