Lowe’s的数据和AI团队发现，消费者在搜索商品时，经常会碰到搜索结果与需求不符的情况。
比如，用户搜索“18英寸洗碗机”，结果看到的却是“24英寸”的型号。
这些问题不仅让用户购物体验受挫，还导致许多人中途放弃购买。
作为全球家居零售巨头，Lowe’s 每周要处理约1600万次客户交易，规模庞大，但即使是顶级企业也难以避免数据准确性带来的挑战。
产品描述不准确不仅影响库存管理，还容易让客户在购物时产生困惑与不满。
这种问题显然需要一个有效的解决方案。
解决购物痛点
为了解决消费者在搜索过程中遇到的商品匹配问题，Lowe’s的AI与数据团队携手OpenAI，利用GPT-3.5模型提升产品数据的准确性。
通过“提示工程”（Prompt Engineering），即通过精心设计的提示词，AI得以更精准地理解用户的查询与产品数据，从而提供更准确的搜索结果。
在试点阶段，Lowe’s在部分产品分类中进行了测试，取得了显著成效。
搜索结果的准确度提升了20%。
例如当用户搜索“18英寸洗碗机”时，系统可以更精准地显示符合尺寸要求的产品，而不再展示不相关的商品。
这一改进大大缩短了用户筛选商品的时间，提升了购物体验。
此外，Lowe’s还扩展了这一系统，逐步应用到更多的产品类别，并通过持续的AI模型优化来进一步提高准确性。
通过标记并修正系统中的错误，部分产品分类的错误检测率提升了60%，有效减少了人工审核的工作量，并带来了更加一致的购物体验。
让通用模型成为专家
Lowe’s与OpenAI的合作背后，关键在于AI模型的“微调”（Fine-Tuning）。
那么，什么是微调？
简单来说，微调是在已有的预训练模型（如GPT-3.5）的基础上进行进一步的定制化训练，使模型能更好地适应特定任务或数据集的需求。
预训练模型基于大量通用数据进行初步训练，能够处理广泛的任务和问题。
然而，企业或个人在实际应用中，往往需要模型在特定领域表现得更出色，这时就需要对预训练模型进行微调。
微调的步骤包括：
1. 准备特定的数据集
微调过程首先需要一个与目标任务相关的专门数据集。
例如，Lowe’s使用他们的产品数据集对GPT-3.5进行微调，使模型能更精准地处理与商品描述和分类相关的问题。
2. 调整模型权重
在微调时，预训练模型的部分权重会根据新数据进行调整。这就像是让模型“重新学习”某些特定的知识。
例如，GPT-3.5经过Lowe’s的数据微调后，能够更好地理解和识别Lowe’s产品的特定特性，从而提高搜索和分类的准确性。
3. 适应特定任务
微调不仅帮助模型在特定任务上表现更好，还能减少误差、提升效率。
对于Lowe’s来说，微调后的模型在产品搜索中减少了错误匹配，显著提升了用户的购物体验。
举个例子，这就像是给一个通才进行“专才训练”。一个通才型AI能处理很多领域的问题，但在专业领域（比如家居产品描述）上，它可能不如专家表现得好。
而通过微调，AI相当于经过专门训练，成为该领域的“专家”，能够更精准地处理相关任务。
总结
Lowe’s通过微调AI模型，不仅提高了搜索结果的准确性，还为用户提供更加智能的购物体验。
AI在购物过程中的应用无疑将继续扩展，未来的电商体验将更加便捷高效。
你对AI在购物体验中的应用有何期待？欢迎分享你的想法！
本文链接：https://yunguke.com/chatgpt/384.html
chatgpt的api有哪些chatgpt是社交软件吗chatgptplus完整使用教程chatgptplus怎么付费chatgptplus官网ChatGPT PRO
网友评论