Penting bagi pelanggan untuk dengan mudah dan cepat menemukan produk yang mereka cari. Seringkali pelanggan tidak mengetahui nama produk secara tepat, yang dapat menyebabkan frustrasi jika mereka tidak menemukannya. Di pengajaran ini, Anda akan belajar bagaimana mengimplementasikan pencarian produk kabur dengan API OpenAI. Kami akan menggunakan trik untuk memastikan bahwa nama produk yang mirip atau salah dapat berhasil mengarahkan ke produk yang tepat.
Temuan Utama
- Pencarian standar memerlukan kecocokan nama produk yang tepat.
- Pencarian produk kabur dapat diimplementasikan dengan mengembalikan semua nama produk saat kecocokan yang tepat gagal.
- AI kemudian dapat memilih nama produk yang mirip dan mengembalikan deskripsi produk masing-masing.
Panduan Langkah demi Langkah
Untuk membuat pencarian produk kabur, ikuti langkah-langkah berikut.
Langkah 1: Identifikasi Masalah
Pertama-tama, kita harus mengidentifikasi masalah pokok: Pencarian produk terlalu eksak. Jika nama produk yang dimasukkan pelanggan tidak cocok secara tepat dengan yang ada dalam database, produk tidak akan ditemukan. Dalam contoh sebelumnya, kita melihat bahwa ketika masukan adalah "en77", tidak ada produk yang ditemukan karena nama sebenarnya adalah "Nice en 77". Di sinilah tangkapan layar dari kesalahan tersebut bisa bermanfaat.
Langkah 2: Mengadaptasi Logika Pencarian
Untuk mengatasi masalah ini, kita harus mengubah logika deskripsi produk. Kita modifikasi fungsi "menemukan produk" sehingga mengembalikan semua nama produk yang tersedia jika tidak ada produk ditemukan di bawah nama yang tepat. Dengan ini, kita memastikan bahwa AI dapat secara mandiri mencari nama yang paling cocok secara berdampingan. Masukkan kode berikut ke dalam deskripsi fungsi: "jika produk tidak ditemukan di bawah nama yang tepat, fungsi ini akan mengembalikan semua nama produk yang tersedia". Langkah ini membantu AI menemukan kecocokan yang benar ketika nama yang tepat tidak ada.
Langkah 3: Memperbarui Deskripsi Parameter
Setelah kita mengubah logika, penting untuk juga memperbarui deskripsi parameter. Gunakan formulasi berikut: "nama produk atau Nama model untuk ditemukan". Ini dengan jelas menyatakan bahwa fungsi juga dapat mencari nama yang mirip jika tidak ada kesesuaian yang tepat.
Langkah 4: Mengadaptasi Panggilan Fungsi
Diperlukan untuk mengubah penanganan panggilan fungsi. Jika nama produk berhasil ditemukan dan kita memiliki ID produk, deskripsi akan dikembalikan seperti sebelumnya. Namun, jika nama produk tidak ditemukan secara langsung, kita membuat array dari semua nama produk yang tersedia dalam database. Array ini kemudian digunakan untuk membuat nama-nama produk yang mungkin terlihat oleh AI, yang kemudian dapat mengidentifikasi kecocokan yang diinginkan.
Langkah 5: Uji Logika Baru
Setelah menerapkan perubahan, Anda harus menguji logika baru. Misalnya, masukkan "apakah Anda memiliki en77", tanpa spasi dan tanpa nama lengkap. Ini akan memungkinkan Anda untuk memeriksa apakah fungsi sekarang mampu menemukan produk yang benar. Hasilnya seharusnya menunjukkan bahwa produk "Nice en77" tersedia. Ini adalah kemajuan yang signifikan karena pencarian sekarang bekerja bahkan dengan masukan yang kabur.
Langkah 6: Meminta Deskripsi Produk
Sekarang Anda dapat menguji apakah deskripsi produk dikembalikan dengan benar. Tanyakan pada AI untuk informasi lebih lanjut dengan mengatakan: "tolong beri saya informasi lebih lanjut tentang gitar ini terlebih dahulu". AI kemudian harus mengembalikan deskripsi yang sesuai, berdasarkan nama produk yang ditemukan. Ini menunjukkan bahwa logika berfungsi dengan baik dan informasi yang tepat disediakan.
Langkah 7: Tambahkan ke Keranjang Belanja
Setelah Anda menerima deskripsi, Anda dapat mencoba menambahkan produk ke keranjang belanja. Gunakan perintah: "tambahkan ke Keranjang Belanja Saya". Fungsi ini seharusnya berjalan lancar sekarang, dan produk harus ditambahkan ke keranjang belanja dengan benar. Ini juga menunjukkan bahwa seluruh struktur komunikasi berfungsi dengan benar.
Langkah 8: Penutup dan Masa Depan
Dengan teknik ini, Anda telah berhasil mengimplementasikan pencarian produk dengan tidak jelas, yang memungkinkan kecerdasan buatan untuk lebih baik mengatasi masukan pengguna. Dalam contoh sederhana kami, kami hanya memiliki sejumlah terbatas produk, yang membuat penyesuaian menjadi mudah. Namun, jika Anda memiliki basis data yang lebih besar dengan lebih dari 1000 produk, mungkin diperlukan teknik tambahan seperti embeddings untuk mengeksplorasi cara-cara yang lebih baik dalam mengidentifikasi kesamaan. Hal ini akan membantu kami juga mencari secara efisien dalam dataset yang lebih besar.
Ringkasan
Secara keseluruhan, panduan ini menunjukkan bagaimana Anda dapat mengimplementasikan pencarian produk yang tidak jelas dengan alur yang tepat, untuk memudahkan pencarian produk bagi pelanggan, bahkan ketika mereka tidak yakin dengan nama produknya. Perubahan pada logika pencarian dan penyesuaian parameter memungkinkan solusi yang efisien, mudah diimplementasikan, dan meningkatkan pengalaman pengguna.
Pertanyaan Umum
Bagaimana cara kerja pencarian produk yang tidak jelas?Pencarian produk yang tidak jelas akan mengembalikan semua nama produk ketika tidak ditemukan hasil dari pencarian yang tepat, sehingga kecerdasan buatan dapat memilih nama yang tepat.
Apa yang perlu saya ubah dari fungsi "temukan produk"?Anda perlu mengubah logika sehingga mengembalikan semua nama produk ketika tidak ada hasil yang tepat ditemukan.
Bagaimana cara menguji logika pencarian baru?Masukkan nama produk yang tidak jelas, misalnya "do you have the en77", dan periksa apakah produk yang benar ditemukan.
Bagaimana kecerdasan buatan menangani ratusan produk?Kecerdasan buatan dapat menangani ratusan produk, selama batas token tidak terlampaui, namun pada volume data yang lebih besar, embeddings mungkin menjadi pilihan yang lebih baik.
Apakah pencarian ini juga berfungsi untuk basis data produk besar?Ya, logika dasarnya juga berfungsi untuk basis data produk besar, namun mungkin diperlukan teknik tambahan untuk memastikan keefektifan dan keakuratan.
