Varejo impulsionado por IA: personalização e precisão

Visão Geral da Solução

Essa solução integra o modelo de dados flexível do MongoDB à análise avançada do Databricks para criar recursos de pesquisa aumentados por IA para plataformas de varejo online, oferecendo uma experiência de compra mais intuitiva e eficiente.

Ao usar IA, aprendizado de máquina e MongoDB Atlas Vector Search, você pode personalizar a experiência de compra de seus clientes e sugerir produtos que se alinham com suas preferências e histórico de pesquisa. Isso aumenta a satisfa- ção do cliente e gera vendas.

Nesta solução, o MongoDB Atlas oferece um ambiente de banco de dados escalável que gerencia com eficiência grandes e diversos conjuntos de dados e-commerce . O MongoDB Atlas Vector Search processa queries de pesquisa complexas para garantir que os clientes encontrem o que procuram, mesmo com termos de pesquisa parciais. Por fim, o Databricks oferece poderosos recursos de aprendizado de máquina e análise em tempo real, o que aumenta a precisão do Vector Search. Você pode aplicar essa estrutura a outros setores, como serviços financeiros, saúde e seguros.

Arquiteturas de referência

Os dois diagramas a seguir exibem a arquitetura da solução. O primeiro diagrama mostra a arquitetura geral da solução e o segundo mostra a parte de Vector Search da solução em mais detalhes. Essas arquiteturas trabalham juntas nesta solução.

figura 1. Arquitetura de um mecanismo de pesquisa aprimorado por IA com diferentes componentes do MongoDB Atlas , blocos de anotações Databricks e fluxos de trabalho de dados.

Figura 2. Arquitetura de uma solução de pesquisa vetorial que demonstra como os dados fluem pelos diferentes componentes integrados do MongoDB Atlas e do Databricks

Abordagem do modelo de dados

Ao trabalhar com esta solução, os desenvolvedores devem usar o Padrão Polimórfico ao armazenar seus dados. Esse padrão permite queries eficientes mesmo quando os documentos de uma collection compartilham uma estrutura semelhante, mas não idêntica.

Nesta solução, cada documento de produto tem campos comuns, como _id, price ou brandName. Eles também podem ter campos diferentes específicos da categoria do produto, como color1, ageGroup ou season. Devido ao modelo de dados de documento flexível do MongoDB, você pode projetar seu esquema para oferecer suporte à uniformidade e à personalização ao representar diferentes tipos de produtos dentro da mesma coleção.

O seguinte bloco de código fornece um exemplo de um documento que representa um item de produto:

1
{
2
   "_id": {
3
      "$oid": "64934d5a4fb07ede3b0dc0d3"
4
   },
5
   "colour1": "NA",
6
   "ageGroup": "Adults-Women",
7
   "link": "http://assets.myntassets.com/v1/images/style/properties/41b9db06cab6a17fef365787e7b885ba_images.jpg",
8
   "brandName": "Baggit",
9
   "fashionType": "Fashion",
10
   "price": {
11
      "$numberDouble": "375.0"
12
   },
13
   "atp": {
14
      "$numberInt": "1"
15
   },
16
   "title": "Baggit Women Chotu Taj White Belt",
17
   "gender": "Women",
18
   "mfg_brand_name": "Baggit",
19
   "subCategory": "Belts",
20
   "masterCategory": "Accessories",
21
   "score": {
22
      "$numberDouble": "0.0"
23
   },
24
   "season": "Summer",
25
   "articleType": "Belts",
26
   "baseColour": "White",
27
   "id": "33464",
28
   "discountedPrice": {
29
      "$numberDouble": "324.0"
30
   },
31
   "productDisplayName": "Baggit Women Chotu Taj White Belt",
32
   "count": {
33
      "$numberInt": "10"
34
   },
35
   "pred_price": {
36
      "$numberDouble": "0.8616750344336797"
37
   },
38
   "price_elasticity": {
39
      "$numberDouble": "0.0"
40
   },
41
   "discount": {
42
      "$numberDouble": "14.0"
43
   }
44
}

Construir a solução

Principais Aprendizados

• Transformar dados brutos: você pode usar gatilhos e funções para enviar dados brutos do MongoDB Atlas para o Databricks. Você também pode aproveitar o conector MongoDB para Spark para moldar seus dados para diferentes algoritmos de machine learning.

• Processar dados em tempo real: você pode processar dados em tempo real para obter insights acionados, como pontuação de produtos, promoção de produtos e mecanismos de recomendações.

• Use um esquema flexível: você pode usar o modelo de documento flexível do MongoDB para aplicar o padrão polimórfico. Isso permite armazenar documentos com campos compartilhados e exclusivos dentro da mesma coleção.

Autores

• Francesco Baldissera, MongoDB

• Ashwin Gangadhar, MongoDB

• Vittal Pai, MongoDB

Saiba mais

• Resumo de vídeo com tecnologia GenAI

• Otimize o gerenciamento global de jogos.

• Conversão de notícias de texto para áudio com IA generativa