מערכת בינה מלאכותית להתאמת לוק: ראייה ממוחשבת וגרף ידע

התאמת ביגוד באמצעות AI: מדוע ההמלצות מחטיאות את המטרה

מערכת המלצות להתאמת מראה נשברת באותו מקום שוב ושוב — בקטלוג המוצרים. כל עוד המבחר קטן ואחיד, די בכללים כלליים («לכחול — בהיר», «לספורטיבי — סניקרס»).

ברגע שהקטלוג נאסף מעשרות ספקים, כרטיסי המוצר מתחילים לתאר את אותו מוצר בדרכים שונות: אצל אחד מצוינים גזרה ומרקם, אצל אחר רק קטגוריה וצבע, וחלק מהפריטים הוזנו ידנית ובלי מאפיינים כלל.

בלי ראייה ממוחשבת המערכת לא רואה את הפריט עצמו. היא עובדת עם טקסט הכרטיס: שם, קטגוריה, תגיות, היסטוריית רכישות. כל מה שלא תויג לא קיים מבחינתה — חולצה בגזרה רפויה וחולצה מחויטת באותו צבע עוברות כפריט אחד. מכאן הכישלון: הכללים לכאורה נשמרו, אבל את הסט המוצע האדם לא ילבש.

הסיבה השנייה היא אופן מדידת ההצלחה. הצוות מסתכל על קליקים ועומק צפייה, ולא על דיוק ההמלצות. קליק לא מוכיח דבר: פותחים כרטיס מתוך סקרנות וסוגרים אותו כעבור שנייה.

כשהיא לומדת מאותות כאלה, המערכת מקבעת את הפופולרי ביותר — והתאמת המראה מתכנסת לאותו סט פריטים לכולם, בלי קשר למבנה הגוף, לאירוע ולמה שכבר נרכש.

התוצאה צפויה: שיעור ההחזרות עולה, והאמון בהתאמה יורד עד כדי כך שמפסיקים להשתמש בה. להלן כיצד מטפלים בכך.

מה משתנה כשהתאמת המראה נשענת על נתונים

כשהקטלוג מתויג לפי מאפיינים — צללית, התאמה לגוף, צבע, מרקם, אירוע — ההתאמה מפסיקה לנחש לפי התמונה ובוחרת לפי תאימות מאפיינים. הפרסונליזציה של ההתאמה נבנית על גרף ידע: צמתים — פריטים ותכונותיהם, קשרים — כללי שילוב ומגבלות לפי מבנה גוף.

הפקת אפשרות אורכת שברירי שנייה, כי המועמדים מסוננים לפי קשרים ולא במיצוי כל הקטלוג, ושלושת הפריטים הראשונים נאספים מיד כסט.

מדדי איכות ההמלצות מחושבים לפי התנהגות, לא לפי הערכות: שיעור המקרים שבהם הפריט הנבחר מופיע בשלוש האפשרויות הראשונות, שיעור הסשנים שבהם הבחירה נעשתה לפני עזיבת העמוד, עומק הצפייה בחלופות.

זה מפריד בין טעות התאמה לבין טעות בזמינות מידה — בעבר הן התמזגו לספרת כשל אחת, ולא היה ברור מה לתקן: את האלגוריתם או את המלאי.

שכבה נפרדת היא הופעת מוצרים חדשים. פריט בלי היסטוריית צפיות לא השתתף בהתאמה עד שצבר סטטיסטיקה; כעת הוא מקבל מיד קשרים לפי מאפיינים ונכנס לסטים באותה מידה כמו פריטים מוכרים. נעלם סוג שלם של שגיאות, שבהן פריט חדש ממתין בקטלוג בעוד ההמלצות ממשיכות להציג את הלהיטים הקודמים.

מבחינת העסק האפקט ניכר בשיעור ההחזרות ובהמרה של הקטלוג: הקונה ממעט לוותר בשלב הבחירה, כי הוא מקבל מראה מוכן ולא פריט בודד. הגבולות ישרים — בלי תמיכה במאפיינים בכרטיסים ובלי משוב על החזרות בפועל, האיכות תרד. לכן את התיוג אנו מנהלים כתהליך קבוע על פלטפורמת גרף Neo4j, ולא כטעינה חד-פעמית.

דרכי מימוש: שירות מוכן, מודל עצמאי, היברידי

הבחירה בין האפשרויות נקבעת לא לפי «עוצמת המודל», אלא לפי שני דברים: כמה נתונים יש לכם על בחירות והתנהגות קונים, ובאיזו תדירות משתנה המבחר.

פלטפורמת המלצות מוכנה מספקת התאמה עובדת תוך שבועות ספורים, אבל לומדת על קטלוגים של אחרים — בקטגוריה צרה עם מידות נדירות ותאימות מורכבת היא טועה בדיוק במקום שבו נדרש דיוק.

מודל עצמאי על הנתונים שלכם מסיר את המגבלה הזו, אבל דורש תיוג והיסטוריה מצטברת: עד מספר חודשים לתוצאה ראשונה ראויה. לכן לעתים קרובות בוחרים בסכמה היברידית — שירות חיצוני מכסה את ההתחלה הקרה, ומודל עצמאי וכללי תאימות ממשיכים ללמוד על הנתונים שלכם ובהדרגה נוטלים את עיקר העומס.

כמעט תמיד כדאי להתחיל מכללי תאימות — הם נותנים מינימום צפוי ומשמשים בדיקה לכל אחת מהאפשרויות לעיל. בהמשך מרחיבים את הסכמה ככל שנצברים נתונים.

סדר העבודות: מביקורת נתונים ועד מסירה לתפעול

אנחנו מתחילים לא מהמודל, אלא מהנתונים: בלי קטלוג נקי וסכמת מאפיינים מוסכמת, כל אלגוריתם התאמה מפיק תוצאה סבירה למראה אך אקראית. להלן סדר השלבים שבו אנו מובילים פרויקט מביקורת ועד תפעול.

1. ביקורת נתונים. מייצאים את הקטלוג, בודקים שלמות מאפיינים, מאתרים כפילויות, טבלאות מידות שבורות ופריטים בלי תמונות. מתעדים אילו מאפיינים קיימים בפועל ואילו יהיה צורך להשיג בנפרד.
2. תיוג הקטלוג. מסכמים סכמה: צבע, גזרה, מרקם, עונה, סגנון, תאימות קטגוריות. מתייגים מדגם מייצג — כללי גרף הידע נשענים על עובדה מאומתת, לא על ניחוש.
3. הגדרת צינור העיבוד. מרכיבים חילוץ מאפיינים מתמונות ותיאורים, נרמול וניהול גרסאות של מערכי נתונים. כל עדכון קטלוג עובר באותו מסלול, בלי תיקונים ידניים.
4. אימון המודל. מלמדים דירוג על זוגות «שאילתה — מראה», ובודקים בנפרד התחלה קרה: מוצרים חדשים בלי היסטוריית חשיפות לא אמורים לצנוח בתוצאות.
5. בדיקת איכות. מדדים: שיעור התשובות הרלוונטיות בטופ, עמידות לרעש בתיאורים, שיעור הכשלים. בודקים חתכים לפי קטגוריות ובנפרד — על תיוג שסוכם עם הצוות שלכם.
6. הטמעה ומסירה. מחברים את המערכת לקטלוג ולחזית החנות, מגדירים בקרת איכות אחרי השחרור, מאמנים את הצוות ומוסרים תיעוד.

כל שלב מסתיים בארטיפקט שניתן לבדוק: דוח קטלוג, סכמת מאפיינים, מדדים מתועדים, הוראות תחזוקה.

ארטיפקטים של הפרויקט: גרף ידע, סכמת נתונים, נהלים

הפרויקט מסתיים לא בהצגת אב-טיפוס עובד, אלא בסט ארטיפקטים שצוות הלקוח מפעיל ומשנה בלעדינו. הכול נמצא במאגר שלכם: מודל עם משקלים ומדדים מתועדים, גרף ידע, סכמת מאפיינים ונהלים שלפיהם המערכת מתנהלת לאחר המסירה.

• מודל מאומן — משקלים, כרטיס מדדים לפי חתכים (קטגוריה, מבנה גוף, איכות תמונה) וסקריפט לשחזור האימון, כדי שהתוצאה תחזור על עצמה בנתונים חדשים.
• גרף ידע — מוצרים, מאפיינים, סגנונות וקטגוריות כצמתים, תאימות ותחליפיות כקשרים עם משקלים; שאילתה נפרדת שולפת «מה מתאים לפריט הזה» בלי אימון מחדש.
• סכמת מאפיינים — לכל מאפיין מקור, שיטת נרמול והתנהגות בזמן השמטה, ובנוסף מערכי בדיקה שמראים שהסכמה לא התרחקה מהמודל.
• סכמת עיבוד שאילתה — המסלול מתמונת המשתמש ועד לתוצאה: היכן מחושב וקטור התמונה, היכן נחתכות קטגוריות זרות, ובאיזה שלב מתחבר הגרף.
• תיעוד המודל — מגבלות, מחלקות שגיאה ידועות, דרישות לתמונות קלט וסף ביטחון שמתחתיו המערכת מבקשת ביושר תמונה שנייה.
• תפקידי גישה — מי קורא את חזית החנות, מי עורך את הגרף, מי מפרסם את המודל; עריכות קשרים ואימון מחדש מופרדים בין סביבות, כדי ששינוי במבחר לא ישבור את התוצאות.
• נוהל עדכון — טריגרים לאימון מחדש (סחיפת תוצאות, קטגוריות חדשות), בדיקת רגרסיה על מדגם מופרד וסדר שחרור עם חזרה לגרסה קודמת של הגרף והמודל.

מקרה בוחן: כיצד עלה דיוק ההמלצות לאחר ההפעלה מחדש

מקרה של הטמעה: רשת ביגוד Mode Line עם קטלוג של עשרות אלפי פריטים. לפני ההפעלה מחדש ההתאמה נשענה על מסננים וסטטיסטיקת מכירות של הקטגוריה — המשתמש הגדיר מידה וצבע, והמערכת החזירה פריטים פופולריים.

דיוק ההתאמה לא עלה על 41%: יותר ממחצית המראות המוצעים האדם החליף ידנית, ועל האפשרות היה צריך להמתין 4–5 שניות.

את ההפעלה מחדש הרכבנו משני חלקים. ראייה ממוחשבת מפרקת תמונת מוצר למאפיינים — התאמה לגוף, גזרה, אורך, מרקם בד, גוון. גרף הידע מקשר בין המאפיינים לבין שילוביות וסוג גוף, ושכבת הדירוג ממשיכה ללמוד ממשוב: מה הוסיפו לסל, מה החזירו, מה החליפו באנלוג.

מדדים לפני ואחרי

• דיוק ההתאמה: 41% → 78% במדגם סשנים מופרד;
• זמן הפקת אפשרות: 4–5 שניות → פחות משנייה;
• שיעור ההחזרות במראות שהותאמו: 24% → 11%;
• שיעור ההזמנות עם סט של שני פריטים או יותר: 18% → 34%.

משך ההטמעה — 14 שבועות לפי שלבים: 3 שבועות לביקורת הקטלוג והתיוג, 5 — לאימון וולידציה של מודלים, 3 — לאינטגרציה בממשק, ועוד 3 — להשוואה עם לוגיקת התוצאות הקודמת ולכיוונון.

המגבלה הייתה לא האלגוריתם, אלא מילון המאפיינים: כל עוד גזרה והתאמה לגוף תוארו באופן סותר, הדיוק נתקע בתיוג ולא במודל.

במה נבדלת המלצה לפי תמונה ממסנני הקטלוג?

מסנני הקטלוג — התאמה מדויקת לפי מאפיינים שתויגו ידנית: צבע, מותג, מידה, חומר. כל עוד הכרטיס מלא והשאילתה מנוסחת במילים, המסלול צפוי וקל לניפוי — תוצאה שגויה מצטמצמת לשדה מסוים. הוא נשבר בשאילתה «מצא דומה לתמונה הזו»: שם אין מאפיינים, רק צילום.

חיפוש לפי תמונה פותר את הבעיה ההפוכה. הצילום עובר דרך מקודד והופך לוקטור שבו גזרה, מרקם, צבע וצללית נלקחים בחשבון יחד, ולא לפי שדה אחד; מודלים כאלה פועלים על ארכיטקטורות מולטימודליות מסוג CLIP. ההשוואה נעשית לפי קרבה בין וקטורים, ולכן נמצא פריט שלא תואר באף תגית.

בהתחלה קרה המסלולים נבדלים ביותר: מסננים לא צריכים היסטוריית אינטראקציות, חיפוש וקטורי צריך — אבל הצילום עצמו מחליף אותה חלקית. לכן סכמות טהורות בפרודקשן כמעט לא קיימות: סינון וקטורי יוצר מועמדים, מסננים פועלים כמגבלות (זמינות מידה, עונה, סוג גוף), ודירוג מחדש מתחשב בהתנהגות. איכות ההיבריד ניכרת בשיעור השאילתות שבהן המוצר הרלוונטי נשאר בעשירייה הראשונה.

שאלות ששואלים לפני תחילת הפרויקט

לפני ההתחלה שואלים אותנו לרוב לא על המודל, אלא על הנתונים: האם הקטלוג יספיק ומה לעשות עם מאפיינים לא אחידים של ספקים. צבע, גזרה, עונה והרכב מגיעים בשלמות שונה — חלק מהשדות מולאו ידנית, חלק יוצאו ממערכות חשבונאיות, ובדיוק מזה תלוי היכן המערכת עונה בביטחון והיכן מנחשת.

לוחות הזמנים של ההטמעה נקשרים למוכנות הנתונים, לא ללוח השנה: את סביבת העבודה הראשונה מרכיבים על מקטע עם מאפיינים מאומתים ומרחיבים לפי מידת השליטה במדדים. לאחר ההפעלה המודל מלווה — קולקציות חדשות, תזוזות עונתיות ופערים בייצואי ספקים מנוטרים מראש, לא לפי תלונות.

כיצד להתמודד עם מאפיינים לא אחידים של ספקים?

מביאים אותם למפתח ערכים אחיד ולכללי התאמה: חלק נסגר באמצעות מילון מילים נרדפות, פריטים שנויים במחלוקת מתויגים ידנית. לכל קטגוריה נשאר דוח כיסוי — רואים כמה פריטים תוארו במלואם.

איך בודקים איכות לפני ההפעלה?

מכינים מערך בקרה של שאילתות והתאמות ייחוס ומריצים עליו כמה איטרציות. מסתכלים לא על הדיוק הכללי, אלא על שיעור השגיאות החמורות — כשמוצע פריט לא תואם במידה, בעונה או בסגנון.

מי מתחזק את המודל לאחר ההטמעה?

המודל מזדקן יחד עם המבחר: מתחלפות קולקציות, שמות גוונים, ספקים. הנוהל כולל אימון מחדש על חתך נתונים חדש, בקרת מדדים וניתוח התאמות שנויות במחלוקת; קטגוריות חדשות מחברים בשלבים.

כיצד מובטחת הסודיות?

תמונות ונתוני קטלוג מעובדים בסביבת הלקוח או בסביבה נפרדת, הגישות מופרדות לפי תפקידים, והייצואים עוברים אנונימיזציה. בנפרד מתעדים אילו נתונים נשארים אצלנו ואילו אינם יוצאים מתשתית הלקוח.

נדון במשימה: כיצד נתחיל לעבוד על המערכת

מערכת התאמת המראה נשענת לא על המודל, אלא על הנתונים: גרף ידע על מוצרים נאסף ממאפייני הקטלוג, וראייה ממוחשבת לומדת מצילומים אמיתיים ומהאופן שבו קונים בוחרים פריטים. לכן תחילת הפרויקט מתחילה במיפוי מה שכבר קיים — אחרת הערכת המשימה הופכת לניחוש, ותוכנית ההטמעה לרשימת משאלות.

מה נדרש מצדכם:

• ייצוא הקטלוג במצבו הנוכחי: מקטים, קטגוריות, מאפיינים, טבלאות מידות, זמינות לפי אזורים.
• תמונות מוצרים ואם יש — צילומי קונים — מהם רואים עד כמה תנאי הצילום שונים מצילום סטודיו.
• תיאור המסלול הנוכחי של הקונה: היכן הוא מחפש מראה, באיזה שלב עוזב, מי מייעץ כיום.
• מגבלות תחום: רשימות חסימה, שילובים לא תואמים, עונתיות, כללי סידור.
• סביבת בדיקה של הקטלוג או ייצוא קבוע — כדי שאב הטיפוס יעבוד על נתונים חיים.
• אחראי מצדכם ומדד שלפיו תחשבו את הפיילוט כמוצלח.

בתמורה נחזיר:

• הערכת משימה לפי שלבים עם ציון מה בדיוק מזיז את לוחות הזמנים.
• תוכנית הטמעה מתיוג נתונים ועד העלאה לפרודקשן, עם נקודות בקרה.
• הרכב הפיילוט: מדור אחד בקטלוג, מערך מדדים ותנאי שמתקיים בו נרחיב את המערכת לכל המבחר.
• דרישות לנתונים ולתפקידים מצדכם, כדי שהאינטגרציה לא תיתקע באמצע.

תארו את המשימה — נחזור עם הערכה, תוכנית שלבים וגבולות הפיילוט.