Глоссарий AI-терминов для eCommerce-команд

LLM — это модель, которая понимает текстовые запросы, удерживает контекст разговора и формирует связный ответ на естественном языке.

Покупатель описывает задачу своими словами, а консультант переводит это в понятные требования к товару: тип, характеристики, ценовой диапазон и ограничения.

Промпт задаёт роли, правила и формат ответа модели, а prompt engineering помогает сделать этот ответ управляемым и полезным для конкретного сценария.

Для карточки товара промпт может требовать отвечать только по данным магазина, сравнивать модели по ключевым характеристикам и завершать ответ следующим шагом к покупке.

Токены — это единицы текста, которыми модель измеряет вход и выход: от них зависят лимиты контекста, скорость ответа и стоимость обработки.

Если в ответ подмешивать слишком много описаний товаров, история диалога становится дороже и медленнее, поэтому каталожный контекст нужно собирать аккуратно.

Контекстное окно — это объём информации, который модель может одновременно учитывать при генерации ответа.

В консультации по выбору телевизора в контекст попадают запрос пользователя, история уточнений, несколько релевантных SKU и правила показа ассортимента.

Alignment — это способы сделать поведение модели более полезным, безопасным и предсказуемым, в том числе через обучение на инструкциях и человеческой обратной связи.

Для eCommerce это означает, что консультант не уходит в фантазии, не спорит с данными каталога и держит тон ответа в рамках бренда.

RAG соединяет поиск по данным магазина с генерацией ответа, чтобы модель отвечала не абстрактно, а на основе актуального каталога, цен и наличия.

Покупатель спрашивает о холодильниках до определённого бюджета, а система сначала поднимает релевантные модели и только потом формирует консультацию.

Эмбеддинги переводят текст, атрибуты и смысловые сигналы в векторное представление, которое можно сравнивать по близости.

Фраза «крем без запаха для чувствительной кожи» может находить релевантные товары даже без точного совпадения слов в карточке.

Векторный поиск находит элементы по смысловой близости, а векторная база хранит такие представления и быстро возвращает похожие результаты.

Это позволяет поднимать товары и фрагменты каталога для свободных запросов вроде «подарок мужчине для бега зимой».

Ключевой поиск ищет по совпадению слов, а семантический пытается понять смысл запроса и сопоставить его с атрибутами и описаниями товаров.

Если пользователь пишет «тихий робот-пылесос для квартиры с животными», семантический слой помогает найти подходящие модели даже без точных формулировок в названии SKU.

Гибридный поиск комбинирует лексические и семантические сигналы, чтобы выдача учитывала и точные совпадения, и смысл запроса.

Это особенно полезно в электронике и fashion, где пользователи смешивают точные характеристики с более размытыми описаниями задачи или стиля.

Реранкинг — это второй этап отбора, когда из уже найденных кандидатов система поднимает наверх самые подходящие варианты.

После первичного поиска консультант может пересортировать выдачу так, чтобы первыми показать товары с лучшим соответствием запросу и бизнес-правилам.

Tool calling позволяет модели вызывать внешние функции и данные, а агентный подход помогает разбивать задачу на несколько шагов с проверкой результата.

В корзине ассистент может одновременно проверить наличие, уточнить совместимость товара и сформировать следующий шаг для покупки.

AI shopping assistant — это консультант, который помогает покупателю уточнить потребность, разобраться в ассортименте и перейти к покупке без перегруза фильтрами.

Он может работать в поиске, на карточке товара и в корзине, где особенно важны объяснение различий, подбор альтернатив и снятие сомнений.

Диалоговая коммерция переводит часть покупательского пути в разговорный интерфейс, где пользователь формулирует цель своими словами и получает помощь в ответ.

Вместо ручного перебора фильтров покупатель пишет задачу, а система задаёт уточняющие вопросы и ведёт к подходящему решению.

Диалоговые рекомендации строятся вокруг нескольких шагов уточнения: система собирает предпочтения, пересобирает выдачу и объясняет выбор.

На карточке ноутбука ассистент может уточнить сценарий использования, бюджет и важные характеристики, а затем предложить альтернативы без повторного поиска.

Product discovery — это набор механизмов, которые помогают покупателю найти подходящий товар, даже если он не знает точное название модели или атрибута.

Запрос «лёгкая коляска для города и путешествий» должен привести не к формальному совпадению слов, а к реальному набору релевантных товаров.

Персонализация адаптирует выдачу и рекомендации под конкретного пользователя, его историю взаимодействий и текущий контекст сессии.

Если покупатель обычно выбирает определённые бренды и ценовой диапазон, ассистент может сразу сместить рекомендации в эту зону.

Это механики, которые помогают предложить сопутствующий товар, более подходящую модель или готовый комплект без давления на пользователя.

В карточке смартфона ассистент может подобрать совместимые аксессуары и объяснить, почему именно они подходят под сценарий покупателя.

Обогащение каталога приводит товарные данные к единому виду: выравнивает атрибуты, бренды, единицы измерения и заполняет критичные характеристики.

Если в одной карточке указано USB-C, а в другой Type-C, система должна понимать, что это один и тот же смысловой сигнал для подбора.

Качество AI-поиска оценивают и по релевантности выдачи, и по онлайн-метрикам поведения: переходам, add-to-cart, конверсии и выручке.

Для запуска на проде сначала проверяют, насколько система поднимает нужные товары выше, а затем смотрят влияние на реальные бизнес-сценарии.

A/B-тестирование сравнивает контрольную и экспериментальную версии сценария, чтобы понять реальное влияние изменения на метрики.

Так можно проверить, даёт ли AI-консультант прирост к поисковой конверсии или add-to-cart относительно текущего пути пользователя.

LLMOps — это процессы эксплуатации LLM-приложения: мониторинг качества, управление затратами, логирование, безопасность и выпуск обновлений без потери контроля.

Для AI-консультанта это означает отслеживание ответов, ошибок, latency, стоимости, регрессий в релевантности и инцидентов по данным.

Для пользовательского AI-сценария критичны скорость ответа и экономика обработки: чем дольше и дороже запрос, тем сложнее удерживать качество сервиса на масштабе.

В поиске и консультации по подбору важно не только ответить точно, но и уложиться в ожидания пользователя по времени.

Галлюцинации возникают, когда модель формулирует убедительный, но недостоверный ответ. Grounded answers уменьшают этот риск за счёт опоры на проверяемые данные.

В eCommerce это особенно критично для характеристик, совместимости, наличия и ограничений товара.

Prompt injection — это попытка через пользовательский ввод или внешний контент заставить модель нарушить правила, раскрыть лишнее или выполнить нежелательное действие.

Если система умеет вызывать инструменты или использовать внешние данные, защита от таких сценариев становится обязательной частью продакшена.

PII — это персональные данные, а минимизация данных означает передавать в AI-сценарий только то, что действительно нужно для ответа и измерения эффекта.

Для shopping assistant это может означать отделение поведенческих сигналов от идентифицирующих данных и контроль над тем, что уходит в логи и внешние модели.