Caso d'uso dell'AI generativa: genera consigli personalizzati sui prodotti

Last reviewed 2026-11-11 UTC

Questo documento descrive un'architettura di alto livello per l'utilizzo dell'AI per generare suggerimenti personalizzati sui prodotti per un'applicazione di vendita al dettaglio in Google Cloud.

Il pubblico di destinazione di questo documento include architetti, sviluppatori e amministratori che creano e gestiscono applicazioni di AI generativa nel cloud per il settore della vendita al dettaglio. Il documento presuppone che tu abbia una conoscenza di base dell'AI generativa.

Architettura

Il seguente diagramma mostra un'architettura che utilizza un modello di AI per generare suggerimenti personalizzati sui prodotti in base agli insight delle metriche dei clickstream.

Architettura per l'utilizzo dell'AI per generare consigli personalizzati sui prodotti. Architettura per l'utilizzo dell'AI per generare consigli personalizzati sui prodotti.

L'architettura mostra i seguenti flussi:

  • Importare ed elaborare i dati utente:
    1. I dati dei clickstream, come visualizzazioni di pagina, clic e acquisti, vengono caricati in una pipeline Dataflow.
    2. Dataflow elabora i dati e ricava insight come profili utente e preferenze. Dataflow archivia quindi i dati, gli insight e i vector embedding in BigQuery.
  • Genera e pubblica consigli sui prodotti:
    1. Un cliente visita lo storefront dell'azienda, che in questa architettura è un servizio Cloud Run.
    2. Il servizio di vetrina invia i dati del visitatore a un servizio di suggerimenti in esecuzione su Cloud Run.
    3. Il servizio di suggerimento esegue una ricerca di somiglianze vettoriali in BigQuery e recupera i dati sul profilo e sulle preferenze del visitatore.
    4. Il servizio di suggerimenti invia i dati del profilo e delle preferenze del visitatore a Gemini Enterprise Agent Platform, con un prompt per generare suggerimenti di prodotti. Su Agent Platform, un modello Gemini genera consigli sui prodotti personalizzati per il visitatore.
    5. Il servizio per suggerimenti invia i suggerimenti sui prodotti al servizio della vetrina, che poi li visualizza.

Per ottimizzare costi e prestazioni, aggiungi una cache tra il servizio dello storefront e il servizio del motore per suggerimenti. Il servizio di suggerimenti controlla la cache per i dati dei visitatori. Se la cache non contiene dati pertinenti, il servizio esegue una ricerca di somiglianza vettoriale in BigQuery. Per configurare la cache, puoi utilizzare Memorystore o configurare un bilanciatore del carico con Cloud CDN.

Prodotti utilizzati

Questa architettura di esempio utilizza i seguenti prodotti Google Cloud :

  • Cloud Run: una piattaforma di serverless computing che ti consente di eseguire container direttamente sull'infrastruttura scalabile di Google.
  • Gemini Enterprise Agent Platform: una piattaforma completa che ti consente di creare, scalare, gestire e ottimizzare agenti AI di livello enterprise.
  • BigQuery: un data warehouse aziendale che ti aiuta a gestire e analizzare i tuoi dati con funzionalità integrate come machine learning, analisi geospaziale e business intelligence.
  • Dataflow: un servizio che fornisce il trattamento unificato dei dati in modalità flusso e batch su larga scala.

Considerazioni sulla progettazione

Questa sezione descrive i fattori di progettazione, le best practice e i consigli in linea con il Well-Architected FrameworkGoogle Cloud . Tieni conto di queste informazioni quando utilizzi questa architettura di riferimento per sviluppare una topologia che soddisfi i tuoi requisiti specifici di sicurezza, affidabilità, ottimizzazione dei costi, efficienza operativa e prestazioni.

Sicurezza, privacy e conformità

Per proteggere i dati dei clienti e soddisfare i requisiti di sicurezza, privacy e conformità in Google Cloud, tieni presente i seguenti suggerimenti:

  • Per filtrare i prompt e le risposte ai suggerimenti in base a prompt injection, tentativi di jailbreak e contenuti dannosi, utilizza Model Armor.
  • Per ispezionare e anonimizzare le informazioni che consentono l'identificazione personale (PII) nei dati dei clickstream, nei profili utente e nei prompt, utilizza Sensitive Data Protection.

Affidabilità

Per eseguire il buffering del traffico di clickstream con picchi e disaccoppiare i producer di eventi dello storefront dalla pipeline Dataflow, importa gli eventi utente tramite Pub/Sub. Il buffering degli eventi in Pub/Sub aiuta a prevenire la perdita di dati durante i picchi di traffico o gli aggiornamenti della pipeline.

Ottimizzazione dei costi

Per ridurre i costi dei token di input quando i prompt condividono istruzioni di sistema ripetute o il contesto del catalogo dei prodotti, utilizza la memorizzazione nella cache del contesto su Agent Platform.

Efficienza operativa

Per ridurre l'overhead operativo durante la creazione e la manutenzione della pipeline di suggerimenti in Google Cloud, considera le seguenti opzioni:

  • Se preferisci un servizio di suggerimenti per la vendita al dettaglio gestito rispetto a una pipeline personalizzata, prendi in considerazione AI Commerce Search in Gemini Enterprise for Customer Experience. AI Commerce Search addestra e fornisce modelli di suggerimenti personalizzati direttamente dal tuo catalogo dei prodotti e dagli eventi di clickstream.
  • Per generare e aggiornare automaticamente gli embedding in BigQuery quando i dati di origine cambiano, utilizza la generazione autonoma di embedding.

Ottimizzazione delle prestazioni

Per soddisfare i requisiti di pubblicazione a bassa latenza per i visitatori della vetrina inGoogle Cloud, tieni presente i seguenti consigli:

  • Per accelerare le query di somiglianza su tabelle di grandi dimensioni in BigQuery, crea un indice vettoriale per la ricerca del vicino più prossimo approssimato (ANN).
  • Per la pubblicazione online di somiglianze a bassa latenza in condizioni di elevata concorrenza nello storefront, prendi in considerazione Vector Search.
  • Quando esegui il deployment di Memorystore per la memorizzazione nella cache, utilizza Memorystore for Valkey o Memorystore for Redis Cluster anziché il motore Memcached deprecato. Per gestire le query semantiche con una latenza inferiore al millisecondo, puoi anche utilizzare la ricerca vettoriale in Memorystore for Valkey.

Deployment

Per sperimentare con le applicazioni di AI generativa in Google Cloud per i workload di vendita al dettaglio, utilizza i seguenti esempi di codice:

Passaggi successivi

Collaboratori

Autore: Kumar Dhanagopal | Cross-Product Solution Developer

Altri collaboratori: