¿Qué es un Large Commerce Model?
Un Large Commerce Model, o LCM, es un modelo de IA generativa creado para entender el comercio. Aprende de la información de productos, el comportamiento de los compradores y el contexto para entender qué quieren los compradores y qué productos son relevantes. Por ejemplo, un LCM puede ayudar a encontrar productos que coincidan con la solicitud de un comprador, rankear recomendaciones o predecir qué tan probable es que un comprador compre un producto.¿En qué se diferencia un LCM de un Large Language Model?
Un Large Language Model, o LLM, aprende principalmente patrones del lenguaje. Un LCM aprende de señales de comercio, incluidos catálogos de productos, interacciones de compradores y compras. Esto ayuda a T-Brain a tener en cuenta tanto qué es un producto como cómo interactúan los compradores con él.¿Para qué puedo usar T-Brain?
T-Brain admite cuatro capacidades principales:- Retrieval: Encuentra productos relevantes para resultados de búsqueda y recomendaciones.
- Prediction: Estima resultados como clics y compras de productos.
- Ranking: Ordena productos orgánicos, productos patrocinados o ambos según el resultado que quieras optimizar.
- Understanding: Genera embeddings, representaciones numéricas de productos y compradores que capturan similitudes y relaciones. También puedes usarlos en tus propios modelos.
¿Necesito ser cliente actual de Topsort?
No. Puedes subir datos de tus sistemas existentes, entrenar modelos, evaluarlos, desplegarlos y llamarlos a través de una API sin usar el ad server de Topsort. Los clientes actuales de Topsort también pueden usar conjuntos de datos que ya están sincronizados desde Topsort.¿Qué datos necesito?
Proporciona tu catálogo de productos y al menos un mes de historial de eventos, incluidas todas las compras y los clics e impresiones de productos pagados. T-Brain organiza los datos en tres tipos de conjuntos de datos: categories, products y events. Los eventos deben incluir un identificador de comprador consistente para poder conectar las interacciones y las compras. Si eres cliente de Topsort, ya tendrás tres conjuntos de datos sincronizados:Topsort-categoriesTopsort-productsTopsort-events
¿Cómo subo datos?
Consulta Requisitos de datos para instrucciones sobre cómo crear conjuntos de datos, subir archivos Parquet y añadir datos actualizados.¿Cómo entreno un modelo?
Una tarea define qué quieres que haga un modelo y de qué conjuntos de datos debe aprender.- Revisa los modelos disponibles en la pestaña Model Garden. Elige el modelo y la capacidad adecuados para tu caso de uso, como el ranking de productos o la predicción de conversión.
- Prepara tus conjuntos de datos en la pestaña Data. Usa conjuntos de datos sincronizados de Topsort o sube tus propios archivos.
- Crea una tarea en la pestaña Tasks. Elige la capacidad, selecciona los conjuntos de datos que requiere y ponle nombre a la tarea. Por ejemplo, una tarea de ranking de productos usa conjuntos de datos de productos y eventos.
- Inicia el entrenamiento. T-Brain entrena el modelo con los conjuntos de datos seleccionados.
- Sigue el progreso en la pestaña Training. Revisa los trabajos de entrenamiento en cola, en ejecución y completados.
- Revisa los resultados en la pestaña Evals. Inspecciona las métricas de calidad del modelo y compara el rendimiento antes de decidir el despliegue.
- Despliega el modelo. Tu aplicación puede entonces llamarlo a través de una API.
- Prueba el modelo desplegado en la pestaña Playground. Prueba solicitudes e inspecciona las predicciones devueltas y los tiempos de respuesta.
¿Qué significa fine-tuning?
El fine-tuning adapta un modelo base con los datos de tu minorista. Especializa el modelo para tu catálogo, tus compradores y tu caso de uso. El modelo base de T-Brain ofrece un punto de partida. El fine-tuning lo ayuda a aprender los patrones específicos de tu tienda.¿Cómo puedo evaluar un modelo?
Usa la pestaña Evals para evaluar la calidad del modelo y comparar modelos entrenados con un modelo de referencia o una línea base. También puedes aportar datos de línea base para comparar tu enfoque actual con T-Brain. Las evaluaciones pueden incluir:- Calidad del modelo: Qué tan bien un modelo realiza su tarea de predicción o ranking. Por ejemplo, AUC ROC mide qué tan bien un modelo de predicción distingue resultados positivos de negativos.
- Impacto de negocio: Comparaciones como el valor de ventas por sesión, la tasa de conversión, los ingresos publicitarios y la tasa de devolución.
- Rendimiento: Tiempo de respuesta, incluida la latencia P95, el tiempo dentro del cual se completa el 95 % de las solicitudes.
¿Qué salvaguardas y controles hay disponibles?
T-Brain ofrece varios puntos de revisión y control:- Validación de datos: Los archivos subidos se comprueban contra la estructura requerida del conjunto de datos.
- Evaluación antes del despliegue: Puedes inspeccionar los resultados del entrenamiento y comparar la calidad del modelo antes de desplegar.
- Supervisión en runtime: En la pestaña Runtime puedes supervisar el volumen de solicitudes, la latencia y las tasas de error de los modelos desplegados.