Seturi de date stocate și embeddings

Tot ce vrei ca asistentul să folosească — descrieri de produse, documente încărcate, baze întregi de cunoștințe — trece mai întâi printr-un proces de embeddings. Embeddings-urile transformă textul tău în ceva ce modelul poate căuta efectiv, așa că asistentul poate citi practic tot conținutul și poate scoate la suprafață ce este relevant, în loc să fie limitat la ce încape într-un singur prompt.

Două tipuri de căutare lucrează împreună. Căutarea semantică îl lasă pe client să întrebe cu propriile lui cuvinte și tot găsește rezultatul potrivit, chiar și din text nestructurat. Căutarea structurată, parametrizată, restrânge rezultatele după atribute exacte — categorie, brand sau compatibilitate cu mașina, de exemplu — astfel încât asistentul poate combina ce a vrut să spună clientul cu ceea ce se potrivește exact.

Pentru cataloagele mai complexe construim un parser calibrat pe datele afacerii respective, care extrage câmpuri structurate din informații de produs dezordonate, astfel încât o întrebare precum „piese compatibile cu un model din 2018” se rezolvă exact la produsele potrivite. În funcție de date, extragerea se face pe bază de reguli sau printr-un model AI, oricare dintre cele două dă rezultatul cel mai sigur.

Clienții mai mari au adesea nevoie de o căutare în care un răspuns greșit pur și simplu nu este acceptabil. Pentru ei, oglindim catalogul în propria noastră bază de date și rulăm un pas de extragere prin AI în cadrul pipeline-ului nostru de ETL, chiar în timp ce datele se sincronizează, curățându-le și îmbogățindu-le astfel încât asistentul să le poată interoga rapid și precis. Oglinda rămâne sincronizată cu sursa, așa că ce vede asistentul rămâne mereu la zi.