تعتبر كتالوجات المنتجات الأساس الذي يبني عليه تجربة التسوق، البحث، والاكتشاف في عالم التجارة الإلكترونية، إلا أنها في كثير من الأحيان تعاني من نقص في الخصائص المفيدة. فالمعلومات التي يحتاجها المتسوقون وأنظمة التوصية تُدس غالباً في محتوى غير منظم مثل العناوين والصور، أو حتى قد تكون غير موجودة بالمطلق. ومع النمو السريع لحجم البيانات، يصبح من غير العملي الاعتماد على عملية تحسين الكتالوجات يدوياً.
لذلك، يبرز إطار TRACE كحل مبتكر، حيث يقدم إطار عمل يعتمد على نماذج لغوية ضخمة (Large Language Models) لتغذية الكتالوجات بالخصائص المطلوبة بشكل تلقائي. يتضمن الإطار وكيلين رئيسيين:
- **ScoutAgent**: يقوم بتجميع الأدلة المتعددة المصادر من كتالوجات التجار، والخدمات المشتركة، والبحث على الويب لتقديم قيم خصائص مرشحة مع أدلة داعمة.
- **JudgeAgent**: يتولى مهمة التأكد من صحة القيم المقترحة لكل خاصية وفقاً للأدلة، ليقرر في النهاية ما إذا كان يجب نشرها أم إرسالها للمراجعة البشرية.
وفي تقييم أجري على مجموعة بيانات قائمة على المراجعة البشرية، بلغت دقة القيم المقترحة من TRACE 98.2% مع تغطية 74.7% للخصائص. وعند تطبيقه على كتالوجات بمستوى صناعي، شهد النظام زيادة بنسبة 90.4% في تغطية الخصائص المحسنة عبر أربعة مجالات اقتصادية مختلفة.
والأكثر إثارة هو ما تم ملاحظته في تجربة عبر الإنترنت، حيث أدى ظهور الخصائص المحسنة على صفحات تفاصيل المنتجات إلى زيادة بمقدار 0.48% في نسبة التحويل عند الدفع.
إن نجاح TRACE يعد علامة فارقة في كيفية توظيف الذكاء الاصطناعي لتحسين تجارب التسوق للمستخدمين، فضلاً عن دعم التجار في تقديم معلومات دقيقة ومفيدة لعملائهم. ما رأيكم في هذا التطور؟ شاركونا في التعليقات.