Александр Сулейкин, кандидат технических наук, генеральный директор и архитектор Big Data систем компании «ДЮК Технологии» совместно с экспертом по LLM-решениям Романом Бабенко подготовили новую статью по теме применения LLM для задачи сопоставления номенклатур товаров и поставщиков - типовой задачи, с которой часто сталкиваются менеджеры по закупкам.
Статья подготовлена на базе реального Use Case пилотного внедрения в крупном ресторанном холдинге.
1. Проблема и задача
В ресторанном бизнесе эффективное сопоставление номенклатур товаров между ресторанами и поставщиками критически важно для управления запасами и оптимизации закупок. Традиционные методы сопоставления становятся неэффективными из-за роста числа поставщиков и разнообразия продуктов.
Решение
Использование цифровых ассистентов на основе больших языковых моделей (LLM) для автоматизации процесса.
Использование цифровых ассистентов на основе больших языковых моделей (LLM) для автоматизации процесса.
2. Описание Case Study
Разработан пилотный проект для крупного ресторанного холдинга, где задача заключалась в автоматизации сопоставления товаров.
Система классифицирует товары на три категории:
Категория 1: Точные совпадения.
Категория 2: Потенциальные совпадения.
Категория 3: Неподходящие товары.
Пример: для креветок критерии включали размер, наличие хвоста и очистку.
Система обрабатывает Excel-файлы через Telegram-бота, добавляя категории и цветовую маркировку.
Система классифицирует товары на три категории:
Категория 1: Точные совпадения.
Категория 2: Потенциальные совпадения.
Категория 3: Неподходящие товары.
Пример: для креветок критерии включали размер, наличие хвоста и очистку.
Система обрабатывает Excel-файлы через Telegram-бота, добавляя категории и цветовую маркировку.
3. Традиционные методы и их ограничения
• Ручное сопоставление:
Трудоемко и подвержено ошибкам.
• Алгоритмы на основе правил:
Неэффективны при разнообразии данных.
• Машинное обучение:
Требует больших объемов данных и сложно в обучении.
Трудоемко и подвержено ошибкам.
• Алгоритмы на основе правил:
Неэффективны при разнообразии данных.
• Машинное обучение:
Требует больших объемов данных и сложно в обучении.
4. Архитектура решения
Использована платформа DUC SmartSearch на базе Danswer/Flowise.
Система работает через Telegram-бота, принимает Excel-файлы и возвращает ранжированный список с цветовой маркировкой. LLM выполняет двухэтапную проверку соответствия критериям.
Система работает через Telegram-бота, принимает Excel-файлы и возвращает ранжированный список с цветовой маркировкой. LLM выполняет двухэтапную проверку соответствия критериям.
5. Вызовы и подводные камни
• Качество данных:
Некорректные данные влияют на результаты.
• Интерпретируемость:
Результаты LLM могут быть сложны для понимания.
• Контекстные ошибки:
Например, модель неправильно интерпретирует слова "Easy Peel" или "Deluxe".
Некорректные данные влияют на результаты.
• Интерпретируемость:
Результаты LLM могут быть сложны для понимания.
• Контекстные ошибки:
Например, модель неправильно интерпретирует слова "Easy Peel" или "Deluxe".
6. Результаты внедрения
Точность классификации (Accuracy) на валидационной и тестовой выборках:
Креветки: 81% / 80%
Угорь: 88% / 85%
Сыр творожный: 99% / 96%
Сыр пармезан: 96% / 77%
Масло сливочное: 90% / 81%
Средняя точность: 90,8% (валидация) и 83,8% (тест).
Креветки: 81% / 80%
Угорь: 88% / 85%
Сыр творожный: 99% / 96%
Сыр пармезан: 96% / 77%
Масло сливочное: 90% / 81%
Средняя точность: 90,8% (валидация) и 83,8% (тест).
7. Масштабирование решения
Целевое решение предполагает использование LLM для автоматического составления критериев ранжирования на основе наименования товара и требований клиента. Модель может быть дообучена для повышения точности.
8. Заключение
Внедрение ИИ-ассистентов на основе LLM позволяет автоматизировать рутинные задачи, повысить точность сопоставления и оптимизировать затраты. Это особенно актуально для ресторанного бизнеса, где задача сопоставления номенклатур товаров становится все более востребованной.
Более подробно можно прочитать в нашей статье на Хабр
→ https://habr.com/ru/articles/878762/
Ключевые выводы
• Преимущества LLM
Быстрая автоматизация, высокая точность, масштабируемость.
• Ограничения
Зависимость от качества данных, необходимость дообучения моделей.
• Результаты
Средняя точность классификации — 90,8% на валидационных данных.
• Перспективы
Активное внедрение ИИ-агентов в бизнес-процессы к 2025 году.
Быстрая автоматизация, высокая точность, масштабируемость.
• Ограничения
Зависимость от качества данных, необходимость дообучения моделей.
• Результаты
Средняя точность классификации — 90,8% на валидационных данных.
• Перспективы
Активное внедрение ИИ-агентов в бизнес-процессы к 2025 году.
Больше наших кейсов по различным направлениям можно найти по ссылке
→ https://duc-technologies.ru/cases