メインコンテンツへジャンプ

eコマースプラットフォームでは、優れた商品説明は商品を目立たせ、販売を促進します。 優れた商品説明は、正確で読みやすく、顧客のニーズにつながるだけでなく、ブランドや小売業者のサイトのイメージを強化するものでなければなりません。

多くの組織では、少人数のライターチームが商品コピーとも呼ばれる説明文の作成に取り組んでいます。 ビジネスのニーズによっては、ブランドとの一貫性を保ちながら、消費者の共感を得るために必要なすべての要素をバランスよく配置するまでに、商品コピーは何度も繰り返し進化することがあります。 ファッション業界など、新商品の投入頻度が高い業界では、プラットフォームで販売できるようになるまでに時間がかかります。

生成AIを使用することで、コピーライターは新しい商品説明文の作成に取り掛かることができます。 生成AIは、商品画像から基本的な説明を抽出し、商品に関する情報を組み合わせて、ブランドのニーズに沿ったトーンやスタイルを反映したコピーの草稿を作成するために使用できます。 作家はこれらを出発点として、ゼロから書き始めるよりもずっと、作家のニーズの最終状態に近い原稿を書くことができます。

ベースラインデータからの商品コピー案の作成

商品は多くの場合、サプライヤーやメーカーに関する基本的な詳細、商品の構造、小売業者の一般的な部門やカテゴリーとの整合性などがeコマース・プラットフォームに登録されます。 基本的な説明文も提供されるかもしれませんが、そうでない場合は、製品登録で提供された画像からの説明文を単純な画像からテキストへの変換モデルに送り、その情報を抽出することができます。(図1)

図1. ジェネレーティブAIによる商品コピー生成の基本ワークフロー
Figure 1. The basic workflow for generating product copy using generative AI

これらの要素は、生成される説明文のスタイルやトーンに関する指示とともに、別の形式の変換モデルである大規模言語モデル(LLM)に供給され、製品説明文のドラフトを作成することができます。 LLMのランダム性を利用し、複数の草稿を作成することができます。 (図2)

図2.商品画像と抽出された説明文とコピー案
Figure 2. Product imagery with extracted descriptions and draft copy

このワークフローは、組織内のクリエイティブな機能を強化する生成AIの力を示す優れた例です。 生成されたテキストや、生成されたテキストと最終的なコピーの関連付けに関するライターのフィードバックは、LLMがライターのニーズにより沿った結果を生成できるよう、ファインチューニングと呼ばれるプロセスでLLMにフィードバックされます。 しかし、最終的な結果を作り上げるには、常に人の目と人の手が必要です。

Databricksデータインテリジェンスプラットフォームによるワークフローの実現

上記のプロセスでは、多くの能力を結集する必要があります。 ワークフローは基本的に、構造化された情報と非構造化情報(画像データなど)の組み合わせに依存するため、多様なデータを柔軟に扱うことができるプラットフォームへのアクセスが必要です。

さらに、プラットフォームは、これらのデータを2つの異なる生成AIモデルでまとめ、さまざまなユーザーインターフェイスを通じてエンドユーザーにデータを提供する前に、継続的なプロセスの一環として、これらのモデルによるデータ処理をオーケストレーションできなければなりません。 ありがたいことに、これらの機能はすべてDatabricks データインテリジェンスプラットフォームという1つのプラットフォームで実現できます。

Databricks は、レイクハウス・アーキテクチャの基盤となるオープンソースのストレージおよびアクセスフォーマットである Delta Lake 上に構築されており、組織がその環境で扱う可能性のあるあらゆる種類のデータを扱う能力を提供します。 インタラクティブなクエリ、バッチおよびリアルタイムのワークフローを通じて、このデータは、組織の要件に応じてさまざまなモードで処理できます。

オープンプラットフォームであるDatabricksは、オープンソースおよび商用の生成AIモデルを幅広く採用することができます。 新しいFoundation Model APIにより、最も人気のあるこれらのAPIの多くが、低コストかつ最小限の構成で容易に利用できるようになりました。

また、Databricksを通じて可能になったワークフローの出力をエンドユーザーに提供するために、このプラットフォームは一般的なユーザーインターフェースパッケージやプラットフォームとの幅広い統合をサポートしています。 Databricksを利用することで、組織は、どのように構築するかではなく、何を構築したいかに集中することができます。

上記のワークフローをDatabricksで構築したエンドツーエンドの例をご覧になりたいですか? Databricksのデータインテリジェンスプラットフォームの機能を使用し、生成AIを使用して商品コピーを作成するための重要な側面をすべて示しています。

アクセラレータのダウンロード

Databricks 無料トライアル

関連記事

大規模言語モデルを用いて常識に沿った商品レコメンデーションを行う

詳細とノートブックのダウンロードについては、 LLM Solution Accelerators for Retail をご覧ください。 商品の推薦(レコメンデーション)は、現代の顧客体験の中核をなす機能です。 ユーザーは以前利用したことのあるサイトに戻ったとき、以前の利用内容に関連するレコメンデーションが表示されることを期待します。 ユーザーが特定のアイテムに興味を持ったとき、類似した関連性のある代替品が提案され、自分のニーズに合ったアイテムを見つけられることを期待します。 また、商品がカートに入れられると、ユーザーは、全体的な購買体験を完成かつ向上させる追加の商品がレコメンドされることを期待します。 このような商品のレコメンデーションが適切に行われれば、買い物がスムーズになるだけでなく、ユーザーは小売店によって認識され、理解されていると感じることができます。 商品のレコメンデーションを生成するための様々なアプローチがありますが、現在使用されているレコメンデーションエンジンのほとんどは、小売業者固有の大規模なデ

Generative AI(生成AI)時代の小売業

Original Blog : Retail in the Age of Generative AI 翻訳: junichi.maruyama Generative AI(生成AI)とは? ChatGPTのような大規模言語モデル(LLM)は、Generative AI(生成AI)という大きなトピックとともに、最近大きな注目を集めている。ユーザーが提供したプロンプトに対して、一見思慮深く、十分な情報を持った、さらには人間のような応答を生成するその能力は、本当に驚くべきものです。多くの企業がこれらをゲームチェンジするテクノロジーとして認識しており、ChatGPTを開発したOpenAIのような組織は、この話題を利用して収益をあげています。 このAIの新しい波を理解するために、まずその定義から始めましょう。Generative AIとは、文章や画像、音楽など、一見独創的で新しい創造物を生み出すことができる技術です。これらのAIは、すでに行われたことを繰り返すだけではありません。大量の事例をもとに学習させたモデルは、人間が

Using Real-Time Propensity Estimation to Drive Online Sales

Accelerated adoption of online services creates an opportunity for retail organizations to drive growth. While the sudden spike in online sales seen in...
業界一覧へ