Caso práctico de IA generativa: generar recomendaciones de productos personalizadas

En este documento se describe una arquitectura de alto nivel para usar la IA con el fin de generar recomendaciones de productos personalizadas para una aplicación de comercio en Google Cloud.

Este documento está dirigido a arquitectos, desarrolladores y administradores que crean y gestionan aplicaciones de IA generativa en la nube para el sector del comercio minorista. En este documento se presupone que tienes conocimientos básicos sobre la IA generativa.

Arquitectura

En el siguiente diagrama se muestra una arquitectura que usa un modelo de IA para generar recomendaciones de productos personalizadas basadas en las estadísticas de la secuencia de clics.

Arquitectura para usar la IA y generar recomendaciones de productos personalizadas. Arquitectura para usar la IA y generar recomendaciones de productos personalizadas}.

La arquitectura muestra los siguientes flujos:

  • Ingerir y procesar datos de usuario:
    1. Los datos de secuencias de clics, como las vistas de página, los clics y las compras, se suben a una canalización de Dataflow.
    2. Dataflow procesa los datos y obtiene información valiosa, como los perfiles y las preferencias de los usuarios. A continuación, Dataflow almacena los datos, las estadísticas y las inserciones vectoriales en BigQuery.
  • Generar y publicar recomendaciones de productos:
    1. Un cliente visita la tienda de la empresa, que es un servicio de Cloud Run en esta arquitectura.
    2. El servicio de escaparate envía los datos del visitante a un servicio de recomendaciones que se ejecuta en Cloud Run.
    3. El servicio de recomendaciones realiza una búsqueda por similitud de vectores en BigQuery y obtiene datos sobre el perfil y las preferencias del visitante.
    4. El servicio de recomendaciones envía el perfil y los datos de preferencias del visitante a la API de Gemini en Vertex AI, junto con una petición para generar recomendaciones de productos. Gemini genera recomendaciones de productos adaptadas al visitante.
    5. El servicio de recomendaciones envía las recomendaciones de productos al servicio de escaparate, que las muestra.

Para optimizar los costes y el rendimiento, añade una caché entre el servicio de escaparate y el servicio de recomendaciones. El servicio de recomendaciones comprueba la caché para obtener datos de visitantes. Si la caché no contiene datos relevantes, el servicio realiza una búsqueda de similitud vectorial en BigQuery. Para configurar la caché, puedes usar Memorystore o configurar un balanceador de carga con Cloud CDN.

Productos usados

Esta arquitectura de ejemplo usa los siguientes productos de Google Cloud :

  • Cloud Run: una plataforma de computación sin servidor que te permite ejecutar contenedores directamente en la infraestructura escalable de Google.
  • Vertex AI: una plataforma de aprendizaje automático que te permite entrenar y desplegar modelos de aprendizaje automático y aplicaciones de IA, así como personalizar LLMs para usarlos en aplicaciones basadas en IA.
  • BigQuery: un almacén de datos empresariales que te ayuda a gestionar y analizar tus datos con funciones integradas como el aprendizaje automático, el análisis geoespacial y la inteligencia empresarial.
  • Dataflow: un servicio que proporciona un procesamiento de datos unificado por lotes y en tiempo real a gran escala.

Implementación

Para experimentar con aplicaciones de IA generativa en Google Cloud para cargas de trabajo del comercio, usa los siguientes ejemplos de código:

Siguientes pasos

Colaboradores

Autor: Kumar Dhanagopal | Desarrollador de soluciones multiproducto

Otros colaboradores: