Вот что всегда удивляло — Ali и прочие рекомендуют не актуальные для меня товары — т.е. те, которые я УЖЕ купил. Т.е. они запомнили что купил и предлагают на основе покупок то же самое. А на шаг дальше пойти — уже все, не могут.
Исправит ли ситуацию ИИ?
К примеру, купил паяльник — предложит паяльный фен.
S>Вот что всегда удивляло — Ali и прочие рекомендуют не актуальные для меня товары — т.е. те, которые я УЖЕ купил. Т.е. они запомнили что купил и предлагают на основе покупок то же самое.
И почему ты считаешь это неактуальным товаром?
Я, например, часто делаю повторную покупку ранее купленного товара.
Здравствуйте, Shmj, Вы писали:
S>Исправит ли ситуацию ИИ?
Само собой. Владельцы торговых сетей его так натренируют, что будешь проводить в магазинах всё время, за исключением работы и, может быть, сна. В качестве продавцов, само собой, тоже ИИ.
S>К примеру, купил паяльник — предложит паяльный фен.
Купил удочку — предложит лодку. Купил лодку — предложит машину с прицепом. Купил машину с прицепом... Ну и так далее.
Здравствуйте, Privalov, Вы писали:
P>Здравствуйте, Shmj, Вы писали:
S>>Исправит ли ситуацию ИИ?
P>Само собой. Владельцы торговых сетей его так натренируют, что будешь проводить в магазинах всё время, за исключением работы и, может быть, сна. В качестве продавцов, само собой, тоже ИИ.
S>>К примеру, купил паяльник — предложит паяльный фен.
P>Купил удочку — предложит лодку. Купил лодку — предложит машину с прицепом. Купил машину с прицепом... Ну и так далее.
Здравствуйте, Muxa, Вы писали:
M>И почему ты считаешь это неактуальным товаром? M>Я, например, часто делаю повторную покупку ранее купленного товара.
Наверное, имелось в виду "неактуальная рекомендация" — если надо что-то повторно купить смотришь в истории покупок и снова покупаешь, рекомендации уже не нужны
M>>И почему ты считаешь это неактуальным товаром? M>>Я, например, часто делаю повторную покупку ранее купленного товара.
P>Наверное, имелось в виду "неактуальная рекомендация" — если надо что-то повторно купить смотришь в истории покупок и снова покупаешь, рекомендации уже не нужны
Думаю это продумано — если покупателям мозолить глаза товарами, то покупок больше, чем если ждать пока они в историю заглянут.
Здравствуйте, Shmj, Вы писали:
S>К примеру, купил паяльник — предложит паяльный фен.
Купил корм коту — с большой вероятностью ещё куплю.
Купил туалет коту — с большой вероятностью ещё куплю.
Купил книгу — люблю читать — с большой вероятностью ещё куплю.
Купил <какой-то массовый недорогой товар>, он понравился, куплю ещё.
Купил паяльник на работу, понравился, купил такой же домой.
Купил кресло, понравилось, купил такое же жене, родителям.
Здравствуйте, Nuzhny, Вы писали:
N>Купил корм коту — с большой вероятностью ещё куплю. N>Купил туалет коту — с большой вероятностью ещё куплю. N>Купил книгу — люблю читать — с большой вероятностью ещё куплю. N>Купил <какой-то массовый недорогой товар>, он понравился, куплю ещё. N>Купил паяльник на работу, понравился, купил такой же домой. N>Купил кресло, понравилось, купил такое же жене, родителям.
Ну вот тут и нужен ИИ — понимать регулярный товар (как стиральный порошок, к примеру) или разовый.
Ну да, помню что-то такое.
Если включить зануду, то можно заметить, что предметы женской гигиены, рыболовное снаряжение и автомобили у одного продавца не бывают. А вот если это сеть, включающая магазины разных направлений, и если владельцам сети продемонстрировать такой сценарий, то они вприпрыжку побегут за железом и миниАЭС, чтобы запустить его. И пузырь ИИ протянет ещё какое-то время.
Здравствуйте, Shmj, Вы писали:
S>Исправит ли ситуацию ИИ?
ИИ который гпт — нет. Он не умеет решать такие задачи.
А то что называлось ИИ раньше — коллаборативный фильтрация и ранжирование на основе фидбека пользователей с использованием многослойных нейросетей — да.
S>К примеру, купил паяльник — предложит паяльный фен.
Если паяльный фен покупается часть вместе с паяльником, то и без гпт это прекрасно можно сделать.
Здравствуйте, gandjustas, Вы писали:
G>Здравствуйте, Shmj, Вы писали:
S>>Исправит ли ситуацию ИИ? G>ИИ который гпт — нет. Он не умеет решать такие задачи.
Почему нет? Вот пример:
Если я купил паяльник, что было бы логично предложить следующим?
К паяльнику обычно предлагают то, что делает работу проще и аккуратнее. Самые логичные варианты:
— Припой (с флюсом внутри).
— Флюс или гель-флюс для более чистых соединений.
— Подставка / держатель для паяльника с губкой.
— Третья рука или небольшой держатель плат.
— Оловоотсос или оплётка для удаления припоя.
— Набор мелких инструментов: пинцет, кусачки, стриппер.
— Термоклей-усадки и расходники.
— Канифоль (если нужен более классический вариант флюса).
Добавить нечеткий поиск по базе товаров (embeddings вроде уже все основные базы научились делать) и вот тебе готовый рекомендатор?
Вывод понятно должен быть не текстовым а массивом строк или типа того (ака structured output)
Мне кажется с таким даже "настольная" LLM справится одной левой?
Здравствуйте, Shmj, Вы писали:
S>Вот что всегда удивляло — Ali и прочие рекомендуют не актуальные для меня товары — т.е. те, которые я УЖЕ купил. Т.е. они запомнили что купил и предлагают на основе покупок то же самое. А на шаг дальше пойти — уже все, не могут. S>Исправит ли ситуацию ИИ?
При чем здесь ИИ?
Рекомендации строят на основе известных данных о поведении покупателей.
Товары покупаются повторно по ряду причин.
Как понятно,что именно вам повторно ничего не надо — не ясно.
Вот из моей истории покупок на разных сервисах:
1 кабели усб
2 картриджи для принтера
3 кабели усб
4 картриджи для принтера
5 кабели усб
6 картриджи для принтера
7 носки
8 еще носки, те же самые!
9 еще носки, обратно, те же самые
Здравствуйте, bnk, Вы писали:
bnk>Здравствуйте, gandjustas, Вы писали:
G>>Здравствуйте, Shmj, Вы писали:
S>>>Исправит ли ситуацию ИИ? G>>ИИ который гпт — нет. Он не умеет решать такие задачи.
bnk>Почему нет? Вот пример:
Потому что по твоему запросу паяльный фен не нашел.
bnk>Добавить нечеткий поиск по базе товаров (embeddings вроде уже все основные базы научились делать) и вот тебе готовый рекомендатор?
Боюсь представить сколько оно стоить будет. Хотя для новых категорий и «холодного старта» неплохая штука.
bnk>Мне кажется с таким даже "настольная" LLM справится одной левой?
Сделает вид что справится. Перепроверять человек должен.
Но самая большая проблема: llm не умеет до обучаться на данных пользователя/приложения . Технически это возможно, но стоит слишком дорого. А в рекомендациях как раз важно учитывать фактическую ситуацию.
Классическая история: анализ данных продаж крупной сети супермаркетов показал что чаще всего вместе с подгузниками покупают пиво. ИИ может тебе и расскажет, потому что знает эту историю, но обнаружить новые неочевидные дополняющие товары не сможет. И в обратную сторону проблема существует: если рекомендации не работают, то надо их перестраивать.
Здравствуйте, gandjustas, Вы писали:
bnk>>Почему нет? Вот пример:
G>Потому что по твоему запросу паяльный фен не нашел.
Зато нашел кучу другого всего? Зачем фиксирваться на паяльном фене?
bnk>>Добавить нечеткий поиск по базе товаров (embeddings вроде уже все основные базы научились делать) и вот тебе готовый рекомендатор?
G>Боюсь представить сколько оно стоить будет. Хотя для новых категорий и «холодного старта» неплохая штука.
Даже SQL SERVER научился из коробки. Или ты о чем? Не очень понял.
Идея такая — для каждого товара делаем embedding, из запроса тоже, а потом просто век поиск по ближайшему рассноянию. Вот тут видео есть: https://rsdn.org/forum/db/8936774
Здравствуйте, bnk, Вы писали:
bnk>Здравствуйте, gandjustas, Вы писали:
bnk>>>Почему нет? Вот пример:
G>>Потому что по твоему запросу паяльный фен не нашел.
bnk>Зато нашел кучу другого всего? Зачем фиксирваться на паяльном фене?
Это как пример рекомендации, про которую ИИ по какой-то причине не знает.
bnk>>>Добавить нечеткий поиск по базе товаров (embeddings вроде уже все основные базы научились делать) и вот тебе готовый рекомендатор? G>>Боюсь представить сколько оно стоить будет. Хотя для новых категорий и «холодного старта» неплохая штука.
bnk>Даже SQL SERVER научился из коробки. Или ты о чем? Не очень понял. bnk>Идея такая — для каждого товара делаем embedding, из запроса тоже, а потом просто век поиск по ближайшему рассноянию. Вот тут видео есть: bnk>https://rsdn.org/forum/db/8936774
Предположим у тебя есть эмбедденги всех товаров, например из названия и описания, и у тебя есть история купленных товаров и их эмбеддинги. Как ты из истории поймешь какие товары рекомендовать? Просто найдешь похожие? Так ведь суть в том, чтобы найти товары дополняющие.
Тебе придется генерировать промпт вроде "я две недели назад купил паяльник, месяц назад дилдо, что мне купить сегодня? Напиши ответ в виде списка JSON..."
Он тебе даст список категорий. Потом тебе из этого спсика категорий надо будет как-то получить эмбеддинг для каждой, найти товар в базе и выдать рекомендации.
bnk>>>Мне кажется с таким даже "настольная" LLM справится одной левой? G>>Сделает вид что справится. Перепроверять человек должен.
bnk>Ну рекомендация такая вещь, не знаю. Люди тоже не обязательно в тему рекомендуют, но часто угадывают.
Рекомендации такая вещь, которая должна повышать "продажи". То есть подсовывать человеку то, что он захочет, даже если не знает об этом, не знает как это называется и как это найти.
Алгоритмы рекомендацию анализирует поведение других людей. Чем больше у вас совпала история покупок и еще какие-то характеристики, тем больше вероятность что следующие покупки тоже совпадут.
При этом связь может быть неочевидной и доверить поиск связи тоже можно нейросетям. Но в итоге мы все равно получим результат, который зависит от истории покупок, а не просто от обобщенных знаний из текста в интернете.
