小売 / 電子商取引プラットフォーム
Shopify：商品情報の統合と標準化
- 企業
- Shopify
- 国
- カナダ
- 導入状況
- 運用中
- 資料公開
- 日付の基準
- 資料が公開された時点。導入を開始した日とは異なる場合がある。
- 根拠の確認方法
- 原文の本文を閲覧
業務課題
Shopifyには数百万の販売者がそれぞれ違うやり方で商品を載せる。商品情報の大半は決められた欄ではなく自由な記述の文で入り、販売者ごとに属性の名前と値を自分で決めるので構造がばらばらである。誤字や空の値、誤った分類も混ざり、ある情報は文ではなく画像にしかない。その結果、意味を基にした検索とフィルタがうまく効かず、同じ商品が重複して散らばる。
使った技術とデータ
ShopifyはGlobal Catalogueという商品情報の層を作った。第一の層は、毎日1,000万件を超える商品の更新をストリーミングで受ける。第二の層は、vision large language modelを細かく調整し、分類、属性の抽出、画像の理解、題名の標準化、説明の要約、レビューの要約を一つのモデルでまとめて処理する。第三の層は、異なる販売者が同じ商品を売っている場合をまとめ、第四の層は、まとめた商品の属性と説明、画像を合わせて代表となる商品の記録を作る。商用のAPIではなく、LlaVA 1.5 7BとLLaMA 3.2 11Bを経て、今はQwen2VL 7Bを細かく調整して使う。学習の資料は複数のLLMの注釈エージェントが作り、試験の資料は人が最終のラベルを決める。
成果
Shopifyは、推論の基盤が一日に4,000万件のLLM呼び出しを処理すると述べた。必要な項目だけを取り出すように学習とプロンプトのやり方を変え、中央値の遅延を2秒から500ミリ秒に減らし、GPUの使用量を40%下げたと説明した。同社は、この資料が販売者の管理画面のリアルタイムの提案、検索と推薦、Shopify Sidekickのような対話型の商取引に使われると述べた。
限界と残る課題
一日4,000万件は処理量であり、検索の成績や売上の改善率ではない。原文は、分類と属性の抽出の精度の数値を公開していない。
出典
公開資料をまとめた事例です。ATF Works導入企業の成果ではありません。