Przejdź do treści
← Wróć do bloga
modele AIArtykuł

Model do kolejności wyników wyszukiwania w katalogu

Klient wpisuje w wyszukiwarce sklepu opis zastosowania, a na początku listy widzi produkty pasujące tylko do części słów. Kierownik katalogu chce poprawić kolejność wyników, zachowując kontrolę nad tym, co rzeczywiście odpowiada pytaniu. Dostosowany model może być jedną z opcji, ale najpierw trzeba ustalić, czy właściwe produkty w ogóle trafiają na listę kandydatów.

Autor

Syntalith

Opublikowano Zaktualizowano 3 min czytania

Syntalith proponuje ocenę wyszukiwania i modelu porządkującego wyniki. Zespół może obejrzeć obecne i proponowane listy dla rzeczywistych zapytań oraz wyjaśnić, które pozycje pomagają klientowi. Zakres obejmuje rozpoznanie przyczyny słabych wyników, porównanie prostszych zmian i ewentualnej adaptacji, a następnie uzgodnienie połączenia z wyszukiwarką.

Najpierw znaleźć, potem ustawić kolejność

Załóżmy, że klient szuka „lampki na biurko z zaciskiem”. W katalogu jest odpowiedni produkt, ale wyszukiwarka pokazuje najpierw zwykłe lampki stojące, a model z zaciskiem dopiero dalej. Jeśli odpowiednia pozycja już znalazła się wśród kandydatów, można ocenić zmianę ich kolejności. Jeżeli jej nie ma, najpierw trzeba sprawdzić opis produktu, filtry i samo wyszukiwanie.

Ta różnica wpływa na zakres zamówienia. Model porządkujący otrzymaną listę nie podniesie produktu, którego na niej nie dostał. Poprawa synonimów albo brakującej cechy w katalogu może rozwiązać problem wcześniej, bez dodatkowego uczenia.

Sentence Transformers opisuje modele Cross Encoder używane do ponownego porządkowania kandydatów znalezionych przez wyszukiwarkę. W takim zastosowaniu model ocenia parę: zapytanie i opis wyniku. Zespół może porównać taką kolejność z obecnymi wynikami.

Co zespół uznaje za trafny wynik

Opiekun katalogu powinien wyjaśnić, dlaczego lampka z zaciskiem odpowiada zapytaniu, a zwykła stojąca nie spełnia wskazanej cechy. Warto zachować również pytania, przy których pasuje kilka produktów. Ocena trafności nie musi wskazywać jednej sztuki jako jedynej poprawnej odpowiedzi.

Popularność i promocja produktu są osobnymi decyzjami handlowymi. Jeśli firma zmienia kolejność z tych powodów, trzeba odróżnić to od oceny zgodności z pytaniem. Inaczej pracownik będzie poprawiał model według kryterium, którego wcześniej nie uzgodniono.

Gotowy model porządkujący wyniki może wystarczyć. Fine-tuning, czyli jego dalsze uczenie na sprawdzonych przykładach, warto rozważyć przy powtarzalnych pomyłkach dotyczących języka klientów i cech asortymentu. Zespół dostarcza wtedy ocenę trafności, a wykonawca sprawdza, czy adaptacja zmienia listy także dla innych zapytań.

Zakup oceniany na całej drodze do produktu

Porównanie powinno uwzględniać zarówno zapytania, dla których obecna wyszukiwarka zawodzi, jak i te, które obsługuje dobrze. Kierownik widzi, czy poprawa trudnych przypadków nie pogarsza prostych wyszukiwań po nazwie. Ważne jest także oczekiwanie na listę: bardziej trafny wynik musi pojawić się w czasie użytecznym dla klienta.

Pierwszy zakres można ograniczyć do wskazanej części katalogu i zapytań o zastosowanie. Nie trzeba od razu zmieniać całego sklepu. Klient wnosi znajomość produktów i decyzje o tym, co ma oznaczać trafność; Syntalith porównuje dostępne podejścia oraz przygotowuje wynik do oceny zespołu.

Opisz zapytanie, przy którym odpowiedni produkt ginie w wynikach. Od niego możemy zacząć rozmowę o wyszukiwaniu. Informacje o współpracy są w cenniku Syntalith.

Syntalith jest członkiem Claude Partner Network, programu partnerskiego Anthropic.

Oznacza udział w programie partnerskim Anthropic dla Claude. Nie jest poparciem usług Syntalith przez Anthropic.

Dobierzmy model do wymagań Twojego zadania

Opisz wynik, którego obecne AI nie daje wystarczająco dobrze. Porównamy możliwości dostosowania modelu, wymagania dotyczące danych i koszty dalszego działania.

Prywatne modele LLM i fine-tuning
Porozmawiaj o własnym modelu