In diesem Dokument wird eine allgemeine Architektur für die Verwendung von KI zur Generierung personalisierter Produktempfehlungen für eine Einzelhandelsanwendung in Google Cloudbeschrieben.
Die Zielgruppe für dieses Dokument umfasst Architekten, Entwickler und Administratoren, die generative KI-Anwendungen in der Cloud für den Einzelhandel erstellen und verwalten. In diesem Dokument wird davon ausgegangen, dass Sie über grundlegende Kenntnisse im Bereich generative KIverfügen.
Architektur
Das folgende Diagramm zeigt eine Architektur, in der ein KI-Modell verwendet wird, um personalisierte Produktempfehlungen basierend auf Erkenntnissen aus Clickstream-Messwerten zu generieren.
Die Architektur zeigt die folgenden Abläufe:
- Nutzerdaten aufnehmen und verarbeiten:
- Clickstream-Daten wie Seitenaufrufe, Klicks und Käufe werden in eine Dataflow-Pipeline hochgeladen.
- Dataflow verarbeitet die Daten und leitet Erkenntnisse wie Nutzerprofile und ‑präferenzen ab. Anschließend speichert Dataflow die Daten, Erkenntnisse und Vektoreinbettungen in BigQuery.
- Produktempfehlungen generieren und bereitstellen:
- Ein Kunde besucht den Onlineshop des Unternehmens, der in dieser Architektur ein Cloud Run-Dienst ist.
- Der Onlineshop-Dienst sendet die Daten des Besuchers an einen Empfehlungsdienst , der in Cloud Run ausgeführt wird.
- Der Empfehlungsdienst führt eine Vektorähnlichkeitssuche in BigQuery durch und ruft Daten zum Profil und zu den Präferenzen des Besuchers ab.
- Der Empfehlungsdienst sendet die Daten zum Profil und zu den Präferenzen des Besuchers an die Gemini API und fordert sie auf, Produkt empfehlungen zu generieren. Gemini generiert Produktempfehlungen, die auf den Besucher zugeschnitten sind.
- Der Empfehlungsdienst sendet die Produktempfehlungen an den Onlineshop-Dienst, der sie dann anzeigt.
Um Kosten und Leistung zu optimieren, fügen Sie einen Cache zwischen dem Onlineshop-Dienst und dem Empfehlungsdienst hinzu. Der Empfehlungsdienst prüft den Cache auf Besucherdaten. Wenn der Cache keine relevanten Daten enthält, führt der Dienst eine Vektorähnlichkeitssuche in BigQuery durch. Um den Cache einzurichten, können Sie Memorystore verwenden oder einen Load-Balancer mit Cloud CDN konfigurieren.
Verwendete Produkte
In dieser Beispielarchitektur werden die folgenden Google Cloud Produkte verwendet:
- Cloud Run: Eine serverlose Computing-Plattform, mit der Sie Container direkt auf der skalierbaren Infrastruktur von Google ausführen können.
- Gemini Enterprise Agent Platform: Eine umfassende Plattform, mit der Sie KI-Agenten auf Unternehmensniveau erstellen, skalieren, verwalten und optimieren können.
- BigQuery: Ein Data Warehouse für Unternehmen, mit dem Sie Ihre Daten mit integrierten Features wie maschinellem Lernen, raumbezogenen Analysen und Business Intelligence verwalten und analysieren können.
- Dataflow: Dataflow ist ein Dienst, der die einheitliche Verarbeitung großer Stream- und Batchdatenmengen ermöglicht.
Bereitstellung
Wenn Sie mit generativen KI-Anwendungen in Google Cloud Einzelhandels arbeitslasten experimentieren möchten, verwenden Sie die folgenden Codebeispiele:
- Multimodale Einzelhandelsempfehlungen.
- Codebeispiele für generative KI für Einzelhandelsanwendungsfälle.
Nächste Schritte
- Weitere Architekturleitfäden für generative KI ansehen
- Eine Übersicht über Architekturprinzipien und Empfehlungen speziell für KI und ML-Arbeitslasten in Google Cloudfinden Sie in der KI- und ML-Perspektive im Well-Architected Framework.
- Weitere Referenzarchitekturen, Diagramme und Best Practices finden Sie im Cloud Architecture Center.
Beitragende
Autor: Kumar Dhanagopal | Cross-product Solution Developer
Weitere Beitragende:
- Amina Mansour | Head of Cloud Platform Evaluations Team
- Megan O'Keefe | Developer Advocate
- Samantha He | Technical Writer
- Shir Meir Lador | Developer Relations Engineering Manager