Amazon sta lavorando a una nuova iniziativa, chiamata in codice Project Nile, che prevede la revisione del suo motore di ricerca con l’aggiunta della tecnologia chatbot AI.
Secondo la trascrizione di una presentazione interna fatta all’inizio del 2023 da Joseph Sirosh, vicepresidente di Amazon Search e Alexa Shopping, un potenziale risultato dell’esperienza di ricerca migliorata è un aumento delle vendite da parte degli utenti mobili.
Si prevede che la barra di ricerca potenziata dall’intelligenza artificiale sarà più colloquiale, approfondita e personalizzata. Sirosh ha detto che sarà “mobile first”, perché è lì che le nuove funzionalità potranno avere il maggiore impatto sulle vendite.
Obiettivo: aumentare le conversioni su mobile
“Una delle cose interessanti è che su mobile abbiamo il 78-80% delle ricerche, ma una conversione molto più bassa. La conversione sul sito web è invece nettamente più alta”, ha spiegato, secondo quanto riportato nella trascrizione.
“Se riusciamo ad aumentare la conversione su mobile, perché forniamo grandi esperienze, grandi risposte di esperti, allora questo potrebbe essere un aumento potenzialmente significativo per Amazon”, ha aggiunto Sirosh.
Un aumento dei ricavi così guidato dall’intelligenza artificiale arriverebbe proprio al momento giusto per Amazon, che ha visto rallentare la crescita. Nell’ultimo trimestre, le vendite sono salite dell’11% a 134,4 miliardi di dollari, un calo notevole rispetto al tasso di espansione del 30%-40% registrato durante la pandemia.
Durante la presentazione, Sirosh ha detto che il nuovo livello di conversazione AI sarà aggiunto alla barra di ricerca Amazon attualmente esistente. Lo ha paragonato a Google Maps, che ha anche un livello di assistenza. L’aggiornamento fornirà in modo proattivo migliori risultati di ricerca, risposte di esperti e suggerimenti, ha aggiunto.
Un chatbot simile a un commesso esperto di negozio
Più in generale, Sirosh si aspetta che la nuova funzione AI sia simile a un commesso in negozio con una profonda conoscenza dei gusti e delle preferenze dei singoli acquirenti.
“Prima dell’e-commerce, il commesso del negozio era il vostro motore di ricerca. E quell’individuo sapeva tutto sui prodotti… ti guardava e sapeva cosa volevi perché clienti come te erano già stati in quel negozio. Può darsi che vi abbiano conosciuto di persona e che quindi conoscano le vostre preferenze, e quindi possono sintetizzare tutte queste informazioni in una conversazione in linguaggio naturale con voi e aiutarvi nella vostra missione di acquisto”, ha detto Sirosh durante l’incontro.
“E se si riuscisse a scalare questo aspetto a tutto il mondo di Amazon, questa sarebbe la missione futura a cui vogliamo aspirare”.
Come funziona Project Nile Amazon?
Project Nile Amazon utilizza una varietà di tecniche di intelligenza artificiale, tra cui l’elaborazione del linguaggio naturale (NLP), l’apprendimento automatico (machine learning) e deep learning, per potenziare le sue capacità di ricerca e raccomandazione.
- NLP: Project Nile la utilizza per comprendere il significato delle richieste dei clienti e generare risposte pertinenti e informative.
- ML: utilizza il machine learning per addestrare i propri modelli di ricerca e raccomandazione su un enorme set di dati dei clienti, tra cui la cronologia degli acquisti, il comportamento di navigazione e le recensioni dei prodotti.
- DL: utilizza il deep learning per addestrare i propri modelli di ricerca e raccomandazione per identificare modelli complessi nei dati dei clienti.
Natural Language Processing (NLP)
Project Nile utilizza la NLP per comprendere il significato delle richieste dei clienti e generare risposte pertinenti e informative. Ad esempio, se un cliente chiede “Qual è la migliore caffettiera?”, Project Nile utilizzerà la NLP per capire che il cliente sta chiedendo una raccomandazione per una caffettiera di alta qualità. Quindi, utilizzerà i suoi modelli ML e DL per generare un elenco di macchine da caffè che potrebbero soddisfare le esigenze del cliente.
Machine Learning (ML)
Project Nile utilizza il ML per addestrare i suoi modelli di ricerca e raccomandazione su un enorme set di dati dei clienti. Questo set di dati include informazioni quali la cronologia degli acquisti, il comportamento di navigazione e le recensioni dei prodotti. I modelli ML di Project Nile imparano a identificare i modelli in questi dati, ad esempio i prodotti che i clienti hanno maggiori probabilità di acquistare insieme o i prodotti a cui è più probabile che i clienti siano interessati.
Deep Learning (DL)
Project Nile utilizza DL per addestrare i propri modelli di ricerca e raccomandazione per identificare modelli complessi nei dati dei clienti. Ad esempio, i modelli DL di Project Nile possono imparare a identificare le caratteristiche visive dei prodotti che i clienti potrebbero trovare interessanti. Ciò consente a Project Nile di consigliare prodotti ai clienti in base alle loro preferenze visive.
I vantaggi dell’AI in Project Nile Amazon
Project Nile ha il potenziale per offrire una serie di vantaggi a clienti e rivenditori. Per i clienti, Project Nile può:
- personalizzare l’esperienza di acquisto: utilizzare i dati dei clienti per personalizzare l’esperienza di acquisto per ciascun cliente. Questo può aiutare i clienti a trovare i prodotti che stanno cercando più rapidamente e facilmente.
- Migliorare la qualità dei risultati di ricerca: le funzionalità di ricerca basate sull’intelligenza artificiale possono aiutare i clienti a trovare i prodotti che stanno cercando in modo più accurato ed efficiente.
- Scoprire nuovi prodotti: Project Nile può consigliare nuovi prodotti ai clienti in base alla cronologia degli acquisti, al comportamento di navigazione e ad altri dati. Questo può aiutare i clienti a scoprire prodotti che altrimenti non avrebbero trovato.
Per i rivenditori, Project Nile può:
- Aumentare le vendite: può aiutare personalizzando l’esperienza di acquisto per ogni cliente e migliorando la qualità dei risultati di ricerca.
- Ridurre il tasso di abbandono dei clienti: può aiutare i rivenditori a ridurre il tasso di abbandono dei clienti rendendo più facile per i clienti trovare i prodotti che stanno cercando e raccomandando nuovi prodotti.
Le sfide del Project Nile Amazon
Project Nile è un progetto complesso e deve affrontare una serie di sfide. Una di queste è la precisione. I modelli di intelligenza artificiale possono commettere errori ed è importante garantire che i modelli di intelligenza artificiale di Project Nile siano accurati e affidabili.
Un’altra sfida è il pregiudizio. I modelli di intelligenza artificiale possono essere distorti, riflettendo i pregiudizi dei dati su cui sono addestrati. È importante garantire che i modelli di IA di Project Nile siano imparziali e che non discriminino alcun particolare gruppo di persone.
Infine, Project Nile affronta anche sfide sulla privacy dei dati. Project Nile si basa su una grande quantità di dati dei clienti ed è importante garantire che questi dati siano protetti e che vengano utilizzati in modo responsabile.
Accuratezza
La precisione è una delle sfide più importanti che Project Nile deve affrontare. I modelli di intelligenza artificiale possono commettere errori ed è importante garantire che i modelli di intelligenza artificiale di Project Nile siano accurati e affidabili.
One way to improve the accuracy of Project Nile’s AI models is to train them on a large and diverse dataset. This will help the models to learn a wide range of patterns and to avoid making mistakes.
Another way to improve the accuracy of Project Nile’s AI models is to use human-in-the-loop techniques. This involves having humans review the results of the AI models and correct any mistakes.
Bias
I modelli di intelligenza artificiale possono essere distorti, riflettendo i pregiudizi dei dati su cui sono addestrati. È importante garantire che i modelli di AI di Project Nile siano imparziali e che non discriminino alcun particolare gruppo di persone.
Un modo per ridurre i pregiudizi nei modelli di intelligenza artificiale di Project Nile è utilizzare tecniche di debiasing. Queste tecniche implicano l’identificazione e la rimozione di distorsioni dai dati su cui vengono addestrati i modelli.
Un altro modo per ridurre i pregiudizi nei modelli di intelligenza artificiale di Project Nile è utilizzare tecniche human-in-the-loop. Ciò implica che gli esseri umani rivedano i risultati dei modelli di intelligenza artificiale e identifichino eventuali pregiudizi.
Protezione dei dati
Project Nile relies on a large amount of customer data, and it is important to ensure that this data is protected and that it is used in a responsible manner.
Un modo per proteggere i dati dei clienti consiste nell’utilizzare la crittografia e altre misure di sicurezza. Un altro modo per proteggere i dati dei clienti è dare ai clienti il controllo sui propri dati ed essere trasparenti su come vengono utilizzati.