生成式 AI 用途：生成個人化產品建議

本文說明如何使用 AI，在 Google Cloud中為零售應用程式生成個人化產品建議，並提供高階架構。

本文的目標讀者包括架構師、開發人員和管理員，他們負責在雲端建構及管理零售業的生成式 AI 應用程式。本文假設您已具備生成式 AI 的基礎知識。

架構

下圖顯示的架構會使用 AI 模型，根據點擊流指標的洞察資料生成個人化產品推薦內容。

使用 AI 生成個人化產品推薦內容的架構。 Architecture for using AI to generate personalized product recommendations}。

架構顯示下列流程：

  • 擷取及處理使用者資料：
    1. 系統會將網頁瀏覽、點擊和購買等點擊流資料上傳至 Dataflow 管道。
    2. Dataflow 會處理資料並衍生洞察資料，例如使用者個人資料和偏好設定。接著，Dataflow 會將資料、洞察資訊和向量嵌入儲存在 BigQuery 中。
  • 生成及放送產品建議：
    1. 顧客造訪公司店面，也就是這個架構中的 Cloud Run 服務。
    2. 店面服務會將訪客資料傳送至在 Cloud Run 上執行的推薦服務。
    3. 推薦服務會在 BigQuery 中執行向量相似度搜尋，並擷取訪客的個人資料和偏好設定相關資料。
    4. 推薦服務會將訪客的個人資料和偏好設定資料傳送至 Vertex AI 中的 Gemini API，並提示生成產品建議。Gemini 會生成適合訪客的產品建議。
    5. 建議工具服務會將產品建議傳送至店面服務，然後顯示建議。

如要最佳化成本和效能，請在店面服務和推薦服務之間新增快取。建議服務會檢查快取中的訪客資料。如果快取中沒有相關資料，這項服務會在 BigQuery 中執行向量相似度搜尋。如要設定快取，可以使用 Memorystore，或透過 Cloud CDN 設定負載平衡器。

使用的產品

這個範例架構使用下列 Google Cloud 產品：

  • Cloud Run：無伺服器運算平台，可讓您在 Google 可擴充的基礎架構上直接執行容器。
  • Vertex AI：機器學習平台，可讓您訓練及部署機器學習模型和 AI 應用程式，並自訂 LLM 用於 AI 輔助的應用程式。
  • BigQuery：企業資料倉儲，內建機器學習、地理空間分析和商業智慧等功能，有助於管理及分析資料。
  • Dataflow：這項服務整合串流與批次資料處理功能，可大規模處理資料。

部署

如要試用零售業工作負載的生成式 AI 應用程式，請使用下列程式碼範例： Google Cloud

後續步驟

貢獻者

作者：Kumar Dhanagopal | 跨產品解決方案開發人員

其他貢獻者：