Cuando se habla de escalar el comercio electrónico, se centran en importantes retos de ingeniería: búsqueda distribuida, inventario en tiempo real, motores de recomendación y optimización del proceso de compra. Pero detrás de todo esto se esconde un problema más discreto y persistente con el que luchan casi todos los minoristas: los valores de los atributos.  Los atributos son la base del descubrimiento de productos. Impulsan los filtros, las comparaciones, el posicionamiento en buscadores y la lógica de recomendación. Sin embargo, en los catálogos reales, los valores de los atributos rara vez son precisos. Son inconsistentes, duplicados, con formato incorrecto o semánticamente ambiguos.  Considere algo tan simple como   . Podría ver: Tamaño  Código  ["XL", "Pequeño", "12 cm", "Grande", "M", "S"] ​  O   : color  Código  ["RAL 3020", "Carmesí", "Rojo", "Rojo oscuro"] ​  Individualmente, estas inconsistencias parecen inofensivas. Pero si se multiplican por más de 3 millones de SKU, cada uno con docenas de atributos, el problema se vuelve sistémico. Los filtros se comportan de forma impredecible, los motores de búsqueda pierden relevancia, los comerciantes se ven abrumados por la limpieza manual y el descubrimiento de productos se vuelve más lento y frustrante para los clientes.  Este fue el desafío al que me enfrenté como ingeniero de software full-stack en Zoro, un problema que era fácil de pasar por alto pero que afectaba a todas las páginas de productos.  Mi enfoque: La IA híbrida se encuentra con el determinismo  No quería una IA misteriosa de caja negra que simplemente ordenara cosas. Sistemas como ese son difíciles de confiar, depurar o escalar. En cambio, buscaba un flujo de trabajo que:  explicable  previsible  escalable  controlable por humanos  El resultado fue un flujo de trabajo híbrido de IA que combina el razonamiento contextual de los LLM con reglas claras y controles de comercialización. Actúa con inteligencia cuando es necesario, pero siempre se mantiene predecible. Se trata de IA con límites, no de IA fuera de control.  Trabajos en segundo plano: diseñados para el rendimiento  Todo el procesamiento de atributos se realiza en tareas en segundo plano sin conexión, no en tiempo real. Esto no fue una concesión, sino una decisión arquitectónica estratégica.  Los canales de distribución en tiempo real suenan atractivos, pero a escala del comercio electrónico, introducen:  latencia impredecible  dependencias frágiles  picos de cómputo costosos  fragilidad operativa  Por otro lado, los trabajos fuera de línea nos brindaron:  Alto rendimiento: grandes lotes procesados ​​sin afectar los sistemas en vivo  Resiliencia: las fallas nunca afectaron el tráfico de clientes  Control de costos: el procesamiento podría programarse durante horas de poco tráfico  Aislamiento: La latencia de LLM nunca afectó a las páginas de productos  Coherencia: las actualizaciones fueron atómicas y predecibles  Mantener los sistemas que interactúan con el cliente separados de los canales de procesamiento de datos es esencial cuando se trabaja con millones de SKU.  Limpieza y normalización  Antes de aplicar la IA a los datos, realicé un preprocesamiento claro para eliminar el ruido y la confusión. Este paso puede parecer simple, pero mejoró considerablemente el razonamiento del LLM.  La tubería de limpieza incluyó:  recortar espacios en blanco  eliminando valores vacíos  deduplicación de valores  Aplanar las migas de pan de la categoría en una cadena contextual  Esto garantizó que el LLM recibiera información clara y precisa, clave para obtener resultados consistentes. Si entra basura, sale basura. A esta escala, incluso pequeños errores pueden causar problemas mayores posteriormente.  Servicio LLM con contexto  El LLM no se limitaba a ordenar los valores alfabéticamente. Se razonaba sobre ellos.  El servicio recibido:  valores de atributos limpios  migas de pan de categoría  metadatos de atributos  Con este contexto, el modelo podría entender:  Ese “Voltaje” en   es numérico las Herramientas Eléctricas  que el “tamaño” en   sigue una progresión conocida la ropa  que el “color” en   podría seguir los estándares RAL las pinturas  que “Material” en   tiene relaciones semánticas Hardware  El modelo regresó:  valores ordenados  nombres de atributos refinados  una decisión: ordenamiento determinista o contextual  Esto permite que el pipeline maneje distintos tipos de atributos sin codificar reglas para cada categoría.  Fallbacks deterministas  No todos los atributos necesitan IA.  De hecho, muchos atributos se manejan mejor mediante la lógica determinista.  Los rangos numéricos, los valores basados ​​en unidades y los conjuntos simples a menudo se benefician de:  procesamiento más rápido  orden predecible  menor costo  cero ambigüedad  El pipeline detectó automáticamente estos casos y aplicó lógica determinista. Esto mantuvo la eficiencia del sistema y evitó llamadas LLM innecesarias.  Etiquetado manual vs. LLM  Los comerciantes aún necesitaban control, especialmente en lo que respecta a los atributos sensibles para el negocio.  Entonces cada categoría podría etiquetarse como:  LLM_SORT — deja que el modelo decida  MANUAL_SORT — los comerciantes definen el orden  Este sistema de doble etiqueta permite a las personas tomar las decisiones finales mientras la IA realiza la mayor parte del trabajo. Además, generó confianza, ya que los comerciantes podían modificar el modelo cuando fuera necesario sin interrumpir el proceso de venta.  Persistencia y control  Todos los resultados se almacenaron directamente en una base de datos MongoDB del producto, manteniendo la arquitectura simple y centralizada.  MongoDB se convirtió en el único almacén operativo para:  valores de atributos ordenados  nombres de atributos refinados  etiquetas de ordenación a nivel de categoría  campos sortOrder a nivel de producto  Esto facilitó la revisión de cambios, la anulación de valores, el reprocesamiento de categorías y la sincronización con otros sistemas.  Integración de búsqueda  Una vez ordenados, los valores fluyeron hacia:  Elasticsearch para búsqueda basada en palabras clave  Vespa para búsqueda semántica y basada en vectores  Esto garantizó que:  Los filtros aparecieron en orden lógico  Las páginas de productos mostraban atributos consistentes  Los motores de búsqueda clasificaron los productos con mayor precisión  Los clientes podrían explorar las categorías más fácilmente  La búsqueda es donde la clasificación de atributos es más visible y donde la consistencia es más importante.  Descripción general de la arquitectura   Para que esto funcione en millones de SKU, diseñé un flujo de trabajo modular basado en trabajos en segundo plano, razonamiento de IA e integración de búsquedas. El diagrama de arquitectura a continuación captura el flujo completo:  Los datos del producto ingresan desde el Sistema de Información del Producto  El trabajo de extracción de atributos extrae valores de atributos y contexto de categoría  Estos se pasan al Servicio de Clasificación de IA.  Los documentos de producto actualizados se escriben en el MongoDB del producto  El trabajo de sincronización saliente actualiza el sistema de información del producto con el orden de clasificación  Los trabajos de sincronización de Elasticsearch y Vespa envían datos ordenados a sus respectivos sistemas de búsqueda  Los servicios API conectan Elasticsearch y Vespa con la aplicación cliente  Este flujo garantiza que cada valor de atributo, ya sea ordenado por IA o configurado manualmente, se refleje en la búsqueda, la comercialización y la experiencia del cliente.  La solución en acción  Así es como se transformaron los valores desordenados:  Atributo  Valores brutos  Salida ordenada  Tamaño  XL, Pequeño, 12 cm, Grande, M, S  Pequeño, M, Grande, XL, 12 cm  Color  RAL 3020, Carmesí, Rojo, Rojo Oscuro  Rojo, rojo oscuro, carmesí, rojo (RAL 3020)  Material  Acero, acero al carbono, acero inoxidable, acero inoxidable  Acero, acero inoxidable, acero al carbono  Numérico  5 cm, 12 cm, 2 cm, 20 cm  2 cm, 5 cm, 12 cm, 20 cm  Estos ejemplos muestran cómo la canalización combina el razonamiento contextual con reglas claras para crear secuencias limpias y fáciles de entender.  ¿Por qué realizar trabajos fuera de línea en lugar de procesamiento en tiempo real?  El procesamiento en tiempo real habría introducido:  latencia impredecible  Costos de computación más altos  dependencias frágiles  complejidad operativa  Los trabajos fuera de línea nos dieron:  eficiencia del lote  llamadas LLM asincrónicas  lógica de reintento y colas de errores  ventanas de revisión humana  gasto computacional predecible  La compensación fue una pequeña demora entre la ingesta y la visualización de los datos, pero el beneficio fue la consistencia a escala, algo que los clientes valoran mucho más.  Impacto  Los resultados fueron significativos:  Ordenamiento de atributos consistente en más de 3 millones de SKU  Ordenación numérica predecible mediante alternativas deterministas  Control de comercialización mediante etiquetado manual  Páginas de productos más limpias y filtros más intuitivos  Relevancia de búsqueda mejorada  Mayor confianza y conversión del cliente  Esto no fue sólo una victoria técnica; también fue una victoria en cuanto a experiencia del usuario y ingresos.  Lecciones aprendidas  Las canalizaciones híbridas superan a la IA pura a escala. Las barreras de seguridad son importantes.  El contexto mejora drásticamente la precisión del LLM  Los trabajos fuera de línea son esenciales para el rendimiento y la resiliencia  Los mecanismos de anulación humana generan confianza y adopción  Una entrada limpia es la base de una salida de IA confiable  Pensamiento final  Ordenar los valores de los atributos parece sencillo, pero se convierte en un verdadero desafío cuando hay que hacerlo para millones de productos.  Al combinar la inteligencia de LLM con reglas claras y control del comerciante, transformé un problema complejo y oculto en un sistema limpio y escalable.  Es un recordatorio de que algunos de los mayores logros surgen de resolver los problemas aburridos, aquellos que son fáciles de pasar por alto pero que aparecen en todas las páginas de productos.

This story contains AI-generated text. The author has used AI either for research, to generate outlines, or write the text itself. 

Read My Stories

Este audio es producido en el idioma original de la historia!

Cómo utilicé IA para corregir valores de atributos inconsistentes a gran escala en el comercio electrónico

About Author

COMENTARIOS

ETIQUETAS

ESTE ARTÍCULO FUE PRESENTADO EN

Related Stories

El modelo Bitcoin UTXO, impulsando un ecosistema único

Crecimiento de las criptomonedas: creación de perfiles de usuarios eficaces

De los foros a los feeds: cómo los algoritmos de las redes sociales influyen en la interacción digital

Toque para ganar: Telegram puede incorporar a los próximos 10 mil millones de usuarios de criptomonedas antes de Solana

El modelo Bitcoin UTXO, impulsando un ecosistema único

Crecimiento de las criptomonedas: creación de perfiles de usuarios eficaces

De los foros a los feeds: cómo los algoritmos de las redes sociales influyen en la interacción digital

Toque para ganar: Telegram puede incorporar a los próximos 10 mil millones de usuarios de criptomonedas antes de Solana

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps