Eu analiso seu conteúdo para ajudá-lo a encontrar respostas para suas perguntas rapidamente.
Código substituindo código
Continue lendo para saber como usar os LLMs para avaliar a intenção da consulta, fornecer respostas mais relevantes e criar experiências de compra mais inteligentes.
O rápido avanço da inteligência artificial (IA) não só alterou drasticamente o que e por que os tecnólogos criam, como também começou a mudar a forma como eles criam essas coisas. Código de computador escrevendo mais código de computador não é mais um conceito futurista sinônimo da ativação da Skynet, e não é preciso tomar uma pílula vermelha para perceber seus efeitos. A IA é agora uma força tangível, sutil e quase onipresente que molda nossas escolhas e interações diárias.
Desde a curadoria sutil de nossas playlists musicais até a seleção, em frações de segundo, do próximo vídeo em nosso feed, ou das vozes agradavelmente robóticas em nossas cozinhas até a janela escura que está fazendo o dever de casa dos nossos filhos, a influência da IA permeia nossas vidas. Para aqueles que estão à frente da tecnologia – diretores de tecnologia (CTOs) e desenvolvedores sênior –, essa transformação representa tanto uma oportunidade quanto um desafio. A capacidade de aproveitar grandes modelos de linguagem (LLMs) tanto como um meio de escrever ou reescrever código rapidamente quanto como uma forma de eliminar, desde o início, a necessidade de escrever essas linhas de código tornou-se, no espaço de três anos, um requisito básico para empresas na vanguarda do desenvolvimento de software.
Com base no conhecimento da área disponível atualmente, vamos analisar essa tendência sob a ótica da pesquisa e como ela já se manifesta na capacidade dos grandes modelos de linguagem de avaliar a relevância e a intenção de uma consulta de pesquisa reconhecidamente apressada, às vezes breve e quase sempre sem contexto. Embora as experiências de busca tenham sido um componente central das experiências de comércio eletrônico dinâmicas e centradas no usuário praticamente desde que o termo “comércio eletrônico” surgiu, nunca antes os mecanismos por trás dessas simples barras de busca foram tão bons em analisar apenas algumas palavras e orientar consumidores ou clientes em potencial para suas compras mais prováveis com o mínimo de atrito ou estresse. Identificar a intenção de quem faz a busca com base em tão pouca informação beira a telepatia, mas há uma arte sutil nisso — e não pouca ciência.
Este artigo tem como objetivo ir além das questões teóricas de “quando” e “onde” a IA (e, mais especificamente, os LLMs) pode desempenhar um papel na experiência de busca do consumidor (as respostas para essas perguntas são “agora” e “em todos os lugares”, respectivamente). O que se segue concentra-se, em vez disso, no “como” prático. Ele analisará as últimas tendências na interação entre IA e seres humanos, fornecerá uma estrutura estratégica para o emprego de LLMs a fim de aprimorar significativamente os esforços de desenvolvimento e apresentará exemplos concretos de código, particularmente nos setores de varejo e comércio eletrônico, que oferecem melhores resultados por contarem com LLMs em segundo plano; e, mais especificamente ainda, na medida em que esses tópicos se relacionam com a implantação rápida e eficaz de experiências de busca de última geração.
Afinal, você provavelmente recebe recomendações o tempo todo: seus pais dizendo para você economizar dinheiro, seus sogros dizendo como cortar a grama, seus filhos dizendo para você não usar aquela palavra. Se você já entendeu o que quero dizer, fique à vontade para pular esta parte, mas se quiser uma definição mais formal, Emile Contal, doutor em Aprendizado Estatístico, define a prática da personalização como aquela em que:
“...o conteúdo é adaptado com base em algumas variáveis pessoais. Essas variáveis podem ser suas compras anteriores em uma loja online, sua idade, o local onde você mora ou simplesmente o dispositivo que você está usando... O que um usuário vê difere do que outro usuário vê.”
Por outro lado, a recomendação requer: “filtrar um conjunto de itens com base no comportamento histórico de um usuário (normalmente, o que ele gosta ou não gosta, ou seu histórico de comportamento). Enquadrada dessa forma, a recomendação é uma forma de personalização.” Alguns poderiam argumentar, de forma pedante, que uma recomendação deve necessariamente basear-se na personalização, pois o que seriam seus hábitos anteriores de compra, cliques ou visualizações senão algo pessoal? Talvez esses dados sejam ainda mais pessoais do que informações demográficas. Outros, como Contal, argumentariam que o conhecimento da atividade anterior e o histórico necessário para uma recomendação são, todos, formas de personalização. De qualquer forma, fica claro que os dois estão intimamente ligados, pois uma boa recomendação não é genérica. Seus pais dizem a todo mundo para economizar dinheiro, independentemente das circunstâncias; seus sogros dão a todos o mesmo conselho sobre jardinagem; e seus filhos, com sorte, aprenderam que nunca é certo xingar. Boas recomendações são personalizadas. Esta postagem do blog da Algolia define uma recomendação personalizada, no contexto da busca no site, como:
...uma sugestão relevante gerada por um mecanismo de recomendação (também conhecido como sistema de recomendação) por meio de um algoritmo e opções de filtragem com base no que se sabe sobre a navegação do cliente no site.
Com tecnologia de recomendações de IA da Algolia