生成式 AI 用途:生成個人化產品建議

Last reviewed 2026-11-11 UTC

本文說明在 Google Cloud中,如何運用 AI 為零售應用程式生成個人化產品推薦的高階架構。

本文適用對象包括架構師、開發人員和管理員,他們在雲端建構及管理零售業的生成式 AI 應用程式。本文假設您對生成式 AI 有基本瞭解。

架構

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

使用 AI 生成個人化產品推薦的架構。 使用 AI 生成個人化產品推薦的架構。

架構圖顯示下列流程:

  • 擷取及處理使用者資料:
    1. 點擊流資料 (例如網頁瀏覽、點擊和購買) 會上傳至 Dataflow 管道。
    2. Dataflow 會處理資料並衍生洞察資訊,例如使用者個人資料和偏好設定。Dataflow 接著會將資料、洞察和向量嵌入儲存在 BigQuery。
  • 生成及提供產品建議:
    1. 客戶造訪公司的店面,也就是這個架構中的 Cloud Run 服務。
    2. 店面服務會將訪客的資料傳送至在 Cloud Run 上執行的推薦工具服務。
    3. 推薦服務會在 BigQuery 執行向量相似度搜尋,並擷取訪客個人資料和偏好設定的相關資料。
    4. 推薦服務會將訪客的個人資料和偏好設定資料傳送至 Gemini Enterprise Agent Platform,並提示生成產品推薦。在 Agent Platform 上,Gemini 模型會生成為訪客量身打造的產品推薦。
    5. 推薦工具服務會將產品推薦傳送至店面服務,然後顯示推薦。

如要最佳化成本和效能,請在店面服務和推薦工具服務之間新增快取。推薦服務會檢查快取中的訪客資料。如果快取不含相關資料,服務會在 BigQuery 執行向量相似度搜尋。如要設定快取,您可以使用 Memorystore,或使用 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,可讓您直接在 Google 可擴充的基礎架構上執行容器。
  • Gemini Enterprise Agent Platform:全方位平台,可建構、擴充、管理及最佳化企業級 AI 代理。
  • 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,可協助您管理及分析資料。
  • 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。

設計須知

本節說明設計因素、最佳做法和建議,符合Google Cloud Well-Architected Framework。使用這個參考架構開發拓撲時,請考量這項資訊,確保拓撲符合您在安全性、可靠性、成本最佳化、作業效率和效能方面的特定需求。

安全性、隱私權和法規遵循

為保護客戶資料,並滿足 Google Cloud的安全性、隱私權和法規遵循要求,請考慮下列建議:

  • 如要篩選提示詞和建議回覆,找出提示詞注入、越獄活動和有害內容,請使用 Model Armor。
  • 如要檢查點擊串流資料、使用者個人資料和提示中的個人識別資訊 (PII),並進行去識別化,請使用 Sensitive Data Protection。

可靠性

如要緩衝突發的點擊串流流量,並將店面事件產生器與 Dataflow 管道分離,請透過 Pub/Sub 擷取使用者事件。在 Pub/Sub 中緩衝事件,有助於防止在流量高峰或管道更新期間遺失資料。

成本最佳化

如果提示詞共用重複的系統指令或產品目錄脈絡,請在 Agent Platform 使用脈絡快取,降低輸入詞元成本。

提升作業效率

在 Google Cloud中建構及維護推薦管道時,如要降低營運負擔,請考慮下列選項:

  • 如果偏好代管零售推薦服務,而非自訂管道,可以考慮使用 Gemini Enterprise for Customer Experience 的 AI Commerce Search。AI Commerce Search 會直接根據產品目錄和點擊流事件,訓練及提供個人化推薦模型。
  • 如要在來源資料變更時,自動在 BigQuery 中生成及重新整理嵌入,請使用自主嵌入生成功能。

效能最佳化

為滿足Google Cloud店面訪客的低延遲服務需求,建議您採取下列做法:

部署作業

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

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: