tg-me.com/llm_under_hood/21
Last Update:
У меня радостная новость 🎉. Вчера показали клиенту прототип продукта для продуктовых каталогов. Продукт автоматически заполняет пропущенные поля в описаниях продуктов, а так же находит ошибки.
Клиент - специализированная розничная сеть с годовым оборотом в 100M+ EUR. Они в восторге, хотят себе такую штуку как можно быстрее.
Ранее я разбирал кейс с персональным ассистентом в компании (https://www.tg-me.com/jp/telegram/com.llm_under_hood/4). Теперь расскажу, как устроен и этот продукт.
Кейс продукта с LLM/GPT под капотом: заполняет каталоги продуктов и фиксит ошибки. #case
У магазинов с онлайн-магазинами есть такая проблема - описания товаров и продуктов не всегда полные, иногда даже бывают ошибки в описаниях. Каждая ошибка - это потенциально недовольный клиент или упущенная выгода. А с учетом того, что ассортимент меняется постоянно, то надо еще и тратить время на заполнение новых продуктов.
Заполнение привлекательных текстовых описаний на базе свойств товара - это отдельная статья расходов. А если в свойствах товара была ошибка, то и описание может понадобиться переписать.
Поэтому торговым сетям сейчас очень интересны системы, которые могут самостоятельно заполнять свойства продуктов, находить ошибки, предлагать исправления и новые варианты описаний.
Это экономит время и нервы сотрудникам, позволяет иметь актуальный каталог, что положительно сказывается на продажах.
Даже если продукт стоит в месяц как месячная зарплата 2-3 людей (плюс налоги и отчисления), это будет выгоднее, чем держать выделенный штат. Компьютеры не устают, не скучают, могут круглосуточно ползать по каталогу в поисках новых ошибок. А людям можно отдать более интересные задачи.
Для проверки такой продуктовой гипотезы мы быстренько сделали прототип, который прошелся по каталогу отдной розничной сети и выдал PDF отчет со списком исправлений и новых текстов.
Прототип работает достаточно просто (схема тут - https://www.tg-me.com/jp/telegram/com.llm_under_hood/22):
1. Берем исходные продукты из каталога
2. Для каждого продукта ищем аналогичные страницы в интернете, используя search API. Обычно находятся конкурирующие магазины, страницы производителей и просто обзоры
3. Фильтруем мусор на выдаче поисковика (GPT, выбери мне только полезные ссылки для такого продукта)
4. Оставшиеся страницы загружаем при помощи Selenium
5. Достаем все свойства продукта из страниц (GPT, достань мне свойства для этого продукта по вот такой вот схеме)
6. Самое хитрое - просим GPT критически посмотреть на исходные свойства продукта, а также на потенциальных кандидатов, чтобы предложить потенциальные исправления
7. Генерируем отчет со списком исправлений полей продукта. Для каждого исправления есть ссылки на конкретные страницы и документы, откуда были извлечены альтернативные поля.
8. Генерируем новые текстовые описания продукта с учетом исправленной информации, маркетингового посыла компании и аудитории. Заодно и генерируем посты в соц. сеточки.
Пришлось повозиться с шагами 3, 5 и 7. Каталоги не на английском, поэтому из коробки ChatGPT работал так себе. После работы с выборками и добавления few-shot samples, результаты получились вполне хорошие. Шаги 3 и 5 получилось вынести на GPT3.5, седьмой шаг пока на GPT4. Но уже есть представления, как это можно утащить на затюненную локальную модель.
Прелесть этого продукта в том, что для его демонстрации не нужно было интегрироваться с внутренними системами клиента. Просто запустили систему на online магазине клиента, выбрав самые популярные товары и вручную заполнив исходный список полей. А дальше уже продукт пошел сам собирать исправления в интернете. Полученный отчет показали клиенту. А дальше - см. начало этого поста)
С таким подходом можно высылать предложения множеству разных клиентов :)
Ну что, поехали делать такие системы для своих знакомых торговых сетей? 😊
Ссылка на этот кейс и обсуждение: https://www.tg-me.com/jp/telegram/com.llm_under_hood/21
BY LLM под капотом
Warning: Undefined variable $i in /var/www/tg-me/post.php on line 283
Share with your friend now:
tg-me.com/llm_under_hood/21