Model AI do identyfikacji części w opisach klientów

Dla dystrybutora przemysłowego pytanie brzmi, czy model pomaga znaleźć właściwe pozycje, czy tylko zwraca więcej wyników do ręcznego przeglądania. Warto najpierw sprawdzić wyszukiwanie w katalogu i zaakceptowanych nazwach potocznych.

Fine-tuning oznacza dalsze trenowanie istniejącego modelu na przykładach z etykietami określającymi poprawny wynik; tak nadzorowany fine-tuning opisuje dokumentacja Google. W tym zastosowaniu bieżące informacje o częściach nadal powinny pochodzić z aktualnego katalogu, a skuteczność dostosowania trzeba ocenić na odrębnych przypadkach. Fine-tuning można rozważyć, jeśli po porównaniu powtarzają się te same błędy mapowania, a zespół potrafi wskazać poprawne odpowiedzi w zatwierdzonych przykładach.

Gdy jeden opis pasuje do dwóch wariantów

Załóżmy, że klient pisze: „Szukam złączki serwisowej do pompy, tej standardowej”. W tym fikcyjnym przykładzie katalog zawiera dwie pozycje o podobnym opisie. Pierwsza ma wpisany wariant A i jeden typ przyłącza, druga wariant B i inny typ przyłącza. Wiadomość nie zawiera numeru części ani informacji, który wariant lub rodzaj przyłącza jest potrzebny. To wszystko, co system może wziąć pod uwagę: tekst klienta i pola z katalogu.

Użyteczny wynik pokazuje obie pasujące pozycje wraz z odróżniającymi je polami. Zamiast wybierać jedną, system wskazuje brakującą informację, na przykład typ przyłącza albo oznaczenie wariantu, i proponuje krótkie pytanie do klienta. Wyszukanie kandydata na podstawie podobnego opisu nie potwierdza, że części można zastosować zamiennie. System nie ma podstaw, by dopisać brakujący parametr z własnej wiedzy.

Handlowiec powinien widzieć, które dane pochodzą z wiadomości, a które z konkretnych rekordów katalogu. Jeśli klient poda brakującą wartość i zgadza się ona z opisem jednej pozycji, handlowiec może potwierdzić propozycję w swoim procesie. Gdy odpowiedź nadal nie rozstrzyga różnicy albo wymaga oceny produktu, sprawa powinna trafić do wskazanego specjalisty. Taki podział mówi kupującemu, kto przyjmuje wynik i co dzieje się z nierozstrzygniętym przypadkiem.

Sprawdź prostsze wyszukiwanie

Część trudności wynika ze słownictwa. Klienci mogą używać skrótu, lokalnego określenia albo literówki, podczas gdy katalog zapisuje nazwę formalną. Dokumentacja Elastic o synonimach w wyszukiwaniu opisuje reguły obejmujące żargon branżowy i częste literówki oraz rozróżnia terminy równoważne od mapowań jednostronnych. Dlatego przed zamawianiem dostosowania modelu warto sprawdzić utrzymywaną listę aliasów lub reguły wyszukiwania. Reguła pomaga odnaleźć rekordy na podstawie słów; sama nie rozstrzyga, który fizyczny wariant pasuje do zastosowania.

Jeśli nazwy klientów są stabilne i firma zna ich odpowiedniki w katalogu, słownik aliasów może wystarczyć. Przy większej swobodzie sformułowań warto porównać model ogólny, który wyszukuje w aktualnych rekordach, z takim rozwiązaniem regułowym. Do testu dostosowania modelu przechodzi się dopiero wtedy, gdy oba podejścia pozostawiają powtarzalny problem i jego źródłem okazuje się mapowanie opisów. Jeśli brakuje danych odróżniających warianty, model nie usunie tej niejednoznaczności przez samo trenowanie.

Jak ocenić propozycje modelu

Przed testem właściciel katalogu i osoba z obsługi sprzedaży powinni uzgodnić poprawne odpowiedzi dla przykładów. W zbiorze warto umieścić zatwierdzone opisy, przypadki z więcej niż jednym kandydatem oraz takie, dla których katalog nie daje podstaw do odpowiedzi. Część opisów odrębnych klientów powinna pozostać poza przykładami używanymi do dostosowania, żeby sprawdzić, jak system radzi sobie z nieznanym sformułowaniem. Szczegóły przygotowania danych zależą od uzgodnionego zakresu.

Sama liczba trafnych wskazań nie pokaże całego ryzyka zakupu. Właściciel procesu powinien osobno ocenić, jak często system pewnie wskazuje złą pozycję, czy lista pomaga handlowcowi i ile wyjaśnień nadal przeprowadza człowiek. Zespół ustala też, które pomyłki mają największy koszt i kiedy wynik ma zatrzymać się z pytaniem o brakującą cechę. Osobno warto policzyć wyniki dla łatwych dopasowań, opisów niejednoznacznych i przypadków bez odpowiedzi w katalogu.

Każdą część oceny sprawdza osoba znająca dany etap pracy. Opiekun katalogu weryfikuje pola wskazanej pozycji, sprzedawca ocenia przydatność listy i pytania do klienta, a specjalista przegląda przekazane mu niejasne przypadki. Jeśli role nie zgadzają się co do poprawnego wyniku, kryterium trzeba doprecyzować przed zakupem dostosowania. Podobne pytania o etykiety i ocenę w innym zadaniu opisuje artykuł o fine-tuningu klasyfikacji zgłoszeń serwisowych.

Jeżeli słownik aliasów osiąga podobny efekt przy mniejszym zakresie zmian, test przemawia za pozostaniem przy nim. Kiedy po sprawdzeniu etykiet, katalogu i sposobu przekazania sprawy model ogólny nadal pewnie wybiera niewłaściwe pozycje w zatwierdzonych opisach, warto ocenić dostosowanie. Kupujący powinien otrzymać porównanie metod na tych samych przypadkach, opis błędów i decyzję, czy warto przechodzić do kolejnego etapu. Możliwość dostrojenia sama w sobie nie przesądza o korzyści.

Trzeba też ustalić, kto zatwierdza nowe aliasy i poprawki katalogu. Warianty, nazwy oraz pola mogą się zmieniać. Jeśli zmiana katalogu wymaga ręcznej korekty, należy przypisać ją do konkretnej roli, a w wyniku wyszukiwania zachować ślad rekordu i użytych danych. Model może pomagać w znalezieniu kandydatów; bieżący stan oferty produktu należy pobierać ze źródła, które firma utrzymuje.

Co ustalić przed wyborem wykonawcy

W Syntalith można uzgodnić zakres obejmujący aplikacje i modele AI na zamówienie, porównanie wyszukiwania katalogowego z modelem oraz przekazanie nierozstrzygniętych spraw do handlowca. To połączenie pomaga ustalić, czy trudność wynika ze słów używanych przez klientów, brakujących danych czy dalszej obsługi propozycji. Zakres do uzgodnienia może zawierać raport porównujący obie metody na tych samych opisach, z błędami i przypadkami wymagającymi kontroli. Taki materiał ułatwia decyzję, czy warto osobno testować dostosowanie modelu.

Jeśli główną trudnością jest zebranie braków w całym zapytaniu ofertowym, przydatny będzie też opis agenta AI do wyjaśniania zapytań ofertowych w hurtowni, który dotyczy szerszego procesu obsługi wiadomości.

Do pierwszej rozmowy przygotuj kilka zanonimizowanych opisów klientów, fragment katalogu z polami wariantu i przyłącza oraz przykłady tego, jak zespół dziś rozstrzyga podobne przypadki. Opisy pokażą rzeczywisty język klientów, rekordy ujawnią dostępne dane rozróżniające, a decyzje pracowników pomogą ustalić wiarygodne kryteria odbioru. Informacje o cenach znajdziesz w cenniku.