Architektura elektronického obchodu v rámci GenAI: API, data a JSON

V tomto článku najdete analýzu transformace architektury elektronického obchodu směrem k systémům určeným pro inteligentní agenty, což vyžaduje odklon od struktur vytvořených výhradně pro frontend. Dozvíte se, jak vytvářet produktová data a schémata JSON "připravená pro AI", která minimalizují riziko halucinace modelů, a jak optimalizovat rozhraní API pro systémy RAG. Dozvíte se také o úloze middlewarové vrstvy Semly, která standardizuje data a umožňuje rychle implementovat funkce AI při kontrole nákladů a zabezpečení.

Proč měnit architekturu internetového obchodu v rámci generativní umělé inteligence?

Generativní umělá inteligence si vynucuje posun v uvažování o backendu elektronického obchodu od přístupu "API pro front end" k přístupu "API pro inteligentní agenty".

Nové typy uživatelů API

Vaše rozhraní API bude využívat nejen stránka obchodu nebo mobilní aplikace, ale také:

• produktové chatboty (RAG, agenti AI),

• vrstva doporučení a personalizace (LLM jako orchestrátor),

• potrubí pro generování obsahu (asynchronní AI yobs),

• analytické nástroje s jazykovou vrstvou.

Semlyho role v této změně

Semly funguje jako mezivrstva mezi obchodem a generativními modely. Standardizuje data o produktech a událostech, spravuje výzvy, ukládání do mezipaměti a náklady na model, což umožňuje vývojářům soustředit se na doménovou logiku obchodu namísto detailů integrace s LLM.

Jaké nároky klade generativní umělá inteligence na architekturu elektronického obchodu?

Klíčové případy použití AI vs. potřeby dat

• Produktový chatbot: Potřebuje úplné údaje o produktu, dostupnosti, ceně a kontextu uživatele.
• Sémantický vyhledávač: Vyžaduje bohaté popisy a rozhraní API pro vyhledávání, které umožňuje filtrování a třídění.
• Doporučení z LLM: Potřebují strukturované behaviorální události (view, add_to_cart, purchase).

Typy dat nezbytné pro kvalitní umělou inteligenci

• Údaje o výrobku (ID, texty, technické atributy, marketing, SEO, multimédia, vztahy).

• Údaje o události (Standard GA4: view_item, add_to_cart, begin_checkout, purchase).

• Kontextové údaje (vstupní kanál, lokalita, obchodní omezení).

Návrh rozhraní API obchodu v rámci generativní umělé inteligence

REST vs. GraphQL v kontextu umělé inteligence

Architektury "připravené na umělou inteligenci" často kombinují oba přístupy:

• REST: Ideální pro export katalogů a dávkování (ETL do vektorového indexu).
• GraphQL: Umožňuje stáhnout přesně ta pole, která potřebujete, z promtů na vyžádání.

Příklad odpovědi GET /api/products/{id} s ohledem na umělou inteligenci:

{
"@context": "https://schema.org/",
"@type": "Product",
"name": "Běžecké boty modré",
"brand": {"@type": "Brand", "name": "Acme Sports"},
"offers": {
"@type": "Offer",
"priceCurrency": "EUR",
"price": "69.51"
}
}

Údaje o produktech v rámci generativní umělé inteligence

Standardizace a taxonomie

Aby umělá inteligence mohla vyvozovat smysluplné závěry, musí být data konzistentní. Je vhodné se inspirovat standardy schema.org/Product a specifikací Google Merchant Center.

Příklad modelu v duchu schema.org:

{
"cart_id": "cart-123",
"items": [{
"product_id": "TRAIL-001",
"quantity": 1,
"unit_price": 92.76
}],
"total": 92.76,
"currency": "EUR"
}

Struktury JSON pro výměnu dat s modely AI

JSON nákupního košíku a relace uživatele

Nákupní košík představuje pro chatbota klíčový kontext:

{
"id": "product-uuid",
"sku": "TRAIL-001",
"slug": "trail-bezecke-boty",
"title": "Trail Běžecké Boty",
"brand": "Acme Sports",
"attributes": {
"terrain": "trail",
"cushioning": "vysoké",
"weight_g": 280
},
"price": {"amount": 92.76, "currency": "EUR"},
"availability": "skladem"
}

JSON uživatelských událostí

Po vzoru GA4 přijmout společný formát:

{
"event_type": "zobrazit_polozku",
"occurred_at": "2026-01-12T10:05:00Z",
"ecommerce": {
"items": [{"item_id": "TRAIL-001", "price": 92.76}],
"currency": "EUR"
}
}

Vrstva historie událostí a chování uživatelů

Pokud sbíráte události prostřednictvím GA4, Segment nebo Snowplow, máte již základnu. V případě umělé inteligence se události používají k personalizaci odpovědí a zjišťování záměrů.

Integrace s generativní AI v praxi

Architektonické vzory

• Umělá inteligence mikroslužeb: Zodpovídá za integraci s LLM a přípravu výzev.

• Middleware / BFF: Frontend komunikuje s BFF, který kombinuje data z rozhraní API obchodu a umělé inteligence.

• Pracovníci s umělou inteligencí řízeni událostmi: Asynchronní generování popisů po události "ProductCreated".

Bezpečnost a náklady

Jak Semly podporuje vývojáře?

Semly řeší problémy integrace tím, že poskytuje:

1. Standardizace dat: Mapování struktur (Shopify, Magento) na model připravený pro umělou inteligenci.
2. Hotová vrstva API: Koncové body pro chatbota a doporučení.
3. Kontrola kvality: Mechanismy ukládání dotazů do mezipaměti a monitorování.

Často kladené otázky pro vývojáře

Jak začít implementaci na stávající platformě SaaS (např. Shopify, Shopware)?

K efektivnímu exportu katalogu produktů a streamování událostí je třeba využít stávající rozhraní API (REST nebo GraphQL). Klíčovým krokem je identifikovat mezery v produktových datech, jako jsou nedostatečné popisy nebo chybějící technické atributy, a naplánovat jejich zaplnění. Namísto přímého propojení frontendu s modely LLM se doporučuje přidat mezivrstvu, jako je Semly

Co dělat v případě neúplných nebo nekonzistentních údajů?

Umělá inteligence může "vyplnit mezery" v přirozeném jazyce, nesmí se však spoléhat na fakta, jako jsou technické parametry nebo kompatibilita. Nejbezpečnější strategií je používat AI pouze k obohacení popisů na základě již ověřených technických údajů. V samotných výzvách musí být modelu výslovně zakázáno "hádat" - musí otevřeně sdělit nedostatek informací, pokud je ve zdroji nenajde. Současně je třeba investovat do kvality dat u zdroje, například v systémech PIM.

Je pro začátek nutné mít samostatný datový sklad a úložiště funkcí?

Na samém začátku to není nutné - můžete začít s jednoduchým exportem katalogu a událostí přímo do Semly nebo do služby AI podle vašeho výběru. Datový sklad a úložiště funkcí se však stanou zásadními ve fázi škálování řešení, kdy je potřeba kombinovat data z více zdrojů, vytvářet pokročilá hybridní doporučení nebo obsluhovat více značek a trhů současně.

Jak přistupovat k migraci dat produktů do nové struktury JSON?

Doporučuje se vytvořit mapovací vrstvu mezi stávajícím datovým modelem a cílovým standardizovaným schématem "připraveným na umělou inteligenci". Tento proces může probíhat postupně - mapování může být na začátku částečné a data mohou být postupně obohacována prostřednictvím každodenních merchandisingových procesů nebo automatizovaných procesů AI generujících chybějící popisy na základě dostupných atributů.

Souhrn

Úspěšná implementace generativní umělé inteligence v internetovém obchodě je proces, který přesahuje jednoduchou integraci s chatbotem. Vyžaduje zásadní přetvoření způsobu, jakým systém "hovoří" s algoritmy, a přesunutí důrazu z vizuální prezentace na přesnou strukturu dat.

Zde jsou klíčové pilíře moderní architektury elektronického obchodu:

• Sémantická rozhraní API (REST a GraphQL): Základem je odklon od rozhraní určených výhradně pro frontend. Architektura musí nabízet koncové body, které poskytují modelům LLM plný obchodní kontext bez zbytečného informačního šumu. Klíčovým nástrojem se zde stává jazyk GraphQL, který umožňuje načítat přesné sady polí (např. pouze technické atributy a dostupnost) přímo do výzvy.
• Bohaté a standardizované údaje o produktech: Modely umělé inteligence nejlépe fungují na strukturovaných datech, která odpovídají standardům, jako je schema.org nebo Google Merchant Center. Úplný model produktu musí obsahovat nejen marketingové popisy, ale především typizované technické atributy (např. hmotnost, výkon, kompatibilita) a seznam konkrétních výhod a použití.
• Strukturované události (Events): Data o chování uživatelů (zobrazení, přidání do košíku, nákup) přestávají být jen surovými záznamy pro analýzu a stávají se palivem pro personalizaci. Tyto události v kombinaci s historií relací umožňují umělé inteligenci přesně detekovat nákupní záměr zákazníka.

Zdroje:

• commercetools HTTP API - Produkty
• Shopify Storefront API - Objekt výrobku
• Google Merchant Center - Specifikace údajů o výrobku
• Google Analytics 4 - Měření elektronického obchodování
• Vertex AI Search for Commerce - Uživatelské události
• GA4 - Doporučené akce pro maloobchod/obchod
• Sněhový pluh - Průvodce migrací GA (diagramy událostí)

Sdílet:

Kopírovat odkaz