Як гібридні архітектури ШІ послідовно керують мільйонами атрибутів продукту

Відкладена проблема масштабування електронної комерції

Більшість говорять про розподілений пошук і системи рекомендацій, коли йдеться про масштабування в електронній комерції. Але під поверхнею ховається більш уперта, часто недооцінена проблема: управління атрибутами в каталогах товарів. При понад 3 мільйонах SKU це швидко стає системною проблемою.

Значення атрибутів — це фундамент відкриття продукту. Вони керують фільтрами, порівняннями і рейтингами пошуку. Але на практиці вони фрагментовані: «XL», «Small», «12cm» і «Large» змішані в одному полі. Або кольори, такі як «RAL 3020», «Crimson», «Red» і «Dark Red», без послідовної структури. Помножте ці несумісності на десятки атрибутів для кожного продукту — і проблема зростає експоненційно.

Фільтри поводяться непередбачувано, пошук втрачає релевантність, а навігація клієнтів стає фруструючою. Водночас продавці тонуть у ручній очистці даних.

Відповідь: Інтелектуальні гібридні конвеєри з контрольними механізмами

Замість чорної скриньки AI, яка довільно сортує дані, з’явилася архітектура з трьох опор:

• Пояснюваність: кожне рішення є зрозумілим
• Передбачуваність: система поводиться послідовно
• Людський контроль: мерчандайзери можуть вручну встановлювати критичні атрибути

Результатом стала гібридна конвеєрна система, яка поєднує інтелект LLM з чіткими правилами і збереженням даних. Вона діє розумно, але залишається керованою — AI з кермовими обмеженнями, а не неконтрольованим.

Офлайн-обробка замість потокових систем у реальному часі

Ключовим рішенням було вибрати фонові задачі замість систем у реальному часі. Це здається компромісом, але було стратегічно виправдано:

Обробка у реальному часі означала б:

• Непередбачувану затримку
• Хрупкі залежності систем
• Витратні піки обчислень
• Операційні ускладнення

Фонові задачі забезпечували:

• Величезний пропуск без впливу на клієнтів
• Надійність: збої ніколи не торкалися живих систем
• Контроль витрат через планову обробку
• Ізоляцію від затримок LLM
• Атомарні, передбачувані оновлення

Розділення систем, орієнтованих на клієнтів, і систем обробки даних — ключове для мільйонів SKU.

Архітектура з збереженням і послідовністю

Вся збереження даних здійснювалася через MongoDB як центральне операційне сховище:

• Видобуток атрибутів: перша задача витягала сирі значення і контекст категорії
• Сервіс AI: LLM отримував очищені дані і контекстну інформацію (Breadcrumbs категорії, метадані)
• Детерміновані резерви: числові діапазони і прості множини автоматично розпізнавалися і сортувалися за правилами
• Збереження: відсортовані значення, уточнені імена атрибутів і теги сортування зберігалися в MongoDB
• Інтеграція пошуку: оновлені дані подавалися до Elasticsearch (Ключове слово пошуку) і Vespa (семантичний пошук)

Ця структура збереження дозволяла легко перевіряти, перезаписувати і ресинхронізувати з іншими системами.

Гібридне управління: AI і рішення продавця

Не кожен атрибут потребує AI. Тому кожна категорія могла мати позначки:

• LLM_SORT: модель приймає рішення про сортування
• MANUAL_SORT: продавець визначає порядок вручну

Ця двонаправлена система тегів створювала довіру. Люди зберігали контроль над критичними атрибутами, тоді як AI автоматизував рутинну роботу — і без перерв у конвеєрі.

Очистка даних — основа

Перед застосуванням AI відбувався важливий попередній етап обробки:

• Обрізання пробілів
• Видалення порожніх значень
• Дедуплікація
• Стандартизація контексту категорії

Ця, здавалося б, проста очистка значно покращувала точність LLM. Чисті вхідні дані давали послідовні результати — основний принцип у масштабі.

Практична трансформація

Конвеєр перетворював хаотичні сирі дані у структуровані виходи:

Бізнес-наслідки

Результати були значущими:

• Послідовне сортування атрибутів для понад 3М+ SKU
• Передбачуване числове сортування за детермінованою логікою
• Покращена релевантність пошуку
• Інтуїтивні фільтри на сторінках товарів
• Збільшена довіра клієнтів і конверсія

Це був не лише технічний успіх — це був крок вперед у досвіді користувача і доходах.

Основні висновки

• Гібрид краще чистого AI: кермові обмеження важливі у масштабі
• Контекст — король: кращий контекст = значно кращі результати LLM
• Офлайн-архітектура створює надійність: фонові задачі — основа пропускної здатності
• Збереження без втрати контролю: механізми ручного перезапису формують довіру
• Чисті дані — надійні результати: якість даних визначає успіх AI

Висновок

Сортування значень атрибутів здається тривіальним, але стає реальною проблемою при мільйонах товарів. Поєднання інтелекту LLM, явних правил, збереження і контролю продавця створює систему, яка елегантно вирішує складні, приховані виклики. Це нагадує, що найбільші успіхи часто виникають із вирішення нудних, недооцінених проблем — тих, що впливають на кожну сторінку товару.