Slovenčina
Zákazníci sú zahltení výberom produktov. Často nerozumejú všetkým parametrom a majú problém nájsť najvhodnejší produkt, najmä pri väčších katalógoch.
Guided selling, teda riadený predaj, dokáže tento problém vyriešiť. Nákupní asistenti, ktorých poháňa AI, pomáhajú zákazníkom so správnym výberom, čím odstránia frustráciu a zlepšia nákupný zážitok.
Ale vytvoriť asistenta pre každú jednu kategóriu v e-shope je časovo náročné a ťažko škálovateľné. Predajcovia a ich tímy na to jednoducho nemajú kapacitu.
Preto sme sa rozhodli vytvoriť automatizovaný nástroj, ktorý generuje nákupných asistentov, bez extra ručnej práce, škálovateľne naprieč celým e-shopom.
LLM ako základ pre generovanie asistentov
Tvorba nákupných asistentov do veľkej miery stále stojí na ručnej práci. Predajca musí sám vymyslieť otázky, napísať odpovede a namapovať ich na katalóg.
Práve tu dáva LLM zmysel. Rozumie jazyku, dokáže pracovať so štruktúrou katalógu a generovať prirodzene znejúce konverzácie. A to opakovateľne, rýchlo a naprieč kategóriami aj jazykmi.
Výber LLM modelu
Pre naše riešenie sme zvolili Anthropic Claude pre jeho konzistentnú kvalitu pri generovaní štruktúrovaného obsahu, akým sú sekvencie otázok a odpovedí. Dobre pracuje so štruktúrovanými vstupmi, akými sú produktové katalógy. Dáva nám kontrolu nad tónom a štýlom komunikácie, čo pri nákupných asistentoch priamo ovplyvňuje zákaznícky zážitok.
Počas projektu sme postupne prešli z Claude Sonnet 3.5 na Claude Sonnet 4.6. Novšia verzia priniesla viditeľné zlepšenie: otázky zneli prirodzenejšie a prepojenie s katalógom bolo presnejšie.
Iteratívne ladenie (prompt engineering)
Výber modelu bol len prvý krok. Rovnako dôležité bolo systematické ladenie promptov. Pracovali sme s viacerými verziami, porovnávali ich a sledovali, ako každá zmena ovplyvňuje kvalitu výstupu.
Tento iteratívny prístup nám umožnil udržať kvalitu aj pri prechode na novší model.
Generátor nákupných asistentov v praxi
Generátor nákupných asistentov je dostupný priamo v existujúcom editore Shopping Assistants v platforme Luigi’s Box. Pôvodný editor umožňoval iba ručnú tvorbu otázok a odpovedí a ich mapovanie na katalóg. V rámci projektu sme ho rozšírili o automatizované generovanie pomocou LLM.
Postup generovania asistenta je jednoduchý:
- Používateľ zvolí cieľovú kategóriu alebo typ asistenta
- Systém načíta štruktúru produktového katalógu
- LLM vygeneruje sekvenciu otázok a odpovedí
- LLM namapuje vygenerované odpovede na filtre a atribúty katalógu
Okrem generovania celého asistenta naraz editor umožňuje aj úpravu jednotlivých otázok a odpovedí. Toto je užitočné pri ladení existujúceho asistenta alebo pri doplnení nových vetiev.
Dvojkrokový proces generovania
Po experimentácii s rôznymi spôsobmi generovania nákupných asistentov sme vytvorili dvojkrokový proces.
Fáza 1: Tvorba konverzačného flow. Model sa sústreďuje výlučne na kvalitu konverzácie so zákazníkom. Výstupom je prirodzene znejúca sekvencia otázok a odpovedí bez akéhokoľvek mapovania na katalóg.
Fáza 2: Prepojenie s katalógom. Výstup prvej fázy sa prepojí so štruktúrou produktového katalógu. Model dostane vygenerovanú konverzáciu a metadáta katalógu. Výstupom je každá odpoveď namapovaná na konkrétny filter a hodnotu atribútu.
Tento prístup je výrazne efektívnejší než jednorazové generovanie celého asistenta. Jeho hlavné výhody sú:
- Zameranie na jednu konkrétnu úlohu: model v každom kroku rieši jeden jasne definovaný problém, čo zvyšuje kvalitu výstupov
- Znovupoužiteľnosť: druhú fázu je možné aplikovať aj na asistentov vytvorených ručne alebo iným spôsobom, nielen na tých generovaných v kroku 1
Variácie tónu
Vyvinuli sme tri variácie tónu, akým dokáže asistent komunikovať.
1. Formálny tón
Vecný a profesionálny štýl komunikácie je najvhodnejší pre B2B e-shopy a kategórie, ktoré si vyžadujú odbornú komunikáciu, ako je elektronika a náradie.
2. Neformálny tón
Vľúdny, no neutrálny štýl vhodný pre väčšinu B2C e-shopov.
3. Priateľský tón
Osobný a konverzačný štýl je najvhodnejší pre e-shopy v kategórii módy a lifestyle.
Špeciálny prípad: Darčekový asistent
Okrem tónových variácií sme pridali aj špecializáciu na výber darčekov. Toto je špeciálny scenár, ktorý sa zásadne líši od klasického hľadania produktu v konkrétnej kategórii.
Darčekový asistent potrebuje iný typ otázok (pre koho je darček, aká je príležitosť, rozpočet) a iné mapovanie na katalóg (naprieč kategóriami), aby vedel odporučiť čo najvhodnejšie produkty na základe vágnejšieho vstupu.
Viacjazyčná lokalizácia
Systém lokalizuje vygenerovaného asistenta pre iné jazykové variácie e-shopu. Automaticky preloží otázky a odpovede do cieľového jazyka, čím výrazne urýchli nasadenie na viacjazyčných e-shopoch.
Reálna výzva: dáta nie sú nikdy perfektné
Najvýznamnejšou výzvou, na ktorú sme počas projektu narazili, boli nekompletné dáta.
Produktové katalógy často neobsahujú dostatočne štruktúrované informácie. Chýbajú hodnoty kľúčových atribútov, niektoré sú nekonzistentne vyplnené a iné úplne absentujú.
Nákupný asistent je priamo závislý od štruktúry katalógu. Ak katalóg neobsahuje atribút “vhodné pre typ pleti”, asistent nemôže vygenerovať zmysluplnú otázku o type pleti ani namapovať odpoveď na relevantný filter.
Riešenie: obohatené metadáta
V minulosti sme vyvinuli riešenie na obohacovanie produktových metadát. Problém bol v tom, že tieto obohatené metadáta neboli priamo použiteľné pre nákupného asistenta, keďže existovali v oddelenom systéme.
V rámci tohto projektu sme vytvorili prepojenie medzi oboma systémami. Vďaka tomu je teraz možné vygenerovať nákupného asistenta aj pre e-shopy, ktorých katalóg by na to pôvodne nestačil.
Zistenia z experimentov
Experimentácia v rámci tohto projektu nám priniesla niekoľko dôležitých poznatkov, ktoré formujú náš ďalší prístup k vývoju nákupných asistentov.
Iterácia modelu sa vypláca
Kvalita LLM modelu priamo ovplyvňuje kvalitu výsledného asistenta. Prechod na novší model priniesol viditeľné zlepšenia, ktoré by sme bez systematického sledovania kvality ťažko zachytili.
Viacfázový prístup je robustnejší než jednorazové generovanie
Okrem vyššej kvality výstupov prináša aj flexibilitu, keďže jednotlivé fázy je možné použiť nezávisle.
Tón a špecializácia rozširujú pokrytie
Variácie tónu a špecializácie ako darčekový asistent výrazne rozširujú pokrytie reálnych scenárov, s ktorými sa e-shopy denne stretávajú.
Dáta sú rovnako dôležité ako model
Ani najlepší AI model nedokáže vygenerovať dobrého asistenta z nekompletného katalógu.
Záver
V rámci tohto projektu vyvíjame funkčný generátor nákupných asistentov postavený na LLM, integrovaný priamo do platformy Luigi’s Box.
Dosiahli sme prepojenie obohateného produktového katalógu so Shopping Assistantom. Vďaka tomu je možné zmysluplne vygenerovať nákupného asistenta aj pre e-shopy, ktorých katalóg by na to pôvodne nestačil.
Kľúčovým zistením je, že kvalita výstupu závisí rovnako od modelu ako od dát. Iteratívny prístup k ladeniu oboch sa ukázal ako nevyhnutný predpoklad na vytvorenie systému na generovanie nákupných asistentov.
Riešenie sme dostali do stavu, ktorý umožňuje vytvoriť asistenta (definovať flow otázok/odpovedí s namapovaním na atribúty v produktovom katalógu) za menej ako dva dni.
Tento výskum realizujeme v rámci projektu Aplikácia GenAI pre zlepšenie vyhľadávania a objavovania produktov v prostredí e-commerce (GENAI-ECO, kód projektu: 17I04-04-V05-00077), spolufinancovaného Európskou úniou z prostriedkov Plánu obnovy a odolnosti SR. Projekt prebieha od októbra 2025 do júna 2026.
