Classificação de inventário alimentada por IA da Geração

Visão Geral da Solução

As operações automóveis globais enfrentam interrupções crescentes. A geopolítica instável e o retorno das taxas atrasaram as transições entre anos-modelo e criaram uma grave falta de estoque. A partir de 2025 de junho, os veículos do próximo ano modelo consistem em apenas 3% do inventário dos EUA. Para navegar por esse estoque restrito e proteger as bordas, você precisa de ferramentas que vão além das simples métricas financeiros.

Tradicionalmente, as organizações contam com a análiseABC para segmentar o estoque. Esse método prioriza itens somente com base no uso em dólares, onde a "Categoria A" gera a maior parte da receita e a "Categoria C", a menor. Embora simples, essa abordagem ignora variáveis críticas, como tempo de espera, durabilidade ou obsolescência.

figura 1. Análise BC para classificação de inventário.

A Classificação de Inventário de Vários Critérios (MCic) melhora isso adicionando pontos de dados quantitativos, mas ainda sofrem de um ponto morto: dados não estruturados. As avaliações de clientes, os registros de manutenção e o comportamento social representam 80% dos dados globais, mas os modelos tradicionais não podem processá-los. Esta solução preenche essa lacuna. Ao combinar a IA generativa e o MongoDB Atlas Vector Search, você transforma o feedback qualitativo em recursos de pontuação acionados.

figura 2. Transformando dados não estruturados em recursos para modelos de machine learning.

Essa solução permite que você mude do rastreamento reativo de estoque para a tomada de decisões preditivas e baseada no cliente. O MongoDB capacita a próxima geração de classificação de inventário orientada por IA por meio de uma metodologia de quatro etapas:

1. Crie e armazene incorporações vetoriais a partir de seus dados não estruturados.

2. Crie e armazene critérios de avaliação relevantes para seus objetivos de negócios.

3. Crie um aplicação de agente para realizar a transformação de dados com base nesses critérios.

4. Execute novamente o modelo de classificação de inventário com as novas funcionalidades adicionadas.

figura 3. Mecanismo e requisitos para classificação de inventário alimentada pela Gen AI.

Além de automatizar a avaliação manual de critérios qualitativos, esta solução operacionaliza toda a sua estratégia de dados. Ao unificar incorporações vetoriais, metadados e dados operacionais em uma única plataforma, você elimina a latência de pipelines de análise em lote desconexos. Você pode processar novos SKUs no momento em que eles chegarem, o que lhe permite gerenciar catálogos de produtos massivos com precisão e escala em tempo real.

Arquiteturas de referência

Essa arquitetura operacionaliza a metodologia de quatro etapas. Essa solução depende de um fluxo de trabalho dinâmico e de agente em que o MongoDB Atlas serve como o backend de dados.

1

Criar e armazenar incorporações vetoriais

Integre dados não estruturados, como avaliações de produtos, notas de fornecedores ou transcrições de suporte, no MongoDB Atlas. Use um modelo de incorporação (como os da Voyage AI) para vetorizar esse texto. Em seguida, você armazena as incorporações resultantes diretamente ao lado do texto original em seus documentos MongoDB . Essa abordagem unificada reduz a complexidade da infraestrutura e permite que você execute pesquisas semânticas de baixa latência por meio de uma única API.

figura 4. As avaliações de produtos podem ser armazenadas como incorporações vetoriais no MongoDB Atlas.

2

Critérios de avaliação de design e loja

Defina regras de classificação com base em seus objetivos de negócios específicos, incluindo redução de custos, minimização de rupturas de estoque ou melhoria da experiência do cliente . Anteriormente, isso exigia muito esforço manual e profundo conhecimento de especialistas para mapear essas metas em relação aos dados. Agora, um agente de IA automatiza e dimensiona esse processo.

O agente analisa seus dados disponíveis e contexto para propuser os parâmetros ideais e combinações de fonte de dados para atender aos seus objetivos. Você armazena essas definições dinâmicas no MongoDB como documentos JSON flexíveis. Isso permite que você aplique a tomada de decisões consistente e informada em estoques massivos e se adapte instantaneamente aos requisitos de negócios em constante mudança.

figura 5. Dados não estruturados e estruturados são usados pelo agente de IA para criar critérios para a geração de recursos.

3

Transforme dados com um aplicação de agente

Nesta etapa, um segundo agente de IA calcula as pontuações reais do seu inventário. O agente itera pelo seu catálogo de produtos e usa o MongoDB Atlas Vector Search para recuperar avaliações de cliente específicas relevantes para os critérios definidos na etapa 2.

O agente analisa esse conjunto de recuperação, calcula uma pontuação numérica de funcionalidade e atualiza o documento original do produto com esses novos dados. Essa capacidade aprimora seu conjunto de dados com insights qualitativos que agora são matematicamente comparáveis às suas métricas numéricas.

figura 6. Um agente de IA aprimora as funcionalidades do produto com dados de análise vetorizados para gerar novas funcionalidades.

4

Execute novamente o modelo de classificação de inventário

Incorpore esses novos recursos ao seu modelo MCic. Os especialistas no domínio podem atribuir pesos a esses novos sinais gerados por IA para equilibrá-los em relação às métricas financeiros tradicionais. Execute novamente o algoritmo de classificação para segmentar seu estoque em categorias informadas que refletem o valor econômico e o relacionamento real do cliente .

figura 7. Os especialistas no domínio podem reexecutar a classificação após equilibrar os pesos.

Abordagem do modelo de dados

O modelo de documento MongoDB unifica diversos tipos de dados sem restrições rígidas de esquema. Esse recurso simplifica a forma como você representa dados complexos em escala. Os exemplos a seguir ilustram as estruturas de dados necessárias para esse fluxo de trabalho de agente.

• Métricas numéricas

  Normalmente, as transações de inventário, como orders, contêm os dados brutos necessários para calcular as métricas MCIS padrão, como uso anual em dólares, custo unitário médio, uso anual total e tempo de entrega.

  Em sistemas relacionais, os dados de pedidos geralmente são fragmentados em várias tabelas para cabeçalhos, itens de linha e Logística. Para otimizar o desempenho de leitura e simplificar a lógica do aplicação , você pode armazenar esses dados em uma única coleção de pedidos.

  Usando o Padrão de Referência Estendida, você incorpora informações do produto na lista de itens do pedido. Essa abordagem permite recuperar o contexto completo de uma transação em uma única operação de banco de dados .

  {
    "_id": "order_55021",
    "status": "delivered",
    "purchaseTimestamp": { "$date": "2024-05-08T16:05:31.000Z" },
    "items": [
      {
        "price": 85.00,
        "productId": "part_9921_brake_pad",
        "productName": "Ceramic Brake Pads - Front Pair"
      }
    ],
    "reviews": [
      {
        "reviewId": "rev_7721",
        "score": 5,
        "commentTitle": "Great fit",
        "commentMessage": "Arrived on time and fit perfectly on my 2020 Sedan."
      }
    ]
  }

• Métricas derivadas de fontes não estruturadas

  Muitas vezes, existem sinais de valor de estoque em textos não estruturados, como registros de manutenção, tickets de suporte ou feedback de cliente . Neste exemplo, você pode usar avaliações para realizar a análise semântica gerando incorporações vetoriais para o título e o conteúdo da mensagem.

  Armazene incorporações vetoriais (emb) juntamente com os campos de texto originais para permitir pesquisas híbridas usando o MongoDB Atlas Vector Search. Além disso, metadados como a pontuação da revisão permitem combinar queries semânticas (por exemplo, encontrar avaliações sobre "fiabilidade") com filtros estruturados (por exemplo, "score": 5).

  {
    "_id": "rev_99812",
    "productId": "part_9921_brake_pad",
    "score": 5,
    "title": "Excellent durability",
    "message": "I've put 20k miles on these pads and they still look new. Much better than OEM.",
    "emb": [0.02, -0.15, 0.44, 0.12, ... ]
  }

• Definição de critérios

  Uma etapa crucial dessa solução é definir critérios de classificação flexíveis e orientados por dados. Em vez de confiar em regras codificadas, salve os critérios como "objetos de conhecimento" em uma coleção de critérios. Um agente de IA gera essas definições com base em seus objetivos de negócios (por exemplo, "Durabilidade") e nos dados disponíveis.

  A estrutura do documento inclui pesos, escalas de pontuação explícitas e fontes de dados. Essa estrutura de documento fornece um esquema que o agente pode usar para avaliar consistentemente produtos em seu inventário.

  {
    "criteriaName": "Durability",
    "criteriaDefinition": "Measures how customers perceive the product’s durability relative to their expectations.",
    "elements": [
      {
        "name": "Expected Durability",
        "weight": 0.30,
        "description": "The level of durability customers believe the product should have based on price and category."
      },
      {
        "name": "Perceived Durability",
        "weight": 0.40,
        "description": "How customers describe the actual durability, build quality, and sturdiness after usage."
      }
    ],
    "scoringScale": [
      {
        "description": "Highly durable item that meets or exceeds expectations, strongly positive sentiment",
        "score": 1
      },
      {
        "description": "Low durability item that fails to meet expectations, negative sentiment",
        "score": 0.01
      }
    ],
    "dataSources": ["inventory", "reviews"]
  }

Construir a solução

Para demonstrar essa metodologia em ação, a equipe criou um aplicação simples que executa os conceitos apresentados nas etapas anteriores. Esta demonstração operacionaliza o fluxo de trabalho do agente, permitindo que você experimente a transição da classificação MCic tradicional para a classificação aprimorada por IA.

Você pode acessar o código fonte e a documentação completos no Repositório do GitHub.

figura 8. Arquitetura de alto nível do aplicação de demonstração.

Siga estas etapas para configurar o aplicação e explorar o fluxo de trabalho do agente:

1. Inicializar o banco de dados: Crie um cluster MongoDB Atlas e popular o banco de dados com o inventário fornecido e os dados de revisão.

2. Configure o ambiente: Clone o repositório, configure seu arquivo .env.local com as credenciais do MongoDB Atlas e AWSBedrock e inicie o aplicativo npm run dev usando.

3. Executar análises tradicionais: selecione um critério quantitativo padrão, como Uso anual de dólares, no painel esquerdo e clique em Executar análise para estabelecer uma classificação de linha de base.

4. Definir novos critérios: clique em Adicionar novos critérios e descreva um objetivo de negócios como "Identificar produtos com alta fidelidade do cliente ". O agente propoe uma definição estruturada e fontes de dados.

5. Gerar pontuações: Clique em Gerar. O agente itera pelo seu inventário, analisa dados não estruturados e atribui pontuações a cada produto.

6. Refinar a classificação: incorpore os novos critérios à sua seleção, ajuste os pesos e clique em Executar análise novamente para ver como os insights qualitativos mudam suas categorias de inventário.

Veja o aplicação de demonstração em ação na seção a seguir.

figura 9. Classificação de inventário usando IA generativa.

Principais Aprendizados

Essa solução demonstra como modernização da classificação de estoque combinando IA generativa com a flexibilidade do modelo de documento . Ao implementar essa arquitetura, considere estes benefícios principais:

• Desbloqueie o valor de estoque oculto: as métricas financeiros tradicionais perdem insights críticos contidos no texto. Ao vetorizar dados não estruturados, como avaliações de cliente e registros de manutenção, você transforma o feedback qualitativo em recursos quantitativos que melhoram a precisão da classificação.

• Automatizar geração de critérios: a definição manual de regras é lenta e rígida. Um fluxo de trabalho de agente permite gerar e pontuar dinamicamente os critérios de avaliação com base em objetivos de negócios de alto nível. Isso dimensiona a tomada de decisões de especialistas em catálogos de produtos massivos.

• Simplifique a arquitetura de dados: sistemas desconectados criam latência. Ao armazenar dados operacionais, metadados e incorporações de vetores em um único modelo de documento do MongoDB , você elimina pipelines complexos de extração, transformação e carga (ETL) e permite a análise em tempo real de novos itens de estoque.

• Melhora a qualidade da decisão: as métricas financeiras por si só levam a lacunas na visão. A integração das pontuações de confiança do cliente e confiabilidade do produto cria uma visão global do valor do estoque, permitindo que você priorize itens de alto impacto que a análise analítica tradicional ignora.

Autores

• Humza Akhtar, MongoDB

• Rami Pinto Prieto, MongoDB

• David Jamir, MongoDB

Saiba mais

• Renovando a classificação de inventário com IA generativa

• Repositório do GitHub: otimização de inventário orientada por IA com o MongoDB

• Sistema de gerenciamento de inventário orientado por eventos

• MongoDB para Manufatura e Mobilidade