من الفوضى إلى الوضوح: كيف تحول الذكاء الاصطناعي كتالوجات التجارة الإلكترونية

في التجارة الإلكترونية، يتحدث الفنيون غالبًا عن مشكلات البنية التحتية الكبرى: بنية البحث، إدارة المخزون في الوقت الحقيقي، آلات التخصيص. لكن تحت السطح يكمن مشكلة أكثر خديعة، تؤرق تقريبًا كل تاجر عبر الإنترنت: مواءمة سمات المنتج. كتالوج منتجات فوضوي بقيم غير متسقة للحجم، اللون، المادة أو المواصفات التقنية يعطل كل شيء بعد ذلك – الفلاتر تعمل بشكل غير موثوق، محركات البحث تفقد دقتها، التنظيف اليدوي للبيانات يستهلك الموارد.

كمهندس Full-Stack في Zoro، كنت أتعامل يوميًا مع هذه المشكلة: كيف نُحَسّن تنظيم أكثر من 3 ملايين SKU، وكل منها يحتوي على عشرات السمات؟ الجواب لم يكن في صندوق أسود للذكاء الاصطناعي، بل في نظام هجين ذكي يدمج قدرات LLM مع قواعد واضحة وأليات تحكم يدوية.

المشكلة على نطاق واسع

منظريًا، تبدو عدم اتساق السمات غير ضار. لننظر إلى قياسات الحجم: “XL”، “Small”، “12cm”، “Large”، “M”، “S” – كلها تعني نفس الشيء، لكن لا يوجد معيار موحد. بالنسبة للألوان، الأمر مشابه: “RAL 3020”، “Crimson”، “Red”، “Dark Red” – أحيانًا معايير ألوان (RAL 3020 هو لون قياسي)، وأحيانًا أسماء خيالية.

ضرب هذا الفوضى عبر ملايين المنتجات، وستكون النتائج كارثية:

• العملاء يرون فلاتر فوضوية ويوقفون البحث
• محركات البحث لا تستطيع تصنيف المنتجات بشكل صحيح
• التحليلات تظهر اتجاهات خاطئة
• فرق التسويق تتخبط في التنظيف اليدوي للبيانات

النهج الاستراتيجي: ذكاء اصطناعي هجين مع قواعد

هدفي لم يكن نظام ذكاء اصطناعي غامض يشتغل بسحر أسود. بل أردت نظامًا:

• قابلًا للتفسير – يفهم المستخدم لماذا تم اتخاذ قرار معين
• متوقعًا – لا يعاني من أعطال مفاجئة أو حالات غير متوقعة
• قابلًا للتوسع – عبر ملايين السمات
• قابلًا للتحكم البشري – يمكن لفرق الأعمال التدخل

النتيجة كانت أنابيب عمل تجمع بين ذكاء LLM وقواعد واضحة ورقابة تجارية. ذكاء اصطناعي مع حدود، وليس بدونها.

لماذا المعالجة غير الفورية بدلًا من الوقت الحقيقي؟

أول قرار معماري كان جوهريًا: كل معالجة السمات تتم بشكل غير متزامن في وظائف خلفية، وليس في الوقت الحقيقي. يبدو كتنازل، لكنه قرار استراتيجي له فوائد هائلة:

أنابيب الوقت الحقيقي كانت ستسبب:

• تأخير غير متوقع في صفحات المنتجات
• اعتماد هش بين الأنظمة
• ارتفاع التكاليف عند ذروات الحركة
• تأثير مباشر على تجربة العميل

أما الوظائف الخلفية فهي توفر:

• معدل معالجة عالي: دفعات ضخمة بدون تأثير على الأنظمة الحية
• متانة: أخطاء المعالجة لا تؤثر على العملاء أبدًا
• تحكم في التكاليف: إجراء الحسابات في أوقات حركة منخفضة
• عزل: زمن استجابة LLM معزول عن خدمات الواجهة للمستخدم
• تحديثات ذرية: تغييرات متسقة أو لا شيء

الفصل بين أنظمة العملاء ومعالجة البيانات ضروري عند التعامل مع هذا الحجم من البيانات.

أنابيب المعالجة

العملية كانت تمر بمراحل متعددة:

المرحلة 1: تنظيف البيانات

قبل استخدام الذكاء الاصطناعي، كانت البيانات تمر بمرحلة معالجة مسبقة:

• تقليم المسافات البيضاء
• إزالة القيم الفارغة
• إزالة التكرارات
• تحويل سياق الفئة إلى سلاسل منسقة

هذه الخطوة البسيطة حسّنت دقة LLM بشكل كبير. المبدأ: أدخل بيانات نظيفة، احصل على نتائج موثوقة. على هذا المقياس، حتى الأخطاء الصغيرة تؤدي لمشاكل كبيرة لاحقًا.

المرحلة 2: استنتاج الذكاء الاصطناعي مع سياق

لم يكن LLM يفرز فقط أبجديًا. كان يفكر في القيم. الخدمة كانت تتلقى:

• قيم سمات نظيفة
• مسارات الفئة (مثل “أدوات كهربائية > مثاقيب”)
• بيانات وصفية للسمات

بهذا السياق، كان النموذج يفهم:

• أن “الجهد” في أدوات الكهرباء يجب أن يُرتب رقميًا
• أن “الحجم” يتبع تسلسل معروف (S، M، L، XL)
• أن “اللون” قد يتبع معايير مثل RAL 3020
• أن “المادة” لها علاقات دلالية مثل (Steel > Stainless Steel > Carbon Steel)

وكان يعيد:

• قيم سمات مرتبة
• أسماء سمات محسنة
• تصنيف: هل يجب أن يكون الترتيب حتميًا أم سياقيًا؟

المرحلة 3: قواعد حتمية احتياطية

ليس كل سمة تحتاج إلى AI. العديد من السمات تكون أفضل بمعالجة منطقية واضحة:

• نطاقات رقمية (2cm، 5cm، 12cm، 20cm → مرتبة تصاعديًا)
• قيم تعتمد على وحدات قياس
• مجموعات تصنيفية

النظام كان يتعرف على ذلك تلقائيًا ويطبق منطقًا حتميًا. هذا وفر التكاليف وضمان التناسق.

المرحلة 4: مراقبة من قبل التجار

السمات الحرجة للأعمال كانت تتطلب مراجعة يدوية. لذلك، يمكن تصنيف كل فئة على أنها:

• LLM_SORT: النموذج يقرر
• MANUAL_SORT: التاجر يحدد الترتيب

هذا النظام الثنائي أعطى البشر السيطرة النهائية. إذا أخطأ النموذج، يمكن للتجار تعديله بدون إيقاف الأنابيب.

التخزين والأنظمة التابعة

جميع النتائج كانت تُخزن مباشرة في MongoDB – مصدر الحقيقة الوحيد لـ:

• قيم السمات المرتبة
• أسماء السمات المحسنة
• علامات الترتيب على مستوى الفئة
• ترتيب المنتج على مستوى المنتج

ثم تتدفق البيانات في اتجاهين:

• Elasticsearch: للبحث بالكلمات المفتاحية، حيث تدفع الفلاتر النظيفة القوائم
• Vespa: للبحث الدلالي والاتجاهي، حيث يعزز التناسق التصنيف

الفلاتر تظهر الآن بترتيب منطقي. صفحات المنتجات تعرض مواصفات متماسكة. محركات البحث تصنف المنتجات بدقة أكبر. العملاء يتنقلون عبر الفئات بدون إحباط.

نتائج ملموسة

الأنابيب حولت البيانات الخام الفوضوية إلى مخرجات نظيفة وقابلة للاستخدام:

هذه التحويلات كانت متسقة عبر أكثر من 3 ملايين SKU.

الأثر الناتج

النتائج تجاوزت التقنية إلى ما هو أعمق:

• تناسق ترتيب السمات عبر الكتالوج كله
• سلوك متوقع للأرقام عبر قواعد احتياطية حتمية
• سيطرة تجارية عبر نظام وسم يدوي
• صفحات منتجات نظيفة مع فلاتر بديهية
• تحسين دقة البحث للعملاء
• ثقة أعلى ومعدلات تحويل أفضل

ليست مجرد انتصار تقني – بل انتصار تجاري.

الدروس المستفادة

• الأنابيب الهجينة تتفوق على الذكاء الاصطناعي الخالص على نطاق واسع. الحدود ليست عائقًا – بل ميزة.
• السياق هو كل شيء: LLM مع معلومات فئة وبيانات وصفية أدق بعشرة أضعاف من واحد بدونها.
• المعالجة غير الفورية ضرورية: عند هذا الحجم من البيانات، تحتاج إلى كفاءة دفعات وتحمل أخطاء، وليس زمن استجابة فوري.
• التحكم البشري يبني الثقة: الفرق يقبل الذكاء الاصطناعي إذا كان يمكنهم السيطرة عليه.
• نظافة البيانات أساس: المدخلات النظيفة = مخرجات موثوقة. دائمًا.

الخلاصة

مواءمة قيم السمات قد تبدو تافهة – حتى تضطر إلى فعل ذلك لملايين المنتجات في الوقت الحقيقي. من خلال دمج ذكاء LLM، قواعد واضحة، وتحكم بشري، حولت مشكلة مخفية ومزعجة إلى نظام قابل للتوسع.

وتبقى تذكرة: بعض الانتصارات الكبرى في التجارة الإلكترونية لا تأتي من تقنيات جذابة، بل من حل المشاكل المملة – تلك التي تؤثر على كل صفحة منتج.