С чем съесть макароны? Как ChatGPT помогает ритейлу давать рекомендации при покупках онлайн

Разрабатывая продукт по рекомендации товаров и системе поиска товара в каталоге, мы озадачились вопросом: как построить собственную рекомендательную систему, приносящую реальную прибыль бизнесу?

На связи Елизавета Колмакова, Data Scientist компании 1221systems. Мы сделали ленту «С этим покупают» с осмысленными рекомендациями, и я хочу рассказать, как нам в этом помог ChatGPT.

ChatGPT сейчас применяют для самых разнообразных задач: от написания мотивационных писем до создания сайтов. А что, если спросить ChatGPT, что принято есть, например, с макаронами? Проведя исследования о способностях ChatGPT выдавать осмысленные рекомендации по продуктам, которые хорошо сочетаются друг с другом, мы решили пойти дальше и проверить его на применимость для бизнеса.

Абстрагируясь, такой подход решает типичные проблемы рекомендательных систем, построенных на данных о покупках пользователей:

1. Холодный старт продукта. Моделям, построенным на данных, сложно давать хорошие рекомендации тем товарам, продаж которых совершено мало, которые пользуются сезонным спросом и выпущены как тест.

• Сбор данных. Для подхода генерации рекомендаций через ChatGPT не требуется собирать датасет, что экономит время.

• Препроцессинг данных. В каждом втором чеке есть общие товары («хлеб», «молоко», «масло сливочное»), наличие которых размывает истинные зависимости совместимых продуктов. Организовать фильтрацию чеков от подобных общих товаров — объемная и сложная задача.

Начав этот увлекательный путь в мир больших разговорных моделей, мы определили две задачи:

1. Необходимый нейминг. Есть товары, которые достаточно сложно агрегировать под общее имя, а есть — те, которые легче: для ChatGPT нет разницы, предлагать рекомендацию к «Молоко Особая коллекция 450мл» или «Молоко Особая коллекция 950мл». Работали над неймингом наших товаров, пока не убедились, что все имена товаров отражают суть и обобщены до максимально возможного уровня.
2. Входная формулировка.

ChatGPT крайне щепетильно относится к входным фразам и нуждается в прописывании каждой подробности.

Вот далеко не полный список формулировок, которые мы пробовали на примере макарон:

• что купить к макаронам

• что купить с макаронами
• какие ингредиенты купить к макаронам
• какие ингредиенты купить с макаронами
  
• какие ингредиенты купить к макаронам, если хотим их употребить вместе
  
• что положить в корзину к макаронам
  
• что положить в корзину с макаронами
  
• что мне нужно доложить в корзину, если я уже взял макароны
  
• продукты для рецепта с макаронами
  
• продукты для рецепта к макаронам
  

и так далее.

К каждой из этих фраз мы тщательно подбирали формулировку, дополняя ее уточнениями (например, о запрете рекомендовать алкоголь и о том, что к готовой еде предпочтительнее предлагать напитки).

В итоге, фраза длиной в 74 слова была прописана и готова к прогонке по всем товарам.

Подготовив входную фразу и соорудив обобщенные имена товаров, приступили к сбору ответов от ChatGPT. Взяв все имена товаров, разбили их на тройки, чтобы бережнее подойти к вопросу использования токенов (токен —атомарная единица, которой оперирует чат для генерации ответов и, образно говоря, подобен валюте, которая определяет затраты на создание ответа). В итоге этой подготовительной работы — полностью уложились в пробные токены, которые даются при регистрации на OpenAI.

Входная фраза по итогу была больше похожа на свод правил: перечислено множество уточнений и описана строгая форма ответа, чтобы удобно было дальше ее обрабатывать. Она выглядела так:

Собрав и проанализировав ответы ChatGPT, выделили особенности работы с чатом для решения задачи рекомендации товаров:

Формулировка критически важна. Мы проверяли, что даже «порекомендуй, что купить с» и «порекомендуй, что купить к» имели разное качество рекомендаций:

Если нечетко указывать форму обратного ответа, чат будет стремиться ответить по-разному, а формат критично важен для последующего выделения товаров и их поиск в каталоге. Например, при наличии рекомендации от чата «Черный кофе» нам необходимо найти категорию «Молотый кофе», что само по себе является большой задачей. Строгий вид ответа необходим для автоматизации просчета и последующего поиска в каталоге.

Иногда чат начинает генерировать пространные ответы (вместо «лимон» — «тонкая долька лимона без косточки»), либо же может не вернуть ответ вовсе. Нужно закладывать необходимость дополнительных прогонов изначально. Мы прописали, что если средняя длина ответа — более трех слов, то необходимо перепрогнать этот товар еще раз, поскольку у такого ответа высока вероятность получить ту самую «тонкую дольку лимона без косточки», а это крайне сложно автоматически соотнести с «лимон» из каталога.

Чату важен входной контекст. Для оптимизации затрат мы подавали сразу несколько товаров и порой, от такого соседства страдали рекомендации. Например, в тройке: Колбаса, Рулеты, Сало, — второй товар чат понимал как мясные рулеты, в то время как имелись в виду рулеты сладкие.

Часто ChatGPT генерировал сомнительные рекомендации или рекомендовал несуществующие товары в категориях непродовольственных, детских товаров, а также товаров для животных. Он просто добавлял к известным товарам слова «детский» или «для кошек», например, мог посоветовать «детский крем для бритья».

Когда мы просили дать рекомендации для салата или другого готового блюда, чат стремился разложить его на ингредиенты и предложить купить их.

Чат способен генерировать грамматические ошибки. Это усложняет дальнейшую автоматизацию по поиску соответствия этих рекомендаций в каталоге:

Далее мы прописали ту часть, которая ответственна за соотнесение абстрактных рекомендаций чата с реальным товаром: например, преобразует «масло сливочное» в «масло сливочное Особая коллекция 180гр», а «торт» — в «Торт шоколадный Bocconto».

Для этого мы воспользовались трудами своих коллег из Search Service и вместо того, чтобы соотносить каждое абстрактное имя со всем каталогом, что долго по времени и вычислениям, отправляли запросы на SearchService, в котором уже реализован функционал поиска товаров по запросу с сайта myspar.ru.

Получая пул релевантных кандидатов, выбираем самый соотносящийся с абстрактным — и в итоге получаем лучшую рекомендацию из возможных в конкретном магазине.

И, наконец, если вы начали читать эту статью из-за интриги в названии и думаете, что бы докупить на ужин к пасте, то ChatGPT посоветовал положить в корзину следующие продукты — вот полный цикл прогона для товара:

Этап первый. Товар: МАКАРОНЫ ЦАРЬ ДУРУМ ГРЕБЕШКИ 1/450

Этап второй. Нейминг: Макароны

Этап третий. Ответ чата: Оливковое масло Пармезан Томатный соус Орегано Сливочный соус Базилик Грибы Песто Куриное филе Тунец.

Этап четвертый. Финально, список предложенных товаров из каталога:

Bon appetit!

#СhatGPT #retail #ритейл #промт #искусственныйинтеллект #нейросеть