Mở rộng Thương mại điện tử: Cách các quy trình tự động dựa trên AI duy trì tính nhất quán của thuộc tính sản phẩm

Trong thương mại điện tử, những thách thức kỹ thuật lớn như truy vấn tìm kiếm phân tán, quản lý tồn kho theo thời gian thực và hệ thống đề xuất thường xuyên được bàn luận. Tuy nhiên, đằng sau hậu trường là một vấn đề dai dẳng, có hệ thống, khiến các nhà bán lẻ toàn cầu phải đau đầu: quản lý và chuẩn hóa giá trị thuộc tính sản phẩm. Những giá trị này tạo nền tảng cho việc khám phá sản phẩm. Chúng ảnh hưởng trực tiếp đến bộ lọc, chức năng so sánh, thứ hạng tìm kiếm và logic đề xuất. Trong các danh mục thực tế, những giá trị này hiếm khi nhất quán. Thường gặp phải các bản sao trùng lặp, lỗi định dạng hoặc đa nghĩa về mặt ngữ nghĩa.

Một ví dụ đơn giản minh họa quy mô của vấn đề: Trong một thông số kích thước, có thể tồn tại đồng thời “XL”, “Small”, “12cm”, “Large”, “M” và “S”. Với màu sắc, xuất hiện các giá trị như “RAL 3020”, “Crimson”, “Red” và “Dark Red” lẫn lộn – các tiêu chuẩn như RAL 3020 và mô tả tự do pha trộn không kiểm soát được. Nhân rộng những sự không nhất quán này qua hàng triệu SKU, ta thấy rõ độ sâu của vấn đề. Bộ lọc trở nên không đáng tin cậy, các công cụ tìm kiếm mất độ chính xác, việc làm sạch dữ liệu thủ công trở thành công việc như Sisyphus, và khách hàng trải nghiệm việc khám phá sản phẩm đầy thất vọng.

Chiến lược cốt lõi: Trí tuệ có hướng dẫn

Giải pháp hoàn toàn dựa vào AI dạng hộp đen không thể chấp nhận được. Những hệ thống này khó theo dõi, gỡ lỗi và kiểm soát khi số lượng SKU hàng triệu. Thay vào đó, mục tiêu là xây dựng một pipeline dự đoán được, có thể giải thích và do con người kiểm soát – AI hành xử thông minh mà không mất kiểm soát.

Câu trả lời nằm ở kiến trúc lai, kết hợp trí tuệ LLM trong ngữ cảnh với các quy tắc xác định và kiểm soát của nhà bán lẻ. Hệ thống cần đáp ứng ba tiêu chí:

• Khả năng theo dõi quyết định
• Tính tính toán của quy trình
• Tùy chọn can thiệp của con người đối với dữ liệu quan trọng

Xử lý ngoại tuyến thay vì pipeline thời gian thực

Bước kiến trúc quyết định là chọn các công việc nền tảng ngoại tuyến thay vì pipeline thời gian thực. Ban đầu nghe có vẻ là bước lùi, nhưng về chiến lược lại rất hợp lý:

Hệ thống thời gian thực dẫn đến độ trễ không thể dự đoán, phụ thuộc mong manh, đỉnh tính toán đắt đỏ và khả năng vận hành cao hơn. Trong khi đó, các công việc ngoại tuyến mang lại:

• Hiệu quả thông lượng: xử lý khối lượng dữ liệu lớn mà không gây tải hệ thống trực tiếp
• Độ bền: lỗi xử lý không ảnh hưởng đến lưu lượng khách hàng
• Tối ưu chi phí: tính toán có thể lên lịch vào thời điểm ít tải
• Cách ly: độ trễ của LLM không ảnh hưởng đến hiệu suất trang sản phẩm
• Dự đoán được: cập nhật thực hiện theo nguyên tắc, có thể tái tạo

Với hàng triệu mục sản phẩm, việc tách biệt này giữa hệ thống hướng khách hàng và xử lý dữ liệu là điều không thể thiếu.

Làm sạch dữ liệu như nền tảng

Trước khi dùng AI, một bước tiền xử lý quan trọng là loại bỏ nhiễu. Mô hình chỉ nhận dữ liệu sạch, rõ ràng:

• Chuẩn hóa khoảng trắng (dấu cách đầu/cuối)
• Loại bỏ giá trị rỗng
• Loại bỏ trùng lặp giá trị
• Đơn giản hóa ngữ cảnh danh mục (Chuyển breadcrumbs thành chuỗi có cấu trúc)

Bước tưởng chừng đơn giản này đã cải thiện đáng kể độ chính xác của mô hình ngôn ngữ. Nguyên tắc này mang tính phổ quát: Với lượng dữ liệu này, ngay cả lỗi nhỏ trong đầu vào sau này cũng có thể gây ra chuỗi vấn đề.

Xử lý ngữ cảnh LLM

Mô hình ngôn ngữ không thực hiện sắp xếp cơ học. Với đủ ngữ cảnh, nó có thể áp dụng suy luận ngữ nghĩa:

Mô hình nhận:

• các giá trị thuộc tính đã được làm sạch
• siêu dữ liệu danh mục (ví dụ: “Dụng cụ điện”, “Thời trang”, “Phần cứng”)
• các phân loại thuộc tính

Với ngữ cảnh này, mô hình hiểu rằng:

• “Điện áp” trong dụng cụ điện nên được sắp xếp theo số
• “Kích thước” trong quần áo theo trình tự đã thiết lập (S, M, L, XL)
• “Màu sắc” trong các danh mục nhất định tuân theo chuẩn như RAL 3020
• “Chất liệu” có các phân cấp ngữ nghĩa

Mô hình trả về:

• danh sách giá trị theo thứ tự
• mô tả thuộc tính tinh chỉnh
• phân loại: có thể sắp xếp theo quy tắc hoặc theo ngữ cảnh

Điều này cho phép pipeline xử lý linh hoạt các loại thuộc tính khác nhau mà không cần mã hóa quy tắc cứng cho từng danh mục.

Logic dựa trên quy tắc xác định

Không phải thuộc tính nào cũng cần AI. Các giá trị số, kích thước dựa trên đơn vị và các tập hợp đơn giản sẽ được xử lý bằng:

• xử lý nhanh hơn
• đảm bảo dự đoán
• chi phí thấp hơn
• loại bỏ đa nghĩa

Pipeline tự động nhận diện các trường hợp này và áp dụng logic sắp xếp xác định. Hệ thống vẫn hiệu quả và tránh gọi LLM không cần thiết.

Kiểm soát con người qua hệ thống gắn thẻ

Với các thuộc tính quan trọng, nhà bán lẻ cần quyền quyết định cuối cùng. Mỗi danh mục có thể gắn thẻ:

• LLM_SORT: mô hình quyết định thứ tự
• MANUAL_SORT: đối tác bán hàng xác định rõ ràng thứ tự

Hệ thống kép này phát huy hiệu quả gấp đôi: AI đảm nhận công việc thường ngày, con người giữ quyền kiểm soát. Điều này tạo niềm tin và cho phép nhà bán lẻ ghi đè quyết định của mô hình khi cần, mà không làm gián đoạn pipeline xử lý.

Lưu trữ trong cơ sở dữ liệu trung tâm

Tất cả kết quả đều được lưu trực tiếp vào MongoDB, giúp kiến trúc đơn giản và dễ bảo trì:

MongoDB trở thành bộ nhớ vận hành cho:

• các giá trị thuộc tính đã sắp xếp
• tên thuộc tính tinh chỉnh
• thẻ sắp xếp theo danh mục
• metadata của trường sắp xếp sản phẩm

Điều này giúp dễ dàng kiểm tra, ghi đè có mục tiêu, xử lý lại danh mục và đồng bộ hóa với hệ thống bên ngoài.

Tích hợp với hạ tầng tìm kiếm

Sau khi chuẩn hóa, các giá trị được chuyển vào hai hệ thống tìm kiếm:

• Elasticsearch: cho lọc theo từ khóa và phân nhóm
• Vespa: cho các phép so khớp sản phẩm dựa trên ngữ nghĩa và vectơ

Sự kết hợp này đảm bảo:

• bộ lọc hiển thị theo thứ tự hợp lý, mong đợi
• trang sản phẩm thể hiện thuộc tính nhất quán
• các công cụ tìm kiếm xếp hạng sản phẩm chính xác hơn
• trải nghiệm khách hàng trực quan hơn

Mức độ tìm kiếm là nơi rõ ràng nhất thuộc tính nhất quán thể hiện rõ giá trị kinh doanh.

Kết quả thực tiễn của quá trình chuyển đổi

Pipeline biến đổi dữ liệu thô hỗn loạn thành các kết quả có cấu trúc:

Đặc biệt với thuộc tính màu sắc, tầm quan trọng của ngữ cảnh rõ ràng: hệ thống nhận ra rằng RAL 3020 là tiêu chuẩn màu sắc và sắp xếp hợp lý giữa các giá trị ngữ nghĩa tương tự.

Tổng quan kiến trúc hệ thống

Pipeline mô-đun điều phối các bước sau:

1. Trích xuất dữ liệu sản phẩm từ hệ thống PIM (Product Information Management)
2. Tách riêng giá trị thuộc tính và ngữ cảnh danh mục qua công việc trích xuất thuộc tính
3. Gửi dữ liệu đã làm sạch đến dịch vụ sắp xếp AI
4. Ghi cập nhật vào MongoDB
5. Công việc đồng bộ outbound cập nhật hệ thống PIM nguồn
6. Các công việc đồng bộ Elasticsearch và Vespa cập nhật dữ liệu đã sắp xếp vào các chỉ mục của chúng
7. Các lớp API kết nối hệ thống tìm kiếm với ứng dụng khách

Quy trình này đảm bảo mọi giá trị thuộc tính đã chuẩn hóa – dù do AI sắp xếp hay do con người đặt – đều phản ánh nhất quán trong tìm kiếm, thương mại và trải nghiệm khách hàng.

Tại sao xử lý ngoại tuyến là lựa chọn đúng

Pipeline thời gian thực sẽ gây ra độ trễ không thể dự đoán, chi phí tính toán cao hơn và mạng phụ thuộc dễ tổn thương. Công việc ngoại tuyến cho phép:

• Xử lý theo lô hiệu quả
• Gọi LLM bất đồng bộ, không gây áp lực thời gian thực
• Cơ chế retry và hàng đợi lỗi mạnh mẽ
• Thời gian cho xác thực của con người
• Chi phí tính toán dự đoán, kiểm soát

Thay vào đó, chỉ mất một chút chậm trễ giữa thu thập dữ liệu và hiển thị, nhưng lợi ích – độ tin cậy quy mô lớn – rất đáng giá cho khách hàng.

Ảnh hưởng kinh doanh và kỹ thuật

Giải pháp đạt được các kết quả đo lường được:

• Sắp xếp thuộc tính nhất quán trên hơn 3 triệu SKU
• Dự đoán thứ tự số nhờ các phương pháp dự phòng xác định
• Kiểm soát thủ công của nhà bán hàng qua gắn thẻ
• Trang sản phẩm sạch hơn, bộ lọc trực quan hơn
• Độ chính xác xếp hạng tìm kiếm và xếp hạng sản phẩm
• Tăng niềm tin khách hàng và tỷ lệ chuyển đổi

Đây không chỉ là một dự án kỹ thuật; nó là một đòn bẩy trực tiếp cho trải nghiệm người dùng và doanh thu.

Những bài học chính cho quy mô sản phẩm

• Hệ thống lai vượt trội hơn AI thuần trong quy mô lớn. Các giới hạn và cơ chế kiểm soát là thiết yếu.
• Ngữ cảnh là nhân tố nhân đôi độ chính xác của LLM. Dữ liệu sạch, phù hợp danh mục dẫn đến kết quả đáng tin cậy.
• Xử lý ngoại tuyến không phải là thỏa hiệp, mà là yêu cầu kiến trúc cho throughput và khả năng phục hồi.
• Tùy chọn ghi đè của con người xây dựng niềm tin. Các hệ thống con người kiểm soát dễ được chấp nhận hơn.
• Chất lượng dữ liệu đầu vào quyết định độ tin cậy của đầu ra. Làm sạch không phải chi phí thừa, mà là nền tảng.

Suy nghĩ cuối cùng

Chuẩn hóa giá trị thuộc tính có vẻ là vấn đề đơn giản – cho đến khi phải giải quyết cho hàng triệu biến thể sản phẩm. Bằng cách kết hợp trí tuệ mô hình ngôn ngữ với quy tắc xác định và kiểm soát của nhà bán hàng, một vấn đề ẩn sâu, dai dẳng đã được biến thành một hệ thống tinh gọn, dễ bảo trì.

Nhắc nhở rằng: Một số chiến thắng công nghệ giá trị nhất không đến từ đổi mới rực rỡ, mà từ việc giải quyết có hệ thống các vấn đề không rõ ràng – những vấn đề diễn ra hàng ngày trên từng trang sản phẩm, nhưng ít khi nhận được sự chú ý.