生成AI時代のECアーキテクチャ：API、データ、JSON

この記事では、フロントエンド専用に構築された構造からの脱却が必要となる、インテリジェント エージェント向けに設計されたシステムに向けた電子商取引アーキテクチャの変革についての分析を示します。幻覚モデルのリスクを最小限に抑える「AI 対応」製品データと JSON スキーマを作成する方法、および RAG システム用に API を最適化する方法を学びます。また、Semly のミドルウェア層の役割についても学びます。これにより、データを標準化し、コストとセキュリティを管理しながら AI 機能を迅速に導入できるようになります。

なぜ生成 AI のもとでオンライン ストアのアーキテクチャを変更するのでしょうか?

生成 AI は、電子商取引のバックエンドについて、「フロントエンド用のAPI」アプローチから「インテリジェントエージェント用のAPI」アプローチへの考え方の転換を余儀なくさせています。

新しいタイプの API コンシューマ

あなたの API は、ストアフロントまたはモバイル アプリだけでなく、以下によっても消費されます。

• 製品チャットボット (RAG、AI エージェント)、

• レコメンデーションとパーソナライゼーションのレイヤー (LLM をオーケストレーターとして)、

• コンテンツ生成パイプライン (非同期 AI ヨブ)、

• 言語層を備えた分析ツール。

この変更における Semly の役割

Semly は、ストアと生成モデルの間の中間層として機能します。製品とイベントのデータを標準化し、プロンプト、キャッシュ、モデルのコストを管理し、開発者が LLM との統合の詳細ではなくストアのドメイン ロジックに集中できるようにします。

生成 AI は電子商取引アーキテクチャにどのような要件を課しますか?

主な使用例 AI とデータのニーズ

• 製品チャットボット: 完全な製品データ、在庫状況、価格設定、ユーザー コンテキストが必要です。
• セマンティック検索エンジン: 豊富な説明と、フィルタリングと並べ替えを可能にする検索 API が必要です。
• LLM からの推奨事項: 構造化された行動イベント (表示、カートに追加、購入) が必要です。

高品質なAIに必要なデータの種類

• 製品データ (ID、テキスト、技術的属性、マーケティング、SEO、マルチメディア、関係)。

• イベントデータ (GA4 標準: view_item、add_to_cart、begin_checkout、purchase)。

• コンテキストデータ (参入チャネル、場所、ビジネス上の制約)。

API デザインを生成 AI に保存する

AI のコンテキストにおける REST と GraphQL の比較

「AI 対応」アーキテクチャでは、両方のアプローチが組み合わされることがよくあります。

• REST: カタログのエクスポートとバッチ処理 (ETL からベクトル インデックスへ) に最適です。
• グラフQL: オンデマンド プロンプトで必要なフィールドを正確にダウンロードできます。

AI を考慮した GET /api/products/{id} レスポンスのサンプル:

{
"id": "product-uuid",
"sku": "TRAIL-001",
"slug": "trail-running-shoes",
"title": "Trail Running Shoes",
"brand": "Acme Sports",
"attributes": {
"terrain": "trail",
"cushioning": "high",
"weight_g": 280
},
"price": {"amount": 92.76, "currency": "EUR"},
"availability": "in_stock"
}

生成AIによる製品データ

正規化と分類法

AI が意味のある推論を行うには、データに一貫性がなければなりません。 schema.org/製品標準と Google Merchant Center 仕様からインスピレーションを受ける価値があります。

schema.org の精神に基づいたモデルの例:

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

AI モデルとのデータ交換のための JSON 構造

ショッピング カートとユーザー セッションの JSON

ショッピング カートは、チャットボットに重要なコンテキストを提供します。

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

JSON 個のユーザー イベント

GA4 モデルに従って、共通の形式を採用します。

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

イベントとユーザーの行動履歴のレイヤー

GA4、セグメント、または除雪車を通じてイベントを収集している場合は、すでに拠点を持っています。 AI の場合、イベントは応答をパーソナライズし、意図を検出するために使用されます。

生成AIとの統合の実践

アーキテクチャパターン

• マイクロサービス AI: 彼は LLM との統合とプロンプトの準備を担当しています。

• ミドルウェア/BFF: フロントエンドは BFF と通信し、ストアの API と AI からのデータを結合します。

• イベント駆動型の AI ワーカー: 「ProductCreated」イベント後の説明の非同期生成。

安全性とコスト

Semly は開発者をどのようにサポートしますか?

Semly は、以下を提供することで統合の課題に対処します。

1. データの標準化: 構造 (Shopify、Magento) を「AI 対応」モデルにマッピングします。
2. 完成した API レイヤー: チャットボットと推奨事項のエンドポイント。
3. 品質管理: クエリのキャッシュと監視のメカニズム。

FAQ 開発者向け

既存の SaaS プラットフォーム (Shopify、Shopware など) への実装を開始するにはどうすればよいですか?

製品カタログとストリーム イベントを効率的にエクスポートするには、既存の API (REST または GraphQL) を使用する必要があります。重要なステップは、不十分な説明や技術的属性の欠如など、製品データのギャップを特定し、それらを埋める計画を​​立てることです。フロントエンドを LLM モデルに直接リンクする代わりに、Semly などの中間層を追加することをお勧めします。

データが不完全または矛盾している場合はどうなりますか?

AI は自然言語の「ギャップを埋める」ことができますが、技術的なパラメータや互換性などの事実に依存してはなりません。最も安全な戦略は、すでに検証済みの技術データに基づいて説明を強化するためにのみ AI を使用することです。プロンプト自体では、モデルは「推測」することを明示的に禁止する必要があります。ソース内に情報が見つからない場合は、情報の不足を公然と伝える必要があります。同時に、PIM システムなど、ソースでのデータ品質にも投資する必要があります。

開始するには、別個のデータ ウェアハウスと機能ストアが必要ですか?

最初はこれは必要ありません。カタログとイベントを Semly または選択した AI サービスに直接エクスポートすることから始めることができます。ただし、データ ウェアハウスと機能ストアは、複数のソースからのデータを組み合わせたり、高度なハイブリッド レコメンデーションを構築したり、複数のブランドや市場に同時にサービスを提供したりする必要があるソリューションの拡張段階で重要になります。

製品データを新しい JSON 構造に移行するにはどうすればよいですか?

既存のデータ モデルとターゲットの標準化された「AI 対応」スキーマの間にマッピング レイヤーを作成することをお勧めします。このプロセスは段階的に実行できます。マッピングは最初は部分的なものでも、日々の販売プロセスや、利用可能な属性に基づいて不足している説明を生成する自動化された AI プロセスを通じて、データを継続的に充実させることができます。

概要

オンライン ストアに生成人工知能を適切に実装するには、チャットボットとの単純な統合を超えるプロセスが必要です。それには、システムがアルゴリズムと「対話」する方法を根本的に再構築し、焦点を視覚的な表現から正確なデータ構造に移す必要があります。

最新の e コマース アーキテクチャの主要な柱は次のとおりです。

• セマンティック API (REST および GraphQL): 基礎となるのは、フロントエンド専用に設計されたインターフェイスからの脱却です。アーキテクチャは、不必要な情報ノイズのない完全なビジネス コンテキストを備えた LLM モデルを提供するエンドポイントを提供する必要があります。ここでは GraphQL が重要なツールとなり、正確なフィールドのセット (技術的属性と可用性だけなど) をプロンプトに直接取り込むことができます。
• 豊富で標準化された商品データ: AI モデルは、schema.org や Google Merchant Center などの標準に準拠した構造化データで最も効果的に機能します。完全な製品モデルには、マーケティングの説明だけでなく、より重要な技術的属性 (重量、出力、互換性など) と具体的な利点と用途のリストも含める必要があります。
• 構造化イベント (イベント): ユーザーの行動データ (表示、カートに追加、購入) は、分析のための単なる生のログではなくなり、パーソナライゼーションの燃料になります。これらのイベントとセッション履歴を組み合わせることで、AI が顧客の購入意図を正確に検出できるようになります。

出典:

• commercetools HTTP API - 製品
• Shopify ストアフロント API - 製品オブジェクト
• Google マーチャント センター - 製品データ仕様
• Google Analytics 4 - eコマースの測定
• コマース向け Vertex AI 検索 - ユーザーイベント
• GA4 - 小売/eコマース向けのおすすめイベント
• 除雪車 - GA 移行ガイド (イベント図)

共有:

リンクをコピー