هل سيحل الذكاء الاصطناعي مسألة تخصيص التجارة الإلكترونية؟

تهدف شركة ناشئة مسلحة باستثمار جديد بقيمة 12.3 مليون دولار إلى الوفاء بوعد تخصيص التجارة الإلكترونية.

يعرض محرك التخصيص المنتج المناسب للمتسوق المناسب في الوقت المناسب. من الناحية النظرية، فإنه يجعل الجميع سعداء. يرى المتسوقون المنتجات ذات الصلة والجذابة. التجار يبيعون أكثر.

يبدو الأمر بسيطًا بما فيه الكفاية. فكر في موقع للتجارة الإلكترونية يحتوي على منتجات للبيع. ما العنصر (العناصر) الذي يعرضه الموقع لمستخدم معين لإغراء البيع؟ كيف يعرف ما يجب إظهاره؟

البيانات الآن

سؤال “ما يجب إظهاره” هو كيف وصف ماتيو روفيني، كبير مسؤولي العلوم في الشركة السويسرية الناشئة Albatross AI، المشكلة التي تحلها شركته خلال مقابلة أجريت معه في فبراير 2025.

تعتمد العديد من حلول التخصيص والتوصية في التجارة الإلكترونية على سلوك المتسوق التاريخي. وتنظر الأنظمة إلى الوراء على مدى أشهر أو سنوات، عند عمليات الشراء والتصفح، على سبيل المثال.

يستخدم الأشخاص في Albatross أيضًا البيانات السلوكية السابقة، لكنهم أضافوا عنصرًا تنبؤيًا في الوقت الفعلي.

منتج Albatross، وفقًا لأحد المساهمين في مجلة Forbes، “يلتقط كل إجراء يقوم به المستخدم في الجلسة ويمرره إلى [an AI] نموذج المحول الذي يتصرف مثل نموذج اللغة للقصد. المدخلات عبارة عن أحداث ثلاثية – المستخدم، الإجراء، العنصر – بدلاً من الكلمات. لا يقوم النموذج بتحليل الإجراء فحسب، بل يقوم بتحليل تسلسل الإجراءات والسياق الذي يربطها. يتم تحديثه بشكل مستمر ويستجيب بالمللي ثانية دون إعادة التدريب.

بشكل أساسي، تدعي الشركة أن لديها أول بنية تحتية للذكاء الاصطناعي لنماذج التدريب على الأحداث الحية المتسلسلة.

3 تحديات

يعالج Albatross AI ثلاث مشاكل طويلة الأمد على الأقل من خلال توصيات التجارة الإلكترونية التنبؤية:

• فترات تدريب طويلة.
• تصنيف المتسوقين الجدد.
• بداية باردة للمنتجات.

تمرين

تعتمد التوصيات المخصصة والمستندة إلى شرائح على نماذج التعلم الآلي التي تحتاج إلى وقت وبيانات حتى تنضج. قد يستغرق الأمر أسابيع أو أشهر لجمع بيانات كافية لتقديم توصيات ذات معنى. علاوة على ذلك، يجب إعادة تدريب النموذج في كثير من الأحيان.

يتم تدريب بعض حلول التوصيات في دورات، مثل اليومية أو الأسبوعية، وتتطلب قدرًا كبيرًا من أنشطة التسوق التاريخية. والنتيجة هي التوصيات التي يمكن أن تتخلف عن إشارات الطلب المتغيرة بسرعة، أو الاتجاهات الموسمية، أو طفرات المؤثرين، أو اللحظات الثقافية التي لا يمكن التنبؤ بها (مثل الوباء).

يمكن أن تتغير نية المتسوق اليوم، ولكن إذا لم يكن ذلك في دورة التدريب التالية، فلن يتمكن النظام من التفاعل.

تستكشف المنصات الناشئة مثل Albatross التعلم المستمر أو المتزايد، مما يقلل الاعتماد على إعادة التدريب المجدولة والانتقال نحو النماذج التي تعكس الجلسات النشطة.

المتسوقين الجدد

التحدي الثاني طويل الأمد هو كيفية تعامل أنظمة التوصية مع المتسوقين الجدد. تاريخيًا، اعتمدت هذه الأنظمة على التصنيفات القائمة على الشعبية أو الكتب الأكثر مبيعًا بشكل عام أثناء انتظارها لجمع إشارات كافية لتخصيصها.

لا يوفر التخصيص بدون ملفات تعريف الارتباط أو مطابقة الهوية المحتملة سوى راحة محدودة.

تتحول الصناعة الآن نحو ما يمكن وصفه بـ “التخصيص في اللحظة الأولى”، مما يعني أن إشارات النوايا خلال جلسة واحدة – عمق التمرير، ووقت المكوث، وأنماط الارتداد، والتمرير الدقيق، ومفاتيح التبديل – تصبح الاستدلالات الأساسية.

الهدف هو تقليل عدد التفاعلات المطلوبة لفهم اهتمامات المتسوق ونواياه.

بداية باردة

العقبة الثالثة هي مشكلة منتج البداية الباردة.

نادرًا ما يكون كتالوج التجارة الإلكترونية ثابتًا. تصل وحدات SKU جديدة كل يوم؛ يمكن للأسواق إضافة الآلاف في الساعة.

تحتاج خوارزميات التوصية الحالية إلى بيانات التفاعل قبل أن تتمكن من اقتراح عنصر بثقة. ومن ثم قد تظل المنتجات الجديدة مدفونة.

يمكن للمسوقين وضع علامة عليها على أنها جديدة وتقديم معاملة تفضيلية في البحث وفي صفحات الفئات. لكن هذه الإجراءات يمكن أن تحبط الغرض من التوصيات الشخصية.

بدأت أساليب الذكاء الاصطناعي في الاستفادة من تضمين المحتوى، والتمثيل متعدد الوسائط، والنمذجة التسلسلية لاستنتاج الصلة المحتملة قبل توفر بيانات المشاركة. بشكل أساسي، يفهم الذكاء الاصطناعي بشكل أفضل أي المتسوقين سيحبون المنتج الجديد.

تستمر الأبحاث في الكشف عن طرق للجمع بين بيانات تعريف العنصر والأوصاف النصية أو المستندة إلى الصور وسياق تسلسل المستخدم بحيث تكون العناصر الجديدة مرئية في اليوم الأول.

الذكاء الاصطناعي والتجارة

تنطبق التحديات الثلاثة على الاتجاهات الأخرى في التجارة الإلكترونية والتحول المستمر في مجال الذكاء الاصطناعي.

تحاول LLMs مثل ChatGPT وPerplexity وGemini تصنيف المنتجات للأفراد من خلال التجارة الوكيلة. ومع ذلك، لن ينجح أي من هؤلاء في تحقيق النجاح ما لم يتمكنوا من تفسير نية التسوق.

باختصار، أصبحت محركات التوصيات ووكلاء التسوق المعتمدين على الذكاء الاصطناعي غير واضحة. يتم دمج اكتشاف المنتج وقرارات الشراء.