Jak AI dla ERP rozpoznaje SKU mimo literówek i skrótów

Klient rzadko pisze zamówienie tak, jak wygląda ono w katalogu produktowym firmy. Zamiast pełnej nazwy i kodu SKU dostajemy "śruby M8x30 jak ostatnio" albo "te same folie co w zeszłym miesiącu, tylko więcej". Dla systemu, który ma po prostu dopasować tekst do bazy danych, to spory problem. Dla AI, która rozumie kontekst, niekoniecznie.

Dlaczego klienci nie piszą pełnymi nazwami katalogowymi

To naturalne zachowanie w relacjach handlowych. Klient zna swój towar potocznie, nie zna wewnętrznych kodów firmy, z którą współpracuje. Do tego dochodzą literówki, skróty, różne warianty nazw tego samego produktu w zależności od tego, kto w firmie klienta pisze zamówienie. Jedna osoba napisze "folia stretch 20mic", druga "folia strecz 20 mikronów", a chodzi dokładnie o ten sam produkt.

Dlaczego proste dopasowanie tekstu nie wystarcza

Systemy oparte na prostym dopasowaniu tekstu do bazy danych sobie z tym nie radzą-  szukają dokładnego dopasowania i przy odchyleniu od wzorca po prostu nie znajdują produktu. W praktyce oznacza to, że każda literówka albo nietypowe sformułowanie kończy się brakiem dopasowania i koniecznością ręcznej interwencji, mimo że dla człowieka od razu wiadomo, o jaki produkt chodzi.

Jak AI uczy się katalogu produktów firmy

Mechanizm rozpoznawania SKU opiera się na dostępie do pełnego katalogu produktowego danej firmy-  nazw, kodów, jednostek miary i historii, w jaki sposób konkretni klienci nazywali dany produkt w przeszłości. Dzięki temu system nie szuka jednego dokładnego ciągu znaków, tylko rozumie znaczenie tego, co napisał klient, w kontekście tego, co ta firma faktycznie sprzedaje.

To podejście radzi sobie zarówno z literówkami, jak i z potocznymi nazwami czy skrótami-  bo opiera się na dopasowaniu semantycznym, a nie mechanicznym porównaniu tekstu. Im dłużej system pracuje z katalogiem danej firmy i historią zamówień jej klientów, tym lepiej rozpoznaje specyficzne dla niej sformułowania.

Co się dzieje przy niepewnym dopasowaniu

Nie każde zamówienie da się dopasować ze stuprocentową pewnością-  i to jest normalne. Kiedy system nie ma wystarczającej pewności, które SKU pasuje do opisu w wiadomości, nie zgaduje na siłę. Takie przypadki trafiają do weryfikacji przez człowieka, razem z podpowiedzią, o który produkt najprawdopodobniej chodzi.

To ważne rozróżnienie-  celem nie jest wyeliminowanie człowieka z procesu, tylko ograniczenie liczby przypadków, które w ogóle go wymagają. Większość zamówień, które są jednoznaczne, przechodzi bez udziału zespołu. Te niejednoznaczne trafiają na biurko handlowca z gotowym kontekstem, zamiast zaczynać od zera.

Dlaczego to ma znaczenie przy dużej skali

Im większy katalog produktowy i im więcej klientów zamawia w swój indywidualny sposób, tym trudniej byłoby to ogarnąć systemem opartym na sztywnych regułach i słownikach synonimów, które trzeba ręcznie utrzymywać. Rozpoznawanie oparte na rozumieniu kontekstu skaluje się lepiej-  nie wymaga, żeby ktoś ręcznie dopisywał każdy nowy wariant nazwy produktu, jaki wymyśli klient.