Переосмысление электронной коммерции: как я использовал искусственный интеллект, LLM и векторные базы данных для создания более умного опыта Shopify

В течение последних нескольких недель я переживал волну изменений, вызванных искусственным интеллектом.

Пространство электронной коммерции, особенно вокруг Shopify , уже переполнено приложениями для всего, от обзоров до аналитики. Но это подняло для меня критический вопрос:

Что дальше?

Большинство владельцев магазинов Shopify не просто ищут еще одно приложение — они ищут интеллектуальные, персонализированные решения. Им нужны более быстрые ответы, более глубокое понимание и упрощенные рабочие процессы. И вот тут-то и появляются большие языковые модели (Магистры права) и генеративный искусственный интеллект.

Идея: Shopify как коммерческий движок, ИИ как интеллектуальный слой

В разговорах с несколькими клиентами, особенно с основателями DTC и руководителями CRO, я заметил общую тенденцию. Они хотели:

• Доступ к данным хранилища в диалоговом режиме
• Автоматизируйте запросы клиентов с помощью персонализированного контекста
• Используйте искусственный интеллект для получения аналитических сведений и даже электронных писем

Поэтому я начал создавать прототип системы чат-ботов с искусственным интеллектом, которая сочетает данные Shopify с мощью семантического поиска с использованием встраиваемых систем и векторных баз данных.

Вот что я сделал шаг за шагом.

Шаг 1: Извлечение данных из Shopify

Используя Admin API Shopify, я получил:

• Информация о продукте (название, теги, описания, инвентарь)
• Заказы (статус, выполнение, доставка и т.д.)
• Клиентов (Местоположение, история покупок, теги сегментации)

Это сформировало основной набор данных для питания слоя искусственного интеллекта.

// 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" });        

Шаг 2: Конвертация и хранение данных в векторной базе данных

Далее, мне нужен был способ семантического поиска, а не только по ключевым словам. Поэтому я преобразовал текстовые данные во встраивания с помощью API встраивания OpenAI.

Я экспериментировал с несколькими векторными базами данных:

• ChromaDB – легкий и простой в настройке, но ограниченный для масштабирования
• Сосновая шишка – отлично подходит для производства, очень стабильна и быстра
• Milvus – высокая производительность для крупномасштабных проектов, но немного сложнее в настройке

Каждый из них хранит многомерные векторы, представляющие данные Shopify — продукты, заказы и даже прошлые чаты.

Шаг 3: Используйте встраивания OpenAI для семантического понимания

После того, как данные были векторизованы, я использовал модель OpenAI text-embedding-3-small, чтобы обеспечить семантический поиск по каталогу продуктов или разговорам с клиентами.

Например, запрос «Я ищу красную футболку длиной 14» теперь может возвращать точные совпадения, даже если эти слова отсутствуют в названии продукта.

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

Шаг 4: Подключите сторонние API

Чтобы выйти за рамки Shopify, я также интегрировал другие приложения, такие как Klaviyo, Gorgias и пользовательские CRM, извлекая их данные через API и встраивая их в то же векторное пространство. Это позволило создать более целостный, кроссплатформенный опыт.

Шаг 5: Создайте единую конечную точку /chat

Я создал центральную конечную точку API /chat, которая:

1. Принимает запросы на естественном языке
2. Определяет, должен ли ответ содержать конфиденциальные данные (Как статус заказа)
3. Каждый

Пример:

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

Если аутентификация проверена, ответ может быть следующим:

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

Если аутентификация не проверена:

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

Примеры использования в реальных условиях

Теперь, с этой конфигурацией, я могу справиться с двумя совершенно разными сценариями:

1. Клиент спрашивает: «Где мой заказ?» → Система проверяет авторизацию, просматривает историю заказов, отвечает соответствующим образом или запрашивает логин
2. Клиент говорит: "Хочу красную рубашку до 30 долларов" → Система запрашивает векторную базу данных, возвращает лучшие совпадения из каталога товаров Shopify

Что дальше: LLM для CRO и CXO

Помимо поддержки клиентов, я вижу огромный потенциал в использовании GenAI для:

• Руководители компаний задают такие вопросы, как «Какой продукт имел самую высокую маржу в первом квартале?» и получают прямую информацию из своих данных
• Команды CRO создают варианты текстов или эксперименты с ценообразованием с помощью предложений на основе искусственного интеллекта

Представьте себе команды руководителей, которые общаются со своими бизнес-данными, а не копаются в панелях мониторинга.

Заключительные мысли

ИИ — это не просто функция бэкенда. Это становится новым интерфейсом.

Этот эксперимент показал, как LLM, векторный поиск и API Shopify могут создавать по-настоящему интеллектуальные коммерческие системы. Если вы как разработчик или основатель думаете не только о магазине приложений, но и о более интеллектуальных и контекстуальных возможностях электронной коммерции, то будущее ждет вас именно в этом направлении.

Дайте мне знать, если вы хотите изучить или сотрудничать в создании коммерческих решений на основе искусственного интеллекта. Я только начинаю.