Kasus penggunaan AI generatif: Membuat rekomendasi produk yang dipersonalisasi

Last reviewed 2025-12-15 UTC

Dokumen ini menjelaskan arsitektur tingkat tinggi untuk menggunakan AI guna menghasilkan rekomendasi produk yang dipersonalisasi untuk aplikasi retail di Google Cloud.

Audiens yang dituju untuk dokumen ini mencakup arsitek, developer, dan administrator yang membangun dan mengelola aplikasi AI generatif di cloud untuk industri retail. Dokumen ini mengasumsikan bahwa Anda memiliki pemahaman dasar tentang AI generatif.

Arsitektur

Diagram berikut menunjukkan arsitektur yang menggunakan model AI untuk menghasilkan rekomendasi produk yang dipersonalisasi berdasarkan insight dari metrik clickstream.

Arsitektur untuk menggunakan AI guna menghasilkan rekomendasi produk yang dipersonalisasi. Arsitektur untuk menggunakan AI guna menghasilkan rekomendasi produk yang dipersonalisasi}.

Arsitektur ini menampilkan alur berikut:

  • Menyerap dan memproses data pengguna:
    1. Data clickstream seperti kunjungan halaman, klik, dan pembelian diupload ke pipeline Dataflow.
    2. Dataflow memproses data dan memperoleh insight seperti profil dan preferensi pengguna. Dataflow kemudian menyimpan data, insight, dan embedding vektor di BigQuery.
  • Membuat dan menyajikan rekomendasi produk:
    1. Pelanggan mengunjungi etalase perusahaan, yang merupakan layanan Cloud Run dalam arsitektur ini.
    2. Layanan etalase mengirimkan data pengunjung ke layanan pemberi rekomendasi yang berjalan di Cloud Run.
    3. Layanan pemberi rekomendasi melakukan penelusuran kesamaan vektor di BigQuery dan mengambil data tentang profil dan preferensi pengunjung.
    4. Layanan pemberi rekomendasi mengirimkan data profil dan preferensi pengunjung ke Gemini API, dengan perintah untuk membuat rekomendasi produk. Gemini akan membuat rekomendasi produk yang disesuaikan untuk pengunjung.
    5. Layanan pemberi rekomendasi mengirimkan rekomendasi produk ke layanan etalase, yang kemudian menampilkan rekomendasi tersebut.

Untuk mengoptimalkan biaya dan performa, tambahkan cache di antara layanan etalase dan layanan pemberi rekomendasi. Layanan pemberi rekomendasi memeriksa cache untuk data pengunjung. Jika cache tidak berisi data yang relevan, layanan akan melakukan penelusuran kesamaan vektor di BigQuery. Untuk menyiapkan cache, Anda dapat menggunakan Memorystore atau mengonfigurasi load balancer dengan Cloud CDN.

Produk yang digunakan

Contoh arsitektur ini menggunakan produk Google Cloud berikut:

  • Cloud Run: Platform komputasi serverless yang memungkinkan Anda menjalankan container langsung di atas infrastruktur Google yang skalabel.
  • Gemini Enterprise Agent Platform: Platform komprehensif yang memungkinkan Anda membangun, menskalakan, mengatur, dan mengoptimalkan agen AI tingkat perusahaan.
  • BigQuery: Data warehouse perusahaan yang membantu Anda mengelola dan menganalisis data dengan fitur bawaan seperti machine learning, analisis geospasial, dan business intelligence.
  • Dataflow: Layanan yang menyediakan pemrosesan data batch dan streaming terpadu dalam skala besar.

Deployment

Untuk bereksperimen dengan aplikasi AI generatif di Google Cloud untuk workload retail, gunakan contoh kode berikut:

Langkah berikutnya

Kontributor

Penulis: Kumar Dhanagopal | Developer Solusi Lintas Produk

Kontributor lainnya: