Was ist ein Large Commerce Model?
Ein Large Commerce Model, oder LCM, ist ein generatives KI-Modell, das Commerce versteht. Es lernt aus Produktinformationen, Käuferverhalten und Kontext, was Käufer wollen und welche Produkte relevant sind. Ein LCM kann zum Beispiel Produkte finden, die zur Anfrage eines Käufers passen, Empfehlungen ranken oder vorhersagen, wie wahrscheinlich ein Kauf ist.Wie unterscheidet sich ein LCM von einem Large Language Model?
Ein Large Language Model, oder LLM, lernt vor allem Sprachmuster. Ein LCM lernt aus Commerce-Signalen, einschließlich Produktkatalogen, Käuferinteraktionen und Käufen. So berücksichtigt T-Brain sowohl, was ein Produkt ist, als auch, wie Käufer damit interagieren.Wofür kann ich T-Brain verwenden?
T-Brain unterstützt vier Hauptfähigkeiten:- Retrieval: Relevante Produkte für Suchergebnisse und Empfehlungen finden.
- Prediction: Ergebnisse wie Produktklicks und Käufe schätzen.
- Ranking: Organische Produkte, gesponserte Produkte oder beides nach dem Ergebnis sortieren, das Sie optimieren wollen.
- Understanding: Embeddings erzeugen, numerische Darstellungen von Produkten und Käufern, die Ähnlichkeiten und Beziehungen erfassen. Sie können diese auch in eigenen Modellen verwenden.
Muss ich bereits Topsort-Kunde sein?
Nein. Sie können Daten aus Ihren bestehenden Systemen hochladen, Modelle trainieren, auswerten, bereitstellen und über eine API aufrufen, ohne den Topsort Ad Server zu nutzen. Bestehende Topsort-Kunden können auch bereits aus Topsort synchronisierte Datensätze verwenden.Welche Daten brauche ich?
Stellen Sie Ihren Produktkatalog und mindestens einen Monat Ereignisverlauf bereit, einschließlich aller Käufe sowie bezahlter Produktklicks und Impressionen. T-Brain ordnet Daten in drei Datensatztypen: categories, products und events. Ereignisse müssen eine einheitliche Käuferkennung enthalten, damit Interaktionen und Käufe verbunden werden können. Wenn Sie Topsort-Kunde sind, sind bereits drei Datensätze synchronisiert:Topsort-categoriesTopsort-productsTopsort-events
Wie lade ich Daten hoch?
Siehe Datenanforderungen für Anleitungen zum Erstellen von Datensätzen, Hochladen von Parquet-Dateien und Hinzufügen aktualisierter Daten.Wie trainiere ich ein Modell?
Eine Aufgabe legt fest, was ein Modell tun soll und aus welchen Datensätzen es lernen soll.- Prüfen Sie die verfügbaren Modelle im Tab Model Garden. Wählen Sie das Modell und die Fähigkeit, die zu Ihrem Anwendungsfall passen, zum Beispiel Produktranking oder Conversion-Vorhersage.
- Bereiten Sie Ihre Datensätze im Tab Data vor. Nutzen Sie synchronisierte Topsort-Datensätze oder laden Sie eigene Dateien hoch.
- Erstellen Sie eine Aufgabe im Tab Tasks. Wählen Sie die Fähigkeit, die erforderlichen Datensätze und einen Namen. Eine Produktranking-Aufgabe verwendet zum Beispiel Produkt- und Ereignisdatensätze.
- Starten Sie das Training. T-Brain trainiert das Modell mit den ausgewählten Datensätzen.
- Verfolgen Sie den Fortschritt im Tab Training. Prüfen Sie wartende, laufende und abgeschlossene Trainingsjobs.
- Prüfen Sie die Ergebnisse im Tab Evals. Sehen Sie Qualitätsmetriken an und vergleichen Sie die Leistung, bevor Sie bereitstellen.
- Stellen Sie das Modell bereit. Ihre Anwendung kann es danach über eine API aufrufen.
- Testen Sie das bereitgestellte Modell im Tab Playground. Probieren Sie Anfragen aus und prüfen Sie die zurückgegebenen Vorhersagen und Antwortzeiten.
Was bedeutet Fine-Tuning?
Fine-Tuning passt ein Basismodell mit den Daten Ihres Einzelhändlers an. Es spezialisiert das Modell auf Ihren Katalog, Ihre Käufer und Ihren Anwendungsfall. Das Basismodell von T-Brain ist der Ausgangspunkt. Fine-Tuning hilft ihm, die Muster Ihres Shops zu lernen.Wie kann ich ein Modell auswerten?
Nutzen Sie den Tab Evals, um die Modellqualität zu bewerten und trainierte Modelle mit einem Referenzmodell oder einer Baseline zu vergleichen. Sie können auch Baseline-Daten bereitstellen, um Ihren bestehenden Ansatz mit T-Brain zu vergleichen. Auswertungen können umfassen:- Modellqualität: Wie gut ein Modell seine Vorhersage- oder Ranking-Aufgabe erfüllt. AUC ROC misst zum Beispiel, wie gut ein Vorhersagemodell positive von negativen Ergebnissen unterscheidet.
- Geschäftliche Wirkung: Vergleiche wie Umsatzwert pro Sitzung, Conversion-Rate, Werbeumsatz und Rückgabequote.
- Leistung: Antwortzeit, einschließlich P95-Latenz, der Zeit, innerhalb derer 95 % der Anfragen abgeschlossen sind.
Welche Schutzmaßnahmen und Steuerungen gibt es?
T-Brain bietet mehrere Prüf- und Steuerungspunkte:- Datenvalidierung: Hochgeladene Dateien werden gegen die erforderliche Datensatzstruktur geprüft.
- Auswertung vor der Bereitstellung: Sie können Trainingsergebnisse prüfen und die Modellqualität vergleichen, bevor Sie bereitstellen.
- Laufzeitüberwachung: Im Tab Runtime können Sie Anfragevolumen, Latenz und Fehlerraten bereitgestellter Modelle überwachen.