Smart Shopping Assistant расширен с помощью AlloyDB и Vertex AI

В оживленном мире электронной коммерции выделиться требует большего, чем просто хороший ассортимент продукции. Речь идет о создании покупательского опыта, который ощущается как персонализированный и эффективный. В этом руководстве мы рассмотрим процесс создания умного помощника по покупкам с использованием AlloyDB и Vertex AI Agent Builder. Мы изучим, как эти технологии могут интегрироваться с данными электронной коммерции для обеспечения поиска по косинусному сходству в реальном времени и умных рекомендаций, при этом развертываясь на бессерверных функциях Cloud Run. Цель? Предоставить вашим пользователям покупательский опыт, который не только интуитивно понятен, но и невероятно удовлетворителен.

Ключевые моменты

• Настройка экземпляра AlloyDB и загрузка набора данных электронной коммерции.
• Активация расширений pgvector и генеративных моделей ИИ в AlloyDB.
• Генерация эмбеддингов из описаний продуктов.
• Проведение поиска по косинусному сходству в реальном времени на основе ввода пользователя.
• Развертывание решения на бессерверных функциях Cloud Run.

Создание умного помощника по покупкам: Полное руководство

AlloyDB и Vertex AI: Мощная комбинация

Этот проект использует мощь AlloyDB, совместимой с PostgreSQL базы данных от Google Cloud, и Vertex AI Agent Builder, платформы Google для создания интеллектуальных агентов. AlloyDB служит основой для аналитики, в то время как Vertex AI добавляет магию разговорного ИИ. AlloyDB обеспечивает мощь для управления большими наборами данных электронной коммерции, а Vertex AI привносит интеллект для обработки естественного языка и рекомендаций в реальном времени. Вместе они прокладывают путь для помощника по покупкам, который одновременно отзывчив и полезен.

Преимущества этой интеграции включают:

• Поиск и рекомендации продуктов в реальном времени
• Персонализированный покупательский опыт
• Масштабируемость для работы с растущими данными электронной коммерции
• Экономичное развертывание с использованием бессерверной технологии

Часть 1: Создание основы с AlloyDB

Начнем с настройки AlloyDB и подготовки его к интеграции с ИИ. Вот что нужно сделать:

1. Создать экземпляр AlloyDB: Настройте экземпляр на облачной платформе и загрузите набор данных электронной коммерции.

   

2. Включить расширения pgvector и генеративного ИИ: Эти расширения позволяют AlloyDB работать с векторными эмбеддингами и интегрироваться с моделями ИИ, обеспечивая поиск по сходству и интеллектуальные ответы.
3. Генерировать эмбеддинги: Преобразовать описания продуктов в числовые векторы, которые отражают их семантическую суть.
4. Поиск по косинусному сходству в реальном времени: Проводить поиск в реальном времени для соответствия текста пользователя данным продуктов.
5. Бессерверное развертывание: Развернуть решение на функциях Cloud Run для использования преимуществ бессерверной масштабируемости и экономии затрат.

AlloyDB как аналитический движок: Извлечение контента, эмбеддинги и векторный поиск

AlloyDB является сердцем нашей аналитики, выполняя ключевые функции, такие как:

• Извлечение контента: Оно углубляется в данные, чтобы выявить связи между продуктами, категориями и поведением клиентов, предоставляя контекст для нашего помощника по покупкам.
• Создание эмбеддингов: Оно преобразует описания продуктов и запросы пользователей в эмбеддинги, позволяя проводить семантическое сравнение текстов.

  

• Векторный поиск: Сравнивая эмбеддинги запросов с эмбеддингами продуктов, AlloyDB находит 25 наиболее релевантных совпадений. Gemini затем проверяет их, и результаты форматируются в JSON.

Пошаговое руководство: Настройка вашего проекта Google Cloud

Получение проекта Google Cloud

Прежде чем погрузиться в техническую сторону, вам понадобится проект Google Cloud. Если вы новичок в этом, вы можете создать проект и воспользоваться бесплатной пробной версией, которая предоставляет кредит на $300 для покрытия затрат на тестирование и развертывание вашего умного помощника по покупкам.

Смотрите видео (отметка времени 4:30) в описании, чтобы создать проект Google Cloud.

1. Перейдите в консоль Google Cloud.
2. Если вы еще не зарегистрированы, создайте учетную запись.
3. После входа создайте новый проект и активируйте бесплатную пробную версию.
4. Убедитесь, что вы находитесь в консоли и выбран ваш проект.

Активация Cloud Shell

Для управления сервисами Google Cloud вам нужно запустить Cloud Shell, терминал на основе браузера, который предоставляет доступ к инструменту командной строки gcloud.

• Нажмите на значок «Активировать Cloud Shell» в консоли Google Cloud.
• Дайте ему немного времени для инициализации.
• Войдите в свою учетную запись.

Аутентификация и настройка проекта

Прежде чем продолжить, убедитесь, что вы аутентифицированы и ваш проект настроен правильно. Вот как это сделать:

1. Проверьте аутентификацию, выполнив команду 'gcloud auth list'.

   

2. Авторизуйте Cloud Shell, когда будет предложено.
3. Перечислите свои проекты с помощью команды 'gcloud config list project'.

Включение необходимых API Google Cloud

Для использования AlloyDB и других сервисов Google Cloud необходимо включить соответствующие API. Это можно сделать с помощью инструмента командной строки gcloud.

Выполните следующую команду, чтобы включить необходимые API:

Эта команда активирует API, необходимые для AlloyDB, полностью управляемой базы данных PostgreSQL от Google, и включает функции для Gemini 1.5. Выполнение может занять несколько минут.

Создание экземпляра AlloyDB: Пошагово

Настройка вашего экземпляра AlloyDB

Когда ваш проект Google Cloud готов, пришло время настроить экземпляр AlloyDB. Вот как это сделать:

1. Найдите AlloyDB в консоли Google Cloud.
2. Создайте кластер и установите пароль.
3. Выберите регион для вашего экземпляра.
4. Выберите опцию сети по умолчанию.

Подключение к AlloyDB Studio и добавление данных

Как только ваш экземпляр AlloyDB будет запущен, вам нужно добавить данные, чтобы начать создание базы знаний.

1. Перейдите в AlloyDB Studio, чтобы создать базу данных электронной коммерции. Дождитесь готовности экземпляра.
2. Выберите PostgreSQL в качестве базы данных и выполните аутентификацию.
3. Вы попадете в AlloyDB Studio, где увидите несколько окон редактора.
4. Создайте расширения pg_vector и googleml integration.
5. Создайте таблицу Apparel и выполните команду для ее настройки.
6. Создайте таблицу в AlloyDB, например, таблицу одежды с разными категориями.

Добавление флага ML через консоль Google Cloud

Чтобы включить возможности поиска, вам нужно добавить флаг Google Cloud с помощью Cloud Shell:

1. Перейдите к основному экземпляру и выберите «редактировать экземпляр».
2. Выберите расширенные опции и выберите флаги.
3. Нажмите «добавить флаг базы данных».
4. Выберите google_ml integration для включения поддержки моделей и нажмите на него. Эта настройка позволяет учетной записи службы AlloyDB действовать как пользователь для Vertex AI.

Понимание затрат Google Cloud: AlloyDB, Vertex AI и Cloud Run

Соображения по ценам Google Cloud

Однако кредит на $300 от бесплатной пробной версии должен покрыть большинство, если не все, эти затраты на начальном этапе внедрения.

Преимущества и недостатки: Сбалансированная перспектива

Плюсы

• Персонализированный покупательский опыт: Предлагает индивидуальные рекомендации по продуктам и результаты поиска, повышая удовлетворенность клиентов и продажи.
• Реакция в реальном времени: Предоставляет мгновенные ответы и динамически корректирует рекомендации на основе поведения пользователя.
• Масштабируемость и экономичность: Использует бессерверную технологию для управления растущими данными электронной коммерции и снижения операционных затрат.
• Интеллект на основе ИИ: Включает понимание естественного языка и векторный поиск для более интуитивного и эффективного покупательского опыта.

Минусы

• Сложность внедрения: Требует экспертизы в управлении базами данных, интеграции ИИ и бессерверном развертывании.
• Подготовка данных: Преобразование данных электронной коммерции в форматы, подходящие для AlloyDB и Vertex AI, может быть трудоемким.
• Обучение моделей: Обучение и оптимизация моделей ИИ могут быть вычислительно затратными и требовать специальных навыков.
• Постоянное обслуживание: Регулярный мониторинг и переобучение моделей ИИ необходимы для поддержания их точности и актуальности.

Особенности этого движка знаний

Особенности Google AlloyDB

AlloyDB, полностью управляемый PostgreSQL от Google Cloud, выступает в роли нашего аналитического движка. Вот что он предлагает:

• Извлечение контента: Анализирует связи между контентом и поисковыми запросами пользователей.

  

• Создание эмбеддингов контента: Преобразует текст в числовые векторы для семантического анализа.
• Поиск ответов: Определяет наиболее релевантные результаты поиска для пользователей.

Применение вашего умного помощника по покупкам

Персонализация в электронной коммерции

Представьте, что клиент ищет «розовый повседневный топ из чистого хлопка». Наш умный помощник по покупкам может использовать этот запрос, чтобы найти продукты, которые не только относятся к категории женских топов, но и соответствуют конкретным предпочтениям пользователя по цвету, стилю и ткани. Этот уровень персонализации делает покупательский опыт более релевантным и приятным.

Чат-боты для поддержки клиентов

Чат-бот службы поддержки клиентов может использовать этот движок знаний для предоставления ответов на вопросы, связанные с продуктами, в реальном времени. Анализируя запрос клиента и сравнивая его с описаниями продуктов, чат-бот может предоставлять точную и полезную информацию, повышая удовлетворенность клиентов и снижая затраты на поддержку.

Часто задаваемые вопросы

Что такое AlloyDB?

AlloyDB для PostgreSQL — это полностью управляемая, совместимая с PostgreSQL база данных на платформе Google Cloud, известная своей высокой производительностью и доступностью. Она сочетает в себе лучшее от открытого исходного кода PostgreSQL с инновациями Google.

Что такое Vertex AI Agent Builder?

Vertex AI Agent Builder — это платформа Google Cloud для создания и развертывания агентов и разговорных интерфейсов на основе ИИ. Она предлагает инструменты для понимания естественного языка, управления диалогами и интеграции с различными источниками данных.

Какая модель эмбеддингов используется?

В этой реализации используется модель text embedding 004 от сервиса Vertex AI для выполнения пользовательских поисков.

Связанные вопросы и дальнейшее исследование

Как еще больше персонализировать опыт помощника по покупкам?

Чтобы вывести персонализацию на новый уровень, вы можете включить данные о поведении пользователей. Это означает анализ прошлых покупок, истории просмотров и других взаимодействий для создания подробного профиля пользователя. Помощник по покупкам затем может использовать этот профиль для точной настройки рекомендаций по продуктам и результатов поиска, делая покупательский опыт еще более адаптированным к предпочтениям каждого пользователя.