إدارة السمات المدعومة بالذكاء الاصطناعي في التجارة الإلكترونية: كيف قمت بتنظيم ملايين من بيانات المنتجات

معظم منصات التجارة الإلكترونية تتحدث عن تحديات تقنية كبيرة: البحث على نطاق واسع، المخزون في الوقت الحقيقي، التوصيات المخصصة. لكن هناك مشكلة مخفية تكاد تؤرق كل تاجر تجزئة: اتساق قيم السمات. تبدو هذه غير مهمة من السطح، لكنها الأساس لاكتشاف المنتجات، الفلاتر، المقارنات وملاءمة البحث.

في الكتالوجات الحقيقية للمنتجات، الحالة فوضوية. تظهر قياسات الأحجام كـ “XL”، “Small”، “12cm”، “Large” بشكل غير منظم. تُجمع الألوان كـ “RAL 3020”، “Crimson”، “Red”، و"Dark Red". عند مضاعفة هذه الاختلافات عبر ملايين من رموز المنتجات مع عشرات السمات لكل منتج – يصبح النظام غير قابل للاستخدام. تعمل الفلاتر بشكل غير متوقع، تفقد محركات البحث جودتها، ويشعر العملاء بالإحباط أثناء التصفح.

المشكلة على نطاق واسع

كمهندس Full-Stack في Zoro، واجهت نفس المهمة بالضبط: بناء نظام لا يدير فقط هذه السمات، بل ينظمها بشكل ذكي. الهدف كان بسيطًا، التنفيذ معقد: توفير أكثر من 3 ملايين رمز منتج مع قيم سمات متسقة وقابلة للفهم.

التحدي: لا يمكن برمجة قواعد يدوية لكل فئة. نحتاج إلى شيء يفكر، لكنه يظل قابلًا للسيطرة. هنا دخلت الذكاء الاصطناعي – ليس كحل صندوق أسود، بل كشريك للمنطق الحتمي.

الاستراتيجية الهجينة: الذكاء الاصطناعي مع حدود

نهجي كان مختلفًا تمامًا: أنبوب هجيني يربط بين ذكاء LLM وقواعد واضحة وضوابط تجارية. النتيجة: قابل للتفسير، متوقع، قابل للتوسع وقابل للتحكم البشري.

النظام يعالج السمات ليس في الوقت الحقيقي، بل في مهام خلفية غير متزامنة. قد يبدو هذا تنازلًا، لكنه قرار معماري واعٍ مع فوائد كبيرة:

• عالية الإنتاجية: معالجة كميات هائلة من البيانات دون تحميل الأنظمة الحية
• موثوقية: الأعطال لا تؤثر على حركة العملاء
• كفاءة من حيث التكلفة: الحسابات تتم في أوقات منخفضة الحمل
• عزل: زمن استجابة LLM لا يلمس صفحات المنتج أبدًا
• اتساق: التحديثات ذرية ومتوقعة

المعالجة في الوقت الحقيقي كانت ستؤدي إلى زمن استجابة غير متوقع، تكاليف أعلى، واعتمادات هشة. المهام غير المتزامنة تمنحنا كفاءة في التكديس، استدعاءات AI غير متزامنة، ونقاط مراجعة بشرية.

التحضير: التنظيف قبل الذكاء

قبل أن ينظر LLM إلى السمات، أقوم بخطوة تنظيف:

• إزالة المسافات الزائدة
• حذف القيم الفارغة
• إزالة التكرارات
• تحويل سياق الفئة إلى سلاسل منسقة

يستقبل LLM مدخلات نظيفة وواضحة. قم بإدخال القمامة، ستجد القمامة – على هذا المقياس، الأخطاء الصغيرة تتحول إلى مشاكل كبيرة. التنظيف هو أساس كل شيء يلي ذلك.

خدمة الذكاء الاصطناعي: التفكير بالسياق

خدمة LLM تتلقى أكثر من مجرد قيم خام. تتلقى:

• السمات المنظفة
• مسارات الفئة (Breadcrumbs)
• بيانات وصفية للسمات

مع هذا السياق، يفهم النموذج أن “الجهد” في الأدوات الكهربائية رقمي، و"الحجم" في الملابس يتبع تدرجًا معروفًا، و"اللون" قد يراعي معايير RAL. يعيد النموذج: قيم مرتبة، أسماء سمات محسنة، وقرار ما إذا كانت الترتيب الحتمي أو السياقي ضروري.

هذا يسمح للأنبوب بمعالجة أنواع مختلفة من السمات، دون برمجة قواعد جديدة لكل فئة.

استراتيجيات فاشلة ذكية: ليست كل السمات بحاجة إلى AI

ليست كل السيمات تتطلب ذكاء اصطناعي. المناطق الرقمية، القيم المعتمدة على الوحدات، والكميات البسيطة تستفيد أكثر من المنطق الحتمي:

• سرعة المعالجة
• ترتيب متوقع
• تكاليف أقل
• عدم غموض

يتعرف الأنبوب تلقائيًا على هذه الحالات ويستخدم القواعد بدلاً من AI. هذا يحافظ على كفاءة النظام ويجنب استدعاءات غير ضرورية للنماذج.

التجار يحتفظون بالسيطرة

يمكن تصنيف كل فئة على أنها:

• LLM_SORT: يترك القرار للنموذج
• MANUAL_SORT: يحدد التاجر الترتيب يدويًا

هذا النظام المزدوج يتيح تحكمًا بشريًا حقيقيًا. AI يقوم بالعمل، والبشر يتخذون القرارات النهائية. هذا يعزز الثقة – يمكن للتجار تجاوز النموذج دون تعطيل الأنبوب.

التثبيت والمزامنة

جميع النتائج تُخزن في قاعدة بيانات MongoDB للمنتجات – النظام العصبي المركزي لـ:

• السمات المرتبة
• أسماء السمات المحسنة
• علامات الترتيب المرتبطة بالفئة
• حقول ترتيب المنتج (sortOrder)

من هناك، تقوم مهام الإرسال بمزامنة البيانات مع:

• Elasticsearch للبحث بالكلمات المفتاحية
• Vespa للبحث الدلالي والمعتمد على المتجهات

تظهر الفلاتر بالترتيب المنطقي، صفحات المنتج تعرض سمات متسقة، ومحركات البحث تصنف المنتجات بشكل أدق.

من الفوضى إلى النظام: التحول

هنا تظهر قوة النظام في الممارسة:

من مدخلات فوضوية، تظهر تسلسلات منطقية ومتسقة.

الهيكلية في حركة

تسلسل الأنبوب بالكامل يتبع هذا التدفق:

1. تتدفق بيانات المنتج من نظام إدارة المعلومات (PIM)
2. يجمع مهمة الاستخراج السمات وسياق الفئة
3. يعالج خدمة الترتيب الذكي هذه البيانات
4. يخزن النتائج في MongoDB
5. تزامن مهام الإرسال البيانات مع نظام إدارة المعلومات (PIM)
6. يوزع Elasticsearch و Vespa البيانات على أنظمة البحث
7. خدمات API تربط البحث بواجهات العملاء

هذا التدفق يضمن عدم فقدان أي قيمة سمة – سواء كانت مرتبة بواسطة AI أو يدوية، ويتم عكسها في كل مكان.

لماذا ليست في الوقت الحقيقي؟

كان من الممكن أن يكون أنبوب في الوقت الحقيقي جذابًا، لكنه سيؤدي إلى:

• زمن استجابة غير متوقع
• ذروات حسابية أعلى
• اعتماديات هشة
• تعقيد تشغيلي

المهام غير المتزامنة توفر كفاءة في الإنتاجية، تحمل الأخطاء، وتكاليف متوقعة. العيب الصغير: تأخير بسيط بين استلام البيانات والعرض. الميزة الكبيرة: اتساق على نطاق واسع يقدره العملاء حقًا.

التأثيرات

النظام يقدم نتائج قابلة للقياس:

• ترتيب متسق لأكثر من 3 ملايين رمز منتج
• سمات رقمية متوقعة عبر القواعد
• آليات تحكم للتجار عبر الوسم اليدوي
• صفحات منتجات أنظف، فلاتر أكثر بديهية
• تحسين ملاءمة البحث وزيادة التحويل
• تعزيز ثقة العملاء

كان أكثر من انتصار تقني – بل حسّن تجربة المستخدم والمبيعات.

الدروس المستفادة الرئيسية

• الهجينة تتفوق على الذكاء الاصطناعي الصرف: على نطاق واسع، تحتاج إلى حدود، وليس فقط ذكاء
• السياق هو الملك: البيئة الصحيحة تحسن دقة LLM بشكل كبير
• غير المتزامن هو الجديد في الوقت الحقيقي: من أجل الإنتاجية والموثوقية، وليس في الوقت الحقيقي
• البشر يحتفظون بالسيطرة: آليات التجاوز تبني ثقة حقيقية
• المدخلات النظيفة أساسية: Garbage In، Garbage Out – دائمًا نظف أولاً

الخلاصة

تصنيف قيم السمات يبدو بسيطًا. لكن عبر ملايين المنتجات، يتحول إلى تحدٍ حقيقي. من خلال دمج ذكاء LLM مع قواعد واضحة وضوابط تجارية، حولت مشكلة مخفية إلى نظام نظيف وقابل للتوسع.

هذه هي قوة النهج الهجينة: تجمع بين أفضل ما في الإنسان والآلة. وأحيانًا، تأتي أكبر النجاحات من حل أبسط المشاكل – المشاكل التي يسهل التغاضي عنها، لكنها تظهر على كل صفحة منتج.