Não, ela a aprimora. Acreditamos que a pesquisa com IA deva ser uma pesquisa aprimorada por IA. Para cada consulta, o Algolia AI Ranking utilizará as ações dos seus usuários para reclassificar uma lista de resultados que já tenha sido retornada e classificada inicialmente com base na suaconfiguração de relevância.

Sim, usando nossoEditor Visualou nossa APIde Regras, você pode otimizar a experiência de pesquisa ou implementar estratégias editoriais com base nos resultados de pesquisa gerados por IA.

O resultado pode parecer semelhante — ambas as abordagens levam a mudanças na classificação dos produtos —, mas há diferenças cruciais. As regras de destaque e ocultação exigem configuração manual pelas equipes de merchandising. Essas regras não têm como objetivo melhorar o desempenho do seu mecanismo de busca; ao contrário, foram projetadas para substituir os resultados de busca existentes. Por exemplo, para promover estoques de baixa rotatividade, você pode implementar regras de destaque para elevar artificialmente determinados produtos nas classificações de busca.

As regras de destaque e ocultação são eficazes quando você tem objetivos específicos que exigem ajustes manuais na classificação. No entanto, se o seu objetivo é maximizar uma meta específica, a incorporação de sinais permite que nosso algoritmo refine automaticamente as classificações dos seus produtos e aumente a probabilidade de gerar conversões.

O AI Ranking combina diversos sinais de classificação para otimizar a conversão e outras metas de negócios:

• Eventos (por exemplo, cliques, conversões)
• Métricas de negócios e dados armazenados em registros individuais da Algolia (por exemplo: margem, receita offline, disponibilidade, frete, marcas patrocinadas, promoções)
• Pontuações de relevância (por exemplo, relevância textual por meio do algoritmo de desempate do Algola)
• Sinais textuais (por exemplo, número de erros ortográficos, distância entre as palavras)

Com o AI Ranking, fornecemos ao modelo de aprendizado de máquina uma variedade de sinais, permitindo que ele se otimize em direção a um objetivo. Por exemplo, o modelo pode aprender que, quanto mais distantes as palavras estiverem em uma consulta, menos relevantes se tornam os resultados da pesquisa. Embora possa não ficar imediatamente claro por que os sinais textuais são tão importantes quanto as interações do usuário ou as métricas de negócios, incluí-los garante um modelo de classificação mais equilibrado e eficaz.