الذكاء الاصطناعي في التجارة الإلكترونية: قاموس البحث الحي

قد يبحث العميل عن «شاحن تايب سي»، بينما يحمل المنتج في الكتالوج اسم «كابل USB-C». وقد يكتب «روج مطفي» بدلاً من «أحمر شفاه بلمسة مطفأة»، أو اسم علامة بحروف عربية بينما خزّنها المتجر بالإنجليزية. المنتج موجود، لكن طبقة المطابقة تتعامل مع الاختلاف كأن السلعة غير متوافرة. لا يظهر هذا الفشل دائماً في قائمة الطلبات الملغاة؛ يظهر كجلسة انتهت قبل الوصول إلى صفحة المنتج.

المعالجة اليدوية المعتادة هي إضافة مرادف كلما وصلت شكوى أو لاحظ الفريق عبارة متكررة. لكن القاموس يتقادم سريعاً، وتختلف اللغة بين الحملات والمواسم والمناطق. والأسوأ أن المرادف الخاطئ لا يفشل بهدوء: قد يعرض شاحناً غير متوافق، أو يخلط مقاس الطفل بالبالغ، أو يربط مادة صناعية باستعلام عن خامة طبيعية. هنا تتحول محاولة رفع التحويل إلى تضليل في نتائج البحث.

• لا تعالج المشكلة بإطالة أسماء المنتجات وحشوها بكل صياغة محتملة.
• افصل لغة العميل في سجل البحث عن بيانات المنتج المعتمدة في الكتالوج.
• اعتبر البحث بلا نتائج وفشل النقر إشارتين تشغيليتين، لا تقريراً تسويقياً فقط.

في الذكاء الاصطناعي في التجارة الإلكترونية، لم يعد تحسين البحث مقتصراً على مطابقة الكلمات حرفياً. تستطيع النماذج تحليل الأخطاء الإملائية، والكتابة الصوتية بين العربية والإنجليزية، واللهجات، والعلاقة بين الاستخدام والمنتج. ويمكنها تجميع آلاف الاستعلامات المتشابهة في نية واحدة، ثم اقتراح ربطها بفئة أو سمة أو مجموعة منتجات.

لكن الانتقال من قراءة الاستعلام إلى نشر قاعدة بحث انتقال في السلطة، لا في التقنية فقط. عبارة مثل «للآيفون» قد تعني توافقاً تقنياً يجب إثباته من بيانات المنتج، لا مجرد ظهور كلمة iPhone في الوصف. لذلك يجب أن ينتج الذكاء مسودة قاعدة مع أدلتها: الاستعلامات الأصلية، حجمها، المنتجات التي نقرها العملاء بعدها، السمات المشتركة، والاستثناءات التي لا تنطبق عليها القاعدة.

• الآلة تجمع الاستعلامات وتزيل التكرار وتقترح النية.
• الإنسان يراجع المعنى التجاري والتوافق والسمات الحساسة.
• النظام ينشر القاعدة بإصدار معروف ويحتفظ بإمكان الرجوع.

المسار الأنسب لمعظم المتاجر هو أن يعمل الذكاء في الخلفية يومياً: يقرأ استعلامات بلا نتائج، والاستعلامات التي تنتج نقرات ضعيفة، والصياغات التي تنتهي بشراء بعد إعادة البحث. ثم ينشئ بطاقات مقترحة، تحمل كل منها العبارة، والنية المحتملة، والمنتجات المرشحة، وحجم الاستخدام، ودرجة الثقة، وأثر النشر المتوقع.

تمر القاعدة آلياً فقط عندما تكون مطابقة لنفس المنتج أو السمة الموثقة وقابلة للتراجع، مثل توحيد خطأ إملائي واضح. أما القواعد التي توسع المعنى أو تمس التوافق والمقاس والعمر والخامة والعلامة فتنتظر اعتماد مسؤول الكتالوج. وتُمنع القاعدة إذا لم يستطع المراجع معرفة سبب الاقتراح من البطاقة نفسها؛ فالمراجعة التي تتطلب إعادة التحقيق من الصفر ليست نقطة مراجعة جيدة.

• نشر آلي مقيد: أخطاء كتابة واضحة وتحويلات معروفة لا تغير المعنى.
• اعتماد بشري: مرادف يربط فئتين أو يغيّر التوافق أو السمات.
• منع افتراضي: قاعدة مبنية على بيانات قليلة أو تتعارض مع حقيقة المنتج.

اختبرت ورقة عمل حديثة سبعة تدفقات للذكاء الاصطناعي التوليدي داخل منصة تجارة عابرة للحدود. تراوحت آثار المبيعات من نتائج إيجابية كبيرة إلى أثر سلبي لبعض التطبيقات. رفع تحسين استعلامات البحث المبيعات 2.93%، ورفع توليد أوصاف المنتجات المبيعات 2.05%، بينما سجل تحسين عناوين إعلانات Google اتجاهاً سلبياً قدره 4.5%. بعض النتائج الأخيرة لم تكن دالة إحصائياً، لكنها تكسر افتراض أن زيادة التوليد تعني زيادة المبيعات. (tse-fr.eu)

الدرس التنفيذي ليس نقل النسب إلى متجر سعودي، بل اختيار مهمة يملك فيها النموذج مدخلات قابلة للتحقق ومقياساً قريباً من العميل. في البحث، يمكن مقارنة الاستعلام قبل المعالجة وبعدها، والمنتجات المعروضة، والنقرات والطلبات. أما توليد لغة إعلانية مفتوحة، فيصعب أحياناً فصل أثر الصياغة عن الجمهور والمزايدة والعرض. وضوح خط القياس جزء من اختيار حالة الاستخدام، لا خطوة تأتي بعد التنفيذ.

• استخدم نتيجة التجربة لتحديد اتجاه اختبار، لا لبناء توقع مالي مضمون.
• ثبّت السعر والمخزون والحملة قدر الإمكان أثناء قياس أثر قاعدة البحث.
• لا تجمع قواعد مستقلة في إطلاق واحد إذا كنت تريد معرفة ما الذي صنع الفرق.

ضع المراجعة البشرية حيث يستطيع المرادف تغيير توقع العميل. يحتاج الاقتراح إلى اعتماد عندما يربط علامة ببديل عام، أو ملحقاً بجهاز، أو استخداماً طبياً بمنتج استهلاكي، أو وصفاً للخامة بسمة لم يوثقها المورد. ويحتاج أيضاً إلى مراجعة إذا كان الاستعلام مرتفع الحركة؛ لأن خطأ صغيراً في قاعدة واسعة قد يعيد ترتيب آلاف الجلسات.

توصي مبادئ أخلاقيات الذكاء الاصطناعي لدى سدايا بإظهار الإشراف البشري والحوكمة عبر دورة النظام، وتوثيق مقاييس الأداء والإخفاقات. كما يدعو إطار NIST إلى تحديد أدوار الإنسان والآلة، ومراقبة الأداء في التشغيل، وتسجيل إمكان التجاوز والرجوع. في قاموس البحث، تترجم هذه المبادئ إلى مالك لكل قاعدة، وسبب للنشر، وتاريخ انتهاء أو إعادة تقييم، وسجل للتعديلات البشرية. (sdaia.gov.sa)

• راجع أي قاعدة تمس التوافق أو السلامة أو الفئة العمرية أو حقيقة المنتج.
• دقّق عينة دورية من القواعد الآلية حتى لو بقيت المؤشرات الإجمالية مستقرة.
• راقب القواعد التي يرفضها البشر؛ فهي بيانات تدريب أهم من كثرة المقترحات المقبولة.

في سيناريو تطبيقي بلا نتائج مفترضة، يبدأ متجر تجزئة بتصدير استعلامات أربعة أسابيع مع عدد النتائج والنقرات والإضافة إلى السلة والطلب اللاحق. تُحذف البيانات الشخصية، ثم يجمع الذكاء الصياغات المتقاربة ويقترح قواعد لعشرين مجموعة فقط. يعتمد مسؤول الكتالوج القواعد، وتُنشر على جزء من الجلسات أو الاستعلامات المؤهلة مع الاحتفاظ بمجموعة ضابطة.

المؤشر الأساسي هو تحويل جلسات البحث المؤهلة: الطلبات المكتملة مقسومة على الجلسات التي استخدمت الاستعلامات المختبرة. ويُراقب معه معدل البحث بلا نتائج، والنقر على نتيجة، وإعادة صياغة الاستعلام، والمرتجعات المرتبطة بعدم المطابقة. تصف مولْكوم رسمياً بيئة تجمع المتجر والمنتجات والطلبات والمخزون ونقاط البيع وأدوات الذكاء الاصطناعي؛ وهذا الاتصال قد يسهل ربط الإشارة بالطلب، لكنه لا يثبت أن سير عمل قاموس البحث الموضح هنا متاح تلقائياً أو يحقق نتيجة محددة. (mollkom.com)

• وسّع القواعد التي ترفع التحويل أو تقلل الفشل من دون زيادة عدم المطابقة.
• عدّل القواعد التي تحسن النقر ولا تحسن الطلب؛ فقد تكون النتائج جذابة وغير دقيقة.
• أوقف القاعدة فوراً إذا ارتفع الرجوع إلى البحث أو ظهرت شكاوى توافق متكررة.