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.
Syntalith
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.
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