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 comprensione 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 approfondimenti delle metriche clickstream.
L'architettura mostra i seguenti flussi:
- Importare ed elaborare i dati utente:
- I dati clickstream, come visualizzazioni di pagina, clic e acquisti, vengono caricati in una pipeline Dataflow.
- Dataflow elabora i dati e ricava insight come profili e preferenze degli utenti. Dataflow archivia quindi i dati, gli approfondimenti e gli incorporamenti vettoriali in BigQuery.
- Generare e pubblicare consigli sui prodotti:
- Un cliente visita lo storefront dell'azienda, che è un servizio Cloud Run in questa architettura.
- Il servizio storefront invia i dati del visitatore a un servizio di suggerimenti che viene eseguito su Cloud Run.
- Il servizio di suggerimenti esegue una ricerca di somiglianze vettoriali in BigQuery e recupera i dati sul profilo e sulle preferenze del visitatore.
- Il servizio di suggerimenti invia i dati del profilo e delle preferenze del visitatore all'API Gemini in Vertex AI, con un prompt per generare suggerimenti di prodotti. Gemini genera consigli sui prodotti personalizzati per il visitatore.
- Il servizio di suggerimenti invia i suggerimenti sui prodotti al servizio di vetrina, che poi li mostra.
Per ottimizzare costi e prestazioni, aggiungi una cache tra il servizio storefront e il servizio di 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 similarità 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 computing serverless che ti consente di eseguire container direttamente sull'infrastruttura scalabile di Google.
- Vertex AI: una piattaforma ML che ti consente di addestrare ed eseguire il deployment di modelli ML e applicazioni AI e personalizzare LLM da utilizzare nelle applicazioni basate sull'AI.
- BigQuery: un data warehouse aziendale che ti aiuta a gestire e analizzare i dati con funzionalità integrate come machine learning, analisi geospaziale e business intelligence.
- Dataflow: un servizio che fornisce l'elaborazione unificata dei dati in modalità flusso e batch su larga scala.
Deployment
Per sperimentare le applicazioni di AI generativa in Google Cloud per i carichi di lavoro della vendita al dettaglio, utilizza i seguenti esempi di codice:
- Consigli multimodali per la vendita al dettaglio.
- Esempi di codice per l'AI generativa per i casi d'uso della vendita al dettaglio.
Passaggi successivi
- Esplora altre guide all'architettura dell'AI generativa.
- Per una panoramica dei principi e dei consigli architetturali specifici per i workload di AI e ML in Google Cloud, consulta la prospettiva AI e ML nel Well-Architected Framework.
- Per ulteriori architetture di riferimento, diagrammi e best practice, esplora Cloud Architecture Center.
Collaboratori
Autore: Kumar Dhanagopal | Sviluppatore di soluzioni cross-prodotto
Altri collaboratori:
- Amina Mansour | Head of Cloud Platform Evaluations Team
- Megan O'Keefe | Developer Advocate
- Samantha He | Technical Writer
- Shir Meir Lador | Developer Relations Engineering Manager