Les géants du commerce électronique Utiliser l’intelligence artificielle Pour alimenter les expériences des clients, optimiser la tarification et rationaliser la logistique. Cependant, un expert dans le domaine indique que la mise à l’échelle des solutions d’IA pour gérer le volume massif de données et les demandes en temps réel de grandes plates-formes présente un ensemble complexe de défis architecturaux, de gestion des données et d’éthique.
Andrey Krotkikhun spécialiste de l’apprentissage automatique avec une expérience chez ALIEXPRESS CIS, a souligné les subtilités de la mise en œuvre de l’IA dans un environnement de commerce électronique dynamique.
« L’un des principaux défis lors de la mise à l’échelle est l’inférence des modèles en temps réel », a déclaré Krotkikh. «Vous devez fournir à l’utilisateur des informations dans un court laps de temps sans compromettre l’expérience utilisateur.»
Il a cité la prédiction du délai de livraison à titre d’exemple, où les données de chaque utilisateur sont uniques et dépend de nombreux facteurs, ce qui exclut la pré-cache. Cela nécessite une conception de systèmes robuste qui tient compte de la collecte de données, de la formation des modèles, de l’inférence et de l’adaptation aux conditions en évolution.
« Pour créer un système qui résiste à l’épreuve du temps, il est nécessaire de collecter qualitativement toutes les informations qui peuvent affecter l’inférence du modèle et de concevoir le projet, y compris la façon dont le modèle sera formé, déduit et adapté aux nouvelles conditions en raison du changement de données », a déclaré Krotkikh.
Il a également souligné l’importance de considérer les projets futurs et les plans d’entreprise, en plaidant pour des modèles simples et économes en ressources afin de minimiser les pertes potentielles de l’évolution des priorités.
La gestion des données est un autre domaine critique. Krotkikh a décrit un scénario typique où les données sont collectées dans différents domaines avec des normes variables, entraînant des incohérences et des informations obsolètes.
« Habituellement, la situation est que les données sont collectées par différents domaines de différentes manières, tous ceux qui ont des accords différents sur les conventions de dénomination », a-t-il déclaré. « Ajouté à cela, les problèmes de données sont obsolètes, et la situation où les données ont cessé d’être mises à jour sont assez courantes. »
Il a suggéré qu’un magasin de fonctionnalités peut aider à gérer les données prétraitées et à faciliter l’utilisation de l’escrassement, tandis qu’un domaine de l’entrepôt de données centralisé (DWH) peut unifier la préparation et la migration des données.
« Du côté des données, cela est résolu par la préparation centralisée des données à l’aide d’un domaine DWH (entrepôt de données) », a déclaré Krotkikh. «Cette équipe prépare les tableaux et les tableaux de bord d’une manière unifiée, initie la migration des données et agit comme un côté proactif dans l’interaction entre les équipes.»
Déployer des techniques d’IA avancées comme Apprentissage du renforcement pour les prix dynamiques Et les systèmes de recommandation présentent également des défis, en particulier pour s’aligner sur les exigences de l’entreprise.
« En général, les problèmes peuvent être divisés en trois parties: les exigences de l’entreprise, la formation des modèles et les données », a déclaré Krotkikh. «Les problèmes les plus difficiles (d’après mon expérience) sont de considérer les exigences commerciales et d’apprendre à s’y adapter.»
Il a souligné la nécessité de considérer l’impact des solutions d’IA sur d’autres produits de l’entreprise et d’assurer une collaboration synergique entre les équipes.
« Votre développement n’existe pas isolément, mais dans l’atmosphère globale des produits de l’entreprise, et il est impossible de penser qu’elle n’affecte pas d’autres produits », a déclaré Krotkikh. « Par conséquent, la plupart du temps, vous devez réfléchir à la façon de valider l’absence de l’impact de votre solution sur les autres produits de l’entreprise et comment assurer le travail synergique de votre projet avec d’autres projets. »
Les considérations éthiques sont primordiales, en particulier en ce qui concerne la discrimination des prix. Krotkikh a mis en garde contre les pratiques à la fois illégales et injustes envers les utilisateurs.
« Le point le plus important que toutes les entreprises devraient considérer est l’absence de discrimination des prix à l’égard des utilisateurs », a-t-il déclaré. «De telles pratiques sont passibles dans de nombreux pays et, en général, sont injustes envers les utilisateurs.»
Il a recommandé des discussions proactives entre l’apprentissage automatique et les équipes commerciales pour assurer l’équité et prévenir les conséquences involontaires, telles que les changements de prix pendant les ventes.
« La ML et les entreprises devraient discuter de ces choses à l’avance, telles que la façon d’assurer » l’équité « », a déclaré Krotkikh. «Un exemple similaire est l’absence de changements de prix pendant les ventes; ML peut, de sa part, analyser la meilleure façon de« s’engager »le modèle avec de telles contraintes pour obtenir de bons résultats globaux pour toute la vente.»
Alors que l’IA continue de transformer le commerce électronique, les entreprises doivent faire face à ces défis pour créer des solutions évolutives, fiables et éthiques qui profitent à la fois aux entreprises et aux consommateurs. En priorisant la qualité des données, la robustesse architecturale et les considérations éthiques, les plateformes de commerce électronique peuvent exploiter le plein potentiel de l’IA tout en atténuant les risques potentiels.
