Los consumidores actuales demandan la capacidad de encontrar productos de manera rápida y eficiente, facilitando su búsqueda a través de funcionalidad intuitiva. La experiencia de búsqueda sin obstáculos no solo mejora la satisfacción del usuario, sino que también afecta directamente métricas clave del negocio, como las tasas de conversión, el valor medio de los pedidos y la lealtad del cliente. Según un estudio de McKinsey, el 78% de los consumidores tiene más probabilidades de realizar compras repetidas a empresas que ofrecen experiencias personalizadas. Por lo tanto, proporcionar una funcionalidad de búsqueda excepcional se ha convertido en un diferenciador estratégico para los servicios de comercio electrónico modernos. Con catálogos de productos en constante expansión y una creciente diversidad de marcas, aprovechar tecnologías avanzadas de búsqueda es esencial para el éxito.
La búsqueda semántica permite a los proveedores de comercio digital ofrecer resultados de búsqueda más relevantes al ir más allá de la coincidencia de palabras clave. Utiliza un modelo de incrustaciones para crear incrustaciones vectoriales que capturan el significado de la consulta de entrada. Esto ayuda a que la búsqueda sea más resistente a variaciones en la redacción y acepte entradas multimodales, tales como texto, imágenes, audio y video. Por ejemplo, un usuario que ingresa una consulta que contiene texto y una imagen de un producto que le gusta, permite que el motor de búsqueda traduzca ambos en incrustaciones vectoriales usando un modelo multimodal, recuperando así elementos relacionados del catálogo utilizando similitudes de incrustaciones.
Aunque la búsqueda semántica proporciona comprensión contextual y flexibilidad, la búsqueda por palabras clave sigue siendo un componente crucial para una solución integral de búsqueda en comercio electrónico. En su núcleo, la búsqueda por palabras clave brinda la funcionalidad base esencial de coincidir con precisión las consultas de los usuarios con los datos de productos y metadatos, asegurando que nombres de productos, marcas o atributos explícitos se puedan recuperar de manera confiable. Esta capacidad de coincidencia es vital, ya que los usuarios a menudo tienen artículos específicos en mente al iniciar una búsqueda, y satisfacer estas necesidades explícitas con precisión es crucial para ofrecer una experiencia satisfactoria.
La búsqueda híbrida combina las fortalezas de la búsqueda por palabras clave y la búsqueda semántica, permitiendo a los minoristas ofrecer resultados más precisos y relevantes a sus clientes. Según un informe de OpenSearch, la búsqueda híbrida mejora la calidad de los resultados en un 8-12% en comparación con la búsqueda por palabras clave y en un 15% frente a la búsqueda en lenguaje natural. Sin embargo, combinar estos dos enfoques presenta una complejidad significativa, ya que diferentes tipos de consultas proporcionan puntuaciones en diferentes escalas. Utilizando el servicio de OpenSearch de Amazon, los clientes pueden integrar sin problemas estos enfoques combinando puntuaciones de relevancia de múltiples tipos de búsqueda en una sola puntuación unificada.
El OpenSearch Service es la base de datos vectorial recomendada por AWS para Amazon Bedrock. Se trata de un servicio completamente gestionado que los usuarios pueden emplear para desplegar, operar y escalar OpenSearch en AWS. OpenSearch es un motor de búsqueda y análisis distribuido de código abierto compuesto por un motor de búsqueda y una base de datos vectorial. Este servicio puede ayudar a operar la infraestructura de búsqueda con capacidades nativas de base de datos vectorial, ofreciendo latencias tan bajas como de un solo dígito milisegundos para búsquedas a través de miles de millones de vectores, lo que lo hace ideal para aplicaciones de IA en tiempo real.
Los modelos de incrustaciones multimodales, como Amazon Titan Multimodal Embeddings G1, disponibles a través de Amazon Bedrock, juegan un papel crítico en la habilitación de la funcionalidad de búsqueda híbrida. Estos modelos generan incrustaciones tanto para texto como para imágenes, representándolos en un espacio semántico compartido. Esto permite que los sistemas recuperen resultados relevantes a través de modalidades, como encontrar imágenes utilizando consultas de texto o combinando entradas de texto con imágenes.
Recientemente, se ha presentado una solución que permite buscar a través de un conjunto de datos de imágenes en el sector minorista, utilizando un sistema de búsqueda híbrido multimodal alimentado por OpenSearch Service. Esta solución cuenta con dos flujos de trabajo clave: uno para la ingestión de datos y otro para la consulta. En el flujo de ingestión, se generan incrustaciones vectoriales para texto, imágenes y metadatos, que luego se almacenan en un dominio de OpenSearch Service. Mientras que, en el flujo de consulta, se utiliza un pipeline de OpenSearch para convertir la entrada de consulta en incrustaciones, combinando los resultados de búsqueda semántica y por palabras clave para proporcionar resultados relevantes a los usuarios.
A medida que las empresas buscan mejorar la experiencia de búsqueda de sus clientes, la implementación de soluciones de búsqueda híbrida se erige como un paso crucial en el camino hacia la personalización y la satisfacción del consumidor.
vía: AWS machine learning blog
