对于 AI 代理:可在 https://www.mongodb.com/zh-cn/docs/llms.txt 获取文档索引—通过在任何 URL 路径后添加 .md 可获取所有页面的 Markdown 版本。

AI 驱动的零售:个性化和准确性

使用机器学习和向量搜索提供个性化、准确的搜索体验。

使用案例: 生成式人工智能

行业: 零售

产品: MongoDB Atlas、MongoDB Atlas Search、MongoDB Atlas Vector Search、MongoDB Change Streams、MongoDB Connector for Spark

合作伙伴: Databricks

该解决方案将 MongoDB灵活数据模型与 Databricks 的高级分析集成在一起,为在线零售平台创建AI增强的搜索功能,提供更直观、更高效的购物体验。

通过使用AI、机器学习和MongoDB Atlas Vector Search,您可以为客户提供个性化的购物体验,并推荐符合他们偏好和搜索历史的产品。这提高了客户满意度并促进了销售。

在此解决方案中, MongoDB Atlas提供可扩展的数据库环境,可高效管理大型且多样化的电子商务数据集。MongoDB Atlas Vector Search 可以处理复杂的搜索查询,确保客户即使使用部分搜索词也能找到他们要找的内容。最后,Databricks 提供强大的机器学习和实时分析功能,从而提高了 Vector Search 的准确性。您可以将此框架应用其他行业,例如金融服务、医疗保健和保险。

以下两图显示了该解决方案的架构。第一个图表显示了整体解决方案架构,第二个图表更详细地显示了解决方案的矢量搜索部分。这些架构在此解决方案中协同工作。

RAG 查询流程总体架构

图 1。具有不同MongoDB Atlas组件、Databricks 笔记本和数据工作流的AI增强型搜索引擎的架构。

RAG 查询流Atlas Vector Search

图 2.向量搜索解决方案的架构,展示了数据如何流经 MongoDB Atlas 和 Databricks 的各个不同的集成组件

使用此解决方案时,开发人员应在存储数据时使用多态模式。即使集合中的文档股票相似但不相同的结构,此模式也可实现高效查询。

在此解决方案中,每个产品文档都有通用字段,例如 _id、price 或 brandName。它们还可以具有特定于产品类别的不同字段,例如 color1、ageGroup 或 season。由于 MongoDB 灵活的文档数据模型,您可以设计模式,在同一集合中表示不同产品类型时支持统一性和自定义。

以下代码区块提供了表示产品项的文档示例:

{ "_id": { "$oid": "64934d5a4fb07ede3b0dc0d3" }, "colour1": "NA", "ageGroup": "Adults-Women", "link": "http://assets.myntassets.com/v1/images/style/properties/41b9db06cab6a17fef365787e7b885ba_images.jpg", "brandName": "Baggit", "fashionType": "Fashion", "price": { "$numberDouble": "375.0" }, "atp": { "$numberInt": "1" }, "title": "Baggit Women Chotu Taj White Belt", "gender": "Women", "mfg_brand_name": "Baggit", "subCategory": "Belts", "masterCategory": "Accessories", "score": { "$numberDouble": "0.0" }, "season": "Summer", "articleType": "Belts", "baseColour": "White", "id": "33464", "discountedPrice": { "$numberDouble": "324.0" }, "productDisplayName": "Baggit Women Chotu Taj White Belt", "count": { "$numberInt": "10" }, "pred_price": { "$numberDouble": "0.8616750344336797" }, "price_elasticity": { "$numberDouble": "0.0" }, "discount": { "$numberDouble": "14.0" }}
1

访问 Atlas Vector Search 快速入门指南,并在几分钟内创建您的第一个索引。

2

要学习;了解如何准备数据、索引向量嵌入和运行向量搜索查询,请阅读以下页面:

3

要在本地部署应用程序,请按照此Github存储库中的 README 说明进行操作。

4

要学习;了解如何使用JSON创建 Databricks 作业和工作流程,请参阅此 Databricks 文档。

5

有关笔记本,请参阅此Github文件夹。

  • 转换原始数据:您可以使用触发器和函数将原始数据从MongoDB Atlas推送到 Databricks。您还可以利用MongoDB Connector for Spark为不同的机器学习算法调整数据。

  • 处理实时数据:您可以进程实时数据以获得可行的见解,例如产品评分、产品促销和推荐引擎。

  • 使用灵活的模式:您可以使用 MongoDB 灵活的文档模型来应用多态模式。这允许您在同一集合中存储具有共享字段和唯一字段的文档。

  • Francesco Baldissera, MongoDB

  • Ashwin Gangadhar,MongoDB

  • Vittal Pai,MongoDB