Как семантический поиск меняет шопинг: от забытых ингредиентов к идеальному списку покупок

В современном мире покупок, когда вы готовите любимую пасту карбонара для вечеринки, важно не забыть ни одного ингредиента. Открывая приложение для покупок, вы можете выбрать все необходимые продукты, но иногда забываете о чем-то важном, например, о яйцах. Что если бы вы могли просто сказать приложению, что собираетесь готовить, и получить полный список необходимых ингредиентов? Это уже не фантастика, а реальность, благодаря семантическому поиску.

Понимание семантического поиска

Традиционный поиск основан на совпадении ключевых слов, фильтрах и диапазонах цен. Это работает, когда вы точно знаете, что ищете. Однако, если вы не уверены, что именно вам нужно, стандартный поиск может не дать никаких результатов. Например, запрос "что-то теплое для дождливой ночи" в обычной поисковой системе не приведет к результатам, в то время как семантический поиск предложит такие варианты, как суп, горячий шоколад или чай. Семантический поиск нацелен на понимание намерений пользователя. Он ищет товары, которые "ближе" к вашему запросу. Чтобы понять, что близко, а что далеко, можно представить каждый продукт как точку на карте. Чем ближе точки, тем больше они похожи.

Как работает семантический поиск

Семантический поиск включает два основных этапа. На первом этапе текст преобразуется в массив чисел, называемый вектором или эмбеддингом. Эти векторы представляют собой координаты на карте. На втором этапе поисковая система сравнивает расстояние между вектором вашего запроса и векторами всех товаров в индексе. Первый этап выполняется с помощью модели эмбеддинга — языковой модели, созданной для этой цели. На тарифном плане Scale вы можете генерировать эмбеддинги с помощью выбранной вами модели и передавать векторы в Medusa Search. На тарифном плане Enterprise Medusa может генерировать их для вас автоматически.

Создание качественной строки эмбеддинга

Эффективность семантического поиска зависит от качества данных, которые он получает. Для продуктового магазина высококачественная строка эмбеддинга обычно включает следующие свойства:

Название продукта и бренд: точное название и производитель (например, Barilla Spaghetti).

Иерархия категорий: путь, который дает более широкий контекст (например, Pantry > Pasta & Noodles > Long Pasta).

Ключевые атрибуты: вес, размер, совместимость с диетами или происхождение (например, 16oz, веганский, произведено в Италии).

Описание: стандартное описание вкусового профиля или текстуры продукта.

Случаи использования и синонимы: связанные рецепты, типы блюд и альтернативные названия (например, паста карбонара, спагетти с жирным мясом и яйцами).

Важно помнить, что нужно избегать включения часто меняющихся данных, таких как цена и уровень запасов, так как они добавляют шум в эмбеддинг и лучше обрабатываются с помощью фильтров. Используйте один и тот же шаблон для каждого продукта, чтобы эмбеддинги были сопоставимы.

Улучшение пользовательского опыта с помощью LLM

Семантический поиск может быть быстрым и доступным, но для создания по-настоящему разговорного опыта стоит использовать языковую модель (LLM). Это работает в два этапа. Сначала покупатели общаются с LLM: описывают, что собираются готовить, делятся фотографией рецепта и т.д. После завершения общения LLM преобразует разговор в поисковые запросы, один для каждого необходимого товара. Например, если покупатель говорит: "Готовлю карбонару на 8 человек в субботу, один гость вегетарианец", LLM может выдать следующие запросы: ["спагетти 2кг", "гуанчале", "копченый тофу или грибы", "пекорино романо", "яйца от свободного выгула", "черный перец"]. Затем каждый запрос проходит через Medusa Search, и вы получаете полный список покупок, включая яйца.

Как начать использовать семантический поиск

Семантический поиск доступен на тарифных планах Scale и Enterprise в Medusa Cloud. На Scale вы приносите свои эмбеддинги, а на Enterprise Medusa может генерировать их для вас. Вы можете попробовать Medusa Search на демонстрационном каталоге на нашей странице поиска. Чтобы добавить его в свой проект, следуйте руководству по началу работы. Вам потребуется Medusa версии 2.21.1 или выше, развернутая в облаке. Руководство проведет вас через процесс определения индекса продуктов, его доступности для вашего магазина и выполнения первого поиска.