Uczenie maszynowe to zestaw technik statystycznych, które pozwalają oprogramowaniu uczyć się wzorców z danych i formułować przewidywania bez konieczności programowania każdego przypadku z osobna. W zarządzaniu feedem stosuje się je do takich zadań jak przewidywanie brakujących atrybutów produktów, dopasowywanie ofert między katalogami, prognozowanie popytu czy wychwytywanie błędów w danych — zadań zbyt powolnych lub niespójnych, by obsługiwać je wyłącznie stałymi, ręcznie definiowanymi regułami. Uczenie maszynowe zwykle nie zastępuje całkowicie reguł feedu, lecz działa obok nich, obsługując niejednoznaczne przypadki, które sztywna reguła by pominęła albo źle zinterpretowała.
Dlaczego uczenie maszynowe ma znaczenie dla zarządzania feedem
Katalogi z tysiącami lub milionami SKU nieuchronnie mają luki: brakujące kategorie, niespójne oznaczenia rozmiarów, niekompletne atrybuty albo tytuły, które nie odpowiadają temu, czego kupujący faktycznie szukają. Ręczne naprawianie tego się nie skaluje, a statyczne reguły biznesowe obejmują tylko te wzorce, dla których ktoś pomyślał, by napisać regułę. Modele uczenia maszynowego wytrenowane na istniejących danych katalogowych i sprzedażowych potrafią wywnioskować brakujący atrybut na podstawie podobnych produktów, przewidzieć, do której kategorii należy nowy produkt, lub oszacować zmiany popytu na podstawie sezonowości i historii cen — zamykając luki na skalę, jakiej ręczny przegląd nigdy by nie osiągnął. Ma to bezpośredni wpływ na przychody: atrybuty uzupełnione najlepszym przypuszczeniem modelu muszą być na tyle dokładne, by spełniać wymagania kanałów i odpowiadać intencji kupujących — inaczej automatyzacja po prostu zamienia jeden rodzaj błędu na inny.
Jak działa uczenie maszynowe w procesach przetwarzania feedu
Większość zastosowań uczenia maszynowego związanych z feedem zaczyna się od wytrenowanego modelu — zbudowanego na historycznych danych produktowych, wynikach sprzedaży lub pobranych ofertach konkurencji — który ocenia lub przewiduje wartość dla każdego produktu przechodzącego przez proces. Może to oznaczać przewidywanie brakującego typu produktu, szacowanie optymalnych punktów cenowych lub dopasowanie SKU sprzedawcy do kanonicznego wpisu w katalogu marketplace'u — zadanie ściśle powiązane z dopasowaniem hybrydowym, które często łączy ocenę przez model uczenia maszynowego z logiką opartą na regułach w przypadkach, w których model jest mniej pewny. Te same techniki napędzają prognozowanie popytu, w którym modele wytrenowane na historycznej sprzedaży i sezonowości przewidują przyszły popyt, oraz normalizację, w której modele potrafią ujednolicać niespójne wartości rozmiarów, kolorów czy jednostek od różnych dostawców znacznie szybciej niż ręczne tabele mapowań. Ponieważ wyniki modelu mają charakter probabilistyczny, a nie pewny, większość produkcyjnych procesów ustala progi pewności — automatycznie stosuje tylko przewidywania powyżej określonego wyniku, a przypadki o niższej pewności kieruje do weryfikacji przez człowieka.
Przykład: pola w feedzie produktowym przewidziane przez uczenie maszynowe
<item>
<g:id>SKU-40217</g:id>
<title>Ceramic Pour-Over Coffee Dripper - Speckled White</title>
<link>https://example-shop.com/products/ceramic-pour-over-dripper</link>
<g:price>34.00 USD</g:price>
<g:product_type>Home & Kitchen > Coffee & Tea > Drip Coffee Makers</g:product_type>
<g:google_product_category>Kitchen & Dining > Kitchen Appliances</g:google_product_category>
<custom_label_0>ml_category_confidence:0.91</custom_label_0>
<custom_label_1>ml_predicted_field:product_type</custom_label_1>
</item>Tutaj wartości product_type i google_product_category zostały uzupełnione przez model, a nie wprowadzone ręcznie, a wynik pewności w etykiecie niestandardowej pozwala kolejnym regułom zdecydować, czy przewidywanie jest na tyle wiarygodne, by opublikować je bez zmian.
Powiązane pojęcia
Uczenie maszynowe nie funkcjonuje w oderwaniu od innych dziedzin zarządzania feedem, lecz stanowi ich podstawę: jest silnikiem dużej części współczesnego prognozowania popytu, napędza zautomatyzowaną część normalizacji, gdy katalogi potrzebują spójnych wartości na dużą skalę, i często łączy się je z logiką deterministyczną w dopasowaniu hybrydowym, aby uzgadniać oferty z różnych źródeł. Zespoły, które chcą zastosować te techniki we własnych katalogach, znajdą praktyczny przewodnik w artykule Using AI for Smarter E-commerce Feed Management and Automation, który pokazuje, gdzie automatyzacja oparta na modelach sprawdza się obok tradycyjnych reguł feedu.
