Il problema
Le persone chiedono in linguaggio naturale: "camicia di lino blu sotto gli 80 euro, taglia M". La sola ricerca vettoriale trova articoli simili e ignora taglia, prezzo e disponibilità. I filtri rigidi spesso non trovano niente.
Caso studio
Ricerca prodotti conversazionale su oltre 2 milioni di articoli:
Estyl è un assistente moda conversazionale su Google Cloud, con un catalogo di oltre 2 milioni di prodotti. Abbiamo ricostruito il retrieval dei prodotti con ricerca vettoriale ibrida, filtri strutturati, rilassamento dei filtri e re-ranking. La valutazione era severa: una risposta contava come corretta solo se ogni articolo rispettava la richiesta. Oltre il 90% delle risposte è risultato del tutto corretto.
I numeri
2M+prodotti a catalogo
90%+di risposte del tutto corrette
95%+di risposte con al massimo uno o due outfit sbagliati
Cosa abbiamo costruito
- Ricerca vettoriale ibrida con filtri strutturati su categoria, taglia, colore, prezzo, marca e disponibilità
- Filtri che si allentano quando la richiesta è troppo stretta, poi re-ranking
- Riconoscimento dell'intento, che manda ogni messaggio alla ricerca prodotto, alla creazione di un outfit, a una domanda su una foto o a un follow-up
- Un modello di preferenze che impara i gusti di ogni utente da una sessione all'altra
- Outfit ricreato da una foto, prova virtuale e separazione per merchant nel retrieval B2B multi-tenant
Ero Tech Lead AI Engineer e seguivo AI e backend.
Architettura e stack
Google Cloud: Cloud Run, BigQuery, Firestore. Retrieval ibrido, vettoriale e strutturato, e una pipeline di valutazione in cui ogni articolo della risposta deve essere giusto.
Risultati
- Oltre il 90% di risposte del tutto corrette, con ogni articolo pertinente
- Oltre il 95% con al massimo uno o due outfit sbagliati
- Latenza e token per richiesta in calo mentre l'uso cresceva
Cosa significa per la tua azienda
Se il tuo assistente cerca in un catalogo grande, misuralo in modo severo. Per chi chiede, basta un articolo sbagliato e la risposta è da buttare. Quel numero lo alzano il retrieval ibrido con filtri strutturati e un rilassamento controllato dei filtri. Un modello più grande non basta.
Domande
Come si costruisce la ricerca prodotti per un assistente AI di shopping?
Combini la ricerca vettoriale con filtri strutturati su attributi come taglia, colore, prezzo, marca e disponibilità. Se i risultati sono troppo pochi allenti i filtri, poi riordini i risultati. Su un catalogo di oltre 2 milioni di prodotti questo approccio ha dato più del 90% di risposte del tutto corrette.
Come si valuta una ricerca prodotti conversazionale?
Con una regola severa: una risposta è corretta solo se ogni articolo che contiene rispetta la richiesta. Con questo criterio oltre il 90% delle risposte di Estyl era del tutto corretto, e oltre il 95% aveva al massimo uno o due outfit sbagliati.
Perché nell'e-commerce la sola ricerca vettoriale non basta?
Gli embedding colgono stile e somiglianza. I vincoli rigidi come taglia, prezzo o disponibilità gli sfuggono. Il retrieval ibrido applica questi vincoli come filtri e usa i vettori per la pertinenza, così i risultati somigliano alla richiesta e si possono anche comprare.
Un solo sistema di retrieval può servire più merchant?
Sì. Il retrieval di Estyl separa i dati per merchant per l'uso B2B multi-tenant, quindi l'assistente di ogni negozio cerca solo nel proprio catalogo.
Correlati
Prossimo passo
Vuoi che i clienti cerchino nel catalogo facendo una domanda? Vediamo cosa serve.
Raccontami il processo. Lo definiamo in una call gratuita, poi una versione funzionante è operativa entro 10 giorni.
Prenota una call di analisi