إعادة التفكير في التجارة الإلكترونية: كيف استخدمت قواعد بيانات الذكاء الاصطناعي و LLMs وVector لبناء تجربة Shopify أكثر ذكاء

على مدار الأسابيع القليلة الماضية ، كنت أتنقل في موجة من التغيير مدعوم من الذكاء الاصطناعي.

مساحة التجارة الإلكترونية ، خاصة حول Shopify ، مزدحمة بالفعل بالتطبيقات لكل شيء من المراجعات إلى التحليلات. لكن هذا أثار سؤالا حاسما بالنسبة لي:

ماذا بعد؟

معظم Shopify لا يبحث أصحاب المتاجر عن تطبيق آخر فحسب - بل يبحثون عن حلول ذكية ومخصصة. إنهم يريدون إجابات أسرع ورؤى أعمق ومهام سير عمل مبسطة. وهذا هو المكان الذي توجد فيه نماذج اللغة الكبيرة (ماجستير في القانون) ويلعب الذكاء الاصطناعي التوليدي دوره.

الفكرة: Shopify كمحرك التجارة ، الذكاء الاصطناعي كطبقة الذكاء

في محادثاتي مع العديد من العملاء وخاصة مؤسسي DTC ورؤساء CRO ، لاحظت اتجاها مشتركا. أرادوا ما يلي:

• الوصول إلى بيانات التخزين بطريقة المحادثة
• أتمتة استفسارات العملاء من خلال السياق المخصص
• استخدام الذكاء الاصطناعي لإنشاء رؤى وحتى رسائل البريد الإلكتروني

لذلك بدأت في إنشاء نماذج أولية لنظام chatbot المحسن بالذكاء الذكاء الاصطناعي الذي يجمع بين بيانات Shopify وقوة البحث الدلالي باستخدام عمليات التضمين وقواعد بيانات المتجهات.

هذا ما فعلته خطوة بخطوة.

الخطوة 1: استخراج البيانات من Shopify

باستخدام واجهة برمجة تطبيقات المسؤول في Shopify ، قمت بسحب:

• معلومات المنتج (العنوان ، العلامات ، الأوصاف ، المخزون)
• اوامر (الحالة ، والوفاء ، والتسليم ، وما إلى ذلك.)
• الزبائن (الموقع الجغرافي وسجل الشراء وعلامات التجزئة)

شكل هذا مجموعة البيانات الأساسية لتشغيل طبقة الذكاء الاصطناعي.

// Example: Fetching products using Shopify Admin API (Node.js)
const shopify = new Shopify.Clients.Rest(SHOP, ACCESS_TOKEN);
const products = await shopify.get({ path: "products" });        

الخطوة 2: تحويل البيانات وتخزينها في قاعدة بيانات متجهة

بعد ذلك ، كنت بحاجة إلى طريقة للبحث دلاليا ، وليس فقط عن طريق الكلمات الرئيسية. لذلك قمت بتحويل البيانات النصية إلى عمليات تضمين باستخدام واجهة برمجة تطبيقات التضمين الخاصة ب OpenAI.

لقد جربت بعض قواعد بيانات المتجهات:

• ChromaDB - خفيف الوزن وسهل الإعداد ، ولكنه محدود للتوسع
• Pinecone - عظيم للإنتاج ، مستقر للغاية وسريع
• Milvus - أداء عال للمشاريع واسعة النطاق ، ولكن أثقل قليلا في التكوين

يخزن كل من هذه المتجهات عالية الأبعاد التي تمثل بيانات Shopify - المنتجات والطلبات وحتى الدردشات السابقة.

الخطوة 3: استخدم تضمين OpenAI للفهم الدلالي

بمجرد توجيه البيانات ، استخدمت نموذج OpenAI لتضمين النص 3 صغير لتمكين البحث الدلالي عبر كتالوج المنتج أو محادثات العملاء.

على سبيل المثال ، يمكن الآن لطلب بحث مثل "أبحث عن قميص أحمر بطول 14" إرجاع تطابقات دقيقة حتى إذا لم تكن هذه الكلمات بالضبط موجودة في عنوان المنتج.

# Sample embedding code
response = openai.Embedding.create(
    input="Red t-shirt with size 14",
    model="text-embedding-3-small"
)        

الخطوة 4: توصيل واجهات برمجة التطبيقات التابعة لجهات خارجية

لتجاوز Shopify ، قمت أيضا بدمج تطبيقات أخرى مثل Klaviyo و Gorgias و CRM المخصصة عن طريق سحب بياناتهم عبر واجهات برمجة التطبيقات وتضمينها في نفس مساحة المتجه. أتاح ذلك تجربة أكثر شمولية عبر الأنظمة الأساسية.

الخطوة 5: إنشاء نقطة نهاية موحدة / دردشة

لقد أنشأت نقطة نهاية مركزية / واجهة برمجة تطبيقات الدردشة التي:

1. يقبل استعلامات اللغة الطبيعية
2. يحدد ما إذا كانت الاستجابة بحاجة إلى تضمين بيانات حساسة (حالة الطلب الإعجابية)
3. اما

مثل:

POST /chat
{
  "query": "Can you tell me when my last order will arrive?"
}        

إذا تم التحقق من المصادقة، قد تكون الاستجابة:

{
  "response": "Your last order #2025 was shipped yesterday and is expected to arrive on May 16."
}        

إذا لم تتم المصادقة:

{
  "response": "Please log in to view your order details securely."
}        

حالات الاستخدام في العالم الحقيقي

الآن مع هذا الإعداد ، يمكنني التعامل مع سيناريوهين مختلفين تماما:

1. يسأل العميل: "أين طلبي؟" → يتحقق النظام من المصادقة أو يبحث عن سجل الطلبات أو يرد وفقا لذلك أو يطلب تسجيل الدخول
2. يقول العميل: "أريد قميصا أحمر أقل من 30 دولارا" → يستعلم النظام ناقلات DB ، ويعيد أفضل التطابقات من Shopify كتالوج المنتجات

ماذا بعد: LLMs ل CROs و CXOs

بالإضافة إلى دعم العملاء ، أرى إمكانات هائلة في استخدام GenAI من أجل:

• يطرح المديرون التنفيذيون أسئلة مثل "ما هو المنتج الذي حصل على أعلى هامش في الربع الأول؟" والحصول على رؤى مباشرة من بياناتهم
• تقوم فرق CRO بإنشاء أشكال نسخ مختلفة أو تجارب تسعير باستخدام اقتراحات مدعومة بالذكاء الذكاء الاصطناعي

تخيل فرق القيادة تتحدث مع بيانات أعمالهم بدلا من البحث في لوحات المعلومات.

افكار اخيرة

الذكاء الاصطناعي ليس مجرد ميزة خلفية. لقد أصبحت الواجهة الجديدة.

أثبتت هذه التجربة كيف يمكن ل LLMs والبحث المتجه و Shopify APIs إنشاء أنظمة تجارة ذكية حقا. بصفتك مطورا أو مؤسسا ، إذا كنت تفكر في ما هو أبعد من متجر التطبيقات وفي تجارب تجارة إلكترونية أكثر ذكاء وأكثر سياقية ، فهذا هو المكان الذي يتجه إليه المستقبل.

اسمحوا لي أن أعرف إذا كنت ترغب في استكشاف أو التعاون في بناء حلول تجارية مدعومة بالذكاء الذكاء الاصطناعي. لقد بدأت للتو.