Arquitetura do comércio eletrónico no âmbito da GenAI: API, dados e JSON

Neste artigo, encontrará uma análise da transformação da arquitetura do comércio eletrónico para sistemas concebidos para agentes inteligentes, o que exige um afastamento das estruturas construídas apenas para o frontend. Aprenderá a criar dados de produtos "prontos para IA" e esquemas JSON que minimizem o risco de alucinação de modelos e a otimizar as API para sistemas RAG. Ficará também a conhecer o papel da camada de middleware da Semly, que normaliza os dados e lhe permite implementar rapidamente funcionalidades de IA, controlando simultaneamente os custos e a segurança.

Porquê alterar a arquitetura da loja em linha com a IA generativa?

A IA generativa está a forçar uma mudança de pensamento sobre o backend do comércio eletrónico, de uma abordagem "API para o front end" para uma abordagem "API para agentes inteligentes".

Novos tipos de consumidores de API

A sua API não será apenas consumida pela sua página de loja ou aplicação móvel, mas também por:

• chatbots de produtos (RAG, agentes de IA),

• uma camada de recomendação e personalização (LLM como orquestrador),

• condutas de geração de conteúdos (IA assíncrona yobs),

• ferramentas analíticas com uma camada linguística.

O papel da Semly nesta mudança

Semly actua como uma camada intermédia entre a sua loja e os modelos generativos. Normaliza os dados dos produtos e dos eventos, gere os avisos, o armazenamento em cache e os custos dos modelos, permitindo que os programadores se concentrem na lógica do domínio da loja e não nos pormenores da integração com o LLM.

Que exigências impõe a IA generativa à arquitetura do comércio eletrónico?

Casos de utilização principais Necessidades de IA vs. dados

• Chatbot de produto: Necessita de dados completos sobre o produto, disponibilidade, preços e contexto do utilizador.
• Motor de pesquisa semântica: Exige descrições pormenorizadas e uma API de pesquisa que permita filtrar e ordenar.
• Recomendações do LLM: Necessitam de eventos comportamentais estruturados (visualização, add_to_cart, compra).

Tipos de dados necessários para uma IA de qualidade

• Dados do produto (ID, textos, atributos técnicos, marketing, SEO, multimédia, relações).

• Dados do evento (Norma GA4: view_item, add_to_cart, begin_checkout, purchase).

• Dados contextuais (canal de entrada, localização, condicionalismos da atividade).

Conceção da API da loja com IA generativa

REST vs GraphQL no contexto da IA

As arquitecturas "preparadas para a IA" combinam frequentemente ambas as abordagens:

• REST: Ideal para a exportação de catálogos e a criação de lotes (ETL para índice vetorial).
• GraphQL: Permite-lhe descarregar exatamente os campos de que necessita no prompt on-demand.

Exemplo de resposta GET /api/products/{id} com a IA em mente:

{
"@context": "https://schema.org/",
"@type": "Product",
"name": "Ténis de corrida azuis",
"brand": {"@type": "Brand", "name": "Acme Sports"},
"offers": {
"@type": "Offer",
"priceCurrency": "EUR",
"price": "69.51"
}
}

Dados do produto com IA generativa

Normalização e taxonomias

Para que a IA possa fazer inferências significativas, os dados têm de ser consistentes. Vale a pena inspirar-se nas normas schema.org/Product e na especificação do Google Merchant Center.

Um exemplo de um modelo no espírito do schema.org:

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

Estruturas JSON para intercâmbio de dados com modelos de IA

JSON do cesto de compras e da sessão do utilizador

O carrinho de compras fornece um contexto fundamental para o chatbot:

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

JSON de eventos do utilizador

Seguindo o modelo da AG4, adotar um formato comum:

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

Camada de histórico de eventos e de comportamento do utilizador

Se recolher eventos através do GA4, Segment ou Snowplow, já tem uma base. Para a IA, os eventos são usados para personalizar respostas e detetar intenções.

Integração com a IA generativa na prática

Padrões arquitectónicos

• IA de microsserviços: Responsável pela integração com o LLM e pela preparação de prompts.

• Middleware / BFF: O frontend comunica com o BFF, que combina dados da API da loja e da IA.

• Trabalhadores de IA orientados para eventos: Geração assíncrona de descrições após um evento "ProductCreated".

Segurança e custos

Como é que a Semly apoia os programadores?

Semly aborda os desafios da integração fornecendo:

1. Normalização dos dados: Mapeamento de estruturas (Shopify, Magento) para um modelo "pronto para IA".
2. A camada API finalizada: Pontos finais para chatbot e recomendações.
3. Controlo de qualidade: Mecanismos de caching e monitorização de consultas.

FAQ para programadores

Como posso começar a implementar numa plataforma SaaS existente (por exemplo, Shopify, Shopware)?

As API existentes (REST ou GraphQL) devem ser utilizadas para exportar eficazmente o catálogo de produtos e transmitir eventos. Um passo fundamental é identificar lacunas nos dados dos produtos, tais como descrições pobres ou atributos técnicos em falta, e planear o seu preenchimento. Em vez de ligar diretamente o frontend aos modelos LLM, recomenda-se a adição de uma camada intermédia, como a Semly

O que fazer no caso de dados incompletos ou incoerentes?

A IA pode "preencher as lacunas" da linguagem natural, mas não deve ser invocada para factos como parâmetros técnicos ou compatibilidade. A estratégia mais segura é utilizar a IA apenas para enriquecer as descrições baseadas em dados técnicos já verificados. Nos próprios avisos, o modelo deve ser explicitamente proibido de "adivinhar" - deve comunicar abertamente a falta de informação se não a encontrar na fonte. Paralelamente, deve ser feito um investimento na qualidade dos dados na fonte, como nos sistemas PIM.

É necessário um data warehouse e um feature store separados para começar?

No início, isto não é necessário - pode começar com uma simples exportação do catálogo e dos eventos diretamente para o Semly ou para o serviço de IA da sua escolha. No entanto, o armazém de dados e o armazenamento de funcionalidades tornam-se cruciais na fase de expansão da solução, quando é necessário combinar dados de várias fontes, criar recomendações híbridas avançadas ou servir várias marcas e mercados em simultâneo.

Como abordar a migração dos dados dos produtos para a nova estrutura JSON?

Recomenda-se a criação de uma camada de mapeamento entre o modelo de dados existente e o esquema normalizado "pronto para IA". Este processo pode ocorrer gradualmente - o mapeamento pode ser parcial no início e os dados podem ser sucessivamente enriquecidos através de processos de merchandising diários ou de processos automatizados de IA que geram descrições em falta com base nos atributos disponíveis.

Resumo

Implementar com sucesso a inteligência artificial generativa numa loja online é um processo que vai para além da simples integração com um chatbot. Requer uma remodelação fundamental da forma como o sistema "fala" com os algoritmos, mudando o foco da apresentação visual para uma estrutura de dados precisa.

Eis os principais pilares da arquitetura moderna do comércio eletrónico:

• APIs semânticas (REST e GraphQL): A base é afastar-se das interfaces concebidas exclusivamente para o frontend. A arquitetura deve oferecer pontos de extremidade que forneçam aos modelos LLM um contexto comercial completo, sem ruídos de informação desnecessários. O GraphQL torna-se aqui uma ferramenta fundamental, permitindo que conjuntos precisos de campos (por exemplo, apenas atributos técnicos e disponibilidade) sejam recuperados diretamente no prompt.
• Dados de produtos ricos e normalizados: Os modelos de IA funcionam melhor com dados estruturados que estejam em conformidade com normas como schema.org ou Google Merchant Center. Um modelo de produto completo deve incluir não só descrições de marketing, mas sobretudo atributos técnicos tipificados (por exemplo, peso, potência, compatibilidade) e uma lista de vantagens e utilizações específicas.
• Eventos estruturados (Events): Os dados de comportamento do utilizador (visualização, add_to_cart, compra) deixam de ser apenas registos brutos para análise e tornam-se combustível para a personalização. Estes eventos, combinados com o histórico da sessão, permitem à IA detetar com precisão a intenção de compra do cliente.

Fontes:

• aPI HTTP do commercetools - Produtos
• API do Shopify Storefront - Objeto do produto
• Google Merchant Center - Especificação dos dados do produto
• Google Analytics 4 - Medição do comércio eletrónico
• Pesquisa de IA da Vertex para o comércio - Eventos do utilizador
• GA4 - Eventos recomendados para o comércio retalhista/comercial
• Limpa-neve - Guia de migração GA (diagramas de eventos)

Compartilhar:

Copiar link