Architektúra elektronického obchodu v rámci GenAI: API, údaje a JSON

V tomto článku nájdete analýzu transformácie architektúry elektronického obchodu smerom k systémom navrhnutým pre inteligentných agentov, ktorá si vyžaduje odklon od štruktúr vytvorených výlučne pre frontend. Dozviete sa, ako vytvoriť údaje o produktoch a schémy JSON "pripravené na umelú inteligenciu", ktoré minimalizujú riziko halucinácií modelov, a ako optimalizovať rozhrania API pre systémy RAG. Dozviete sa aj o úlohe middlewarovej vrstvy Semly, ktorá štandardizuje údaje a umožňuje rýchlo implementovať funkcie AI a zároveň kontrolovať náklady a bezpečnosť.

Prečo zmeniť architektúru online obchodu v rámci generatívnej AI?

Generatívna umelá inteligencia si vynucuje posun v myslení o backende elektronického obchodu od prístupu "API pre front end" k prístupu "API pre inteligentných agentov".

Nové typy spotrebiteľov API

Vaše rozhranie API bude využívať nielen stránka vášho obchodu alebo mobilná aplikácia, ale aj:

• produktové chatboty (RAG, agenti AI),

• vrstva odporúčaní a personalizácie (LLM ako orchestrátor),

• potrubia na generovanie obsahu (asynchrónne AI yobs),

• analytické nástroje s jazykovou vrstvou.

Semlyho úloha v tejto zmene

Semly funguje ako medzivrstva medzi vašim obchodom a generatívnymi modelmi. Štandardizuje údaje o produktoch a udalostiach, spravuje výzvy, ukladanie do vyrovnávacej pamäte a náklady na model, čo umožňuje vývojárom sústrediť sa na doménovú logiku obchodu namiesto detailov integrácie s LLM.

Aké požiadavky kladie generatívna umelá inteligencia na architektúru elektronického obchodu?

Kľúčové prípady použitia AI vs. potreby údajov

• Produktový chatbot: Potrebuje úplné údaje o produkte, dostupnosti, cenách a kontexte používateľa.
• Sémantický vyhľadávač: Vyžaduje bohaté popisy a rozhranie API na vyhľadávanie, ktoré umožňuje filtrovanie a triedenie.
• Odporúčania z LLM: Potrebujú štruktúrované behaviorálne udalosti (view, add_to_cart, purchase).

Typy údajov potrebných pre kvalitnú umelú inteligenciu

• Údaje o výrobku (ID, texty, technické atribúty, marketing, SEO, multimédiá, vzťahy).

• Údaje o udalostiach (štandard GA4: view_item, add_to_cart, begin_checkout, purchase).

• Kontextové údaje (vstupný kanál, miesto, obchodné obmedzenia).

Návrh API obchodu v rámci generatívnej AI

REST vs. GraphQL v kontexte umelej inteligencie

Architektúry "pripravené na AI" často kombinujú oba prístupy:

• REST: Ideálne na export katalógov a dávkovanie (ETL na vektorový index).
• GraphQL: Umožňuje prevziať presne tie polia, ktoré potrebujete v promt na požiadanie.

Príklad odpovede GET /api/products/{id} s ohľadom na AI:

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

Údaje o produktoch v rámci generatívnej umelej inteligencie

Štandardizácia a taxonómie

Aby umelá inteligencia mohla vyvodzovať zmysluplné závery, údaje musia byť konzistentné. Je vhodné inšpirovať sa štandardmi schema.org/Product a špecifikáciou Google Merchant Center.

Príklad 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"
}

Štruktúry JSON na výmenu údajov s modelmi AI

JSON nákupného košíka a relácie používateľa

Nákupný košík poskytuje chatbotovi kľúčový kontext:

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

JSON udalostí používateľa

Po vzore GA4 prijať spoločný formát:

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

Vrstva histórie udalostí a správania používateľov

Ak zhromažďujete udalosti prostredníctvom GA4, Segment alebo Snowplow, už máte základňu. V prípade umelej inteligencie sa udalosti používajú na personalizáciu odpovedí a zisťovanie zámerov.

Integrácia s generatívnou AI v praxi

Architektonické vzory

• Mikroslužba AI: Zodpovedá za integráciu s LLM a prípravu podnetov.

• Middleware / BFF: Frontend komunikuje so systémom BFF, ktorý kombinuje údaje z rozhrania API obchodu a umelej inteligencie.

• Pracovníci s umelou inteligenciou riadení udalosťami: Asynchrónne generovanie popisov po udalosti "ProductCreated".

Bezpečnosť a náklady

Ako Semly podporuje vývojárov?

Semly rieši výzvy integrácie poskytovaním:

1. Štandardizácia údajov: Mapovanie štruktúr (Shopify, Magento) na model "pripravený na AI".
2. Hotová vrstva API: Koncové body pre chatbota a odporúčania.
3. Kontrola kvality: Mechanizmy ukladania do vyrovnávacej pamäte a monitorovania dotazov.

Často kladené otázky pre vývojárov

Ako začať implementáciu na existujúcej platforme SaaS (napr. Shopify, Shopware)?

Na efektívny export katalógu produktov a streamovanie udalostí by sa mali používať existujúce API (REST alebo GraphQL). Kľúčovým krokom je identifikovať medzery v údajoch o produktoch, ako sú nedostatočné opisy alebo chýbajúce technické atribúty, a naplánovať ich odstránenie. Namiesto priameho prepojenia frontendu s modelmi LLM sa odporúča pridať medzivrstvu, ako je Semly

Čo robiť v prípade neúplných alebo nekonzistentných údajov?

Umelá inteligencia môže "vyplniť medzery" v prirodzenom jazyku, ale nesmie sa spoliehať na fakty, ako sú technické parametre alebo kompatibilita. Najbezpečnejšou stratégiou je používať AI len na obohatenie opisov na základe už overených technických údajov. V samotných výzvach musí byť modelu výslovne zakázané "hádať" - musí otvorene oznámiť nedostatok informácií, ak ich nenájde v zdroji. Súčasne sa musí investovať do kvality údajov pri zdroji, napríklad v systémoch PIM.

Je na začiatok potrebný samostatný dátový sklad a úložisko funkcií?

Na začiatku to nie je potrebné - môžete začať jednoduchým exportom katalógu a udalostí priamo do služby Semly alebo do služby AI podľa vlastného výberu. Dátový sklad a úložisko funkcií sa však stávajú kľúčovými vo fáze škálovania riešenia, keď je potrebné kombinovať údaje z viacerých zdrojov, vytvárať pokročilé hybridné odporúčania alebo obsluhovať viacero značiek a trhov súčasne.

Ako postupovať pri migrácii údajov o produktoch do novej štruktúry JSON?

Odporúča sa vytvoriť mapovaciu vrstvu medzi existujúcim dátovým modelom a cieľovou štandardizovanou schémou "pripravenou na AI". Tento proces môže prebiehať postupne - mapovanie môže byť na začiatku čiastočné a údaje sa môžu postupne obohacovať prostredníctvom každodenných procesov merchandisingu alebo automatizovaných procesov AI generujúcich chýbajúce popisy na základe dostupných atribútov.

Zhrnutie

Úspešná implementácia generatívnej umelej inteligencie v internetovom obchode je proces, ktorý presahuje jednoduchú integráciu s chatbotom. Vyžaduje si zásadnú prestavbu spôsobu, akým systém "hovorí" s algoritmami, pričom sa pozornosť presúva z vizuálnej prezentácie na presnú štruktúru údajov.

Tu sú kľúčové piliere modernej architektúry elektronického obchodu:

• Sémantické API (REST a GraphQL): Základom je odklon od rozhraní určených výlučne pre frontend. Architektúra musí ponúkať koncové body, ktoré poskytujú modelom LLM úplný obchodný kontext bez zbytočného informačného šumu. Kľúčovým nástrojom sa tu stáva jazyk GraphQL, ktorý umožňuje získať presné množiny polí (napr. len technické atribúty a dostupnosť) priamo do výzvy.
• Bohaté a štandardizované údaje o produktoch: Modely AI najlepšie fungujú na štruktúrovaných údajoch, ktoré sú v súlade so štandardmi, ako je schema.org alebo Google Merchant Center. Úplný model produktu musí obsahovať nielen marketingové popisy, ale predovšetkým typizované technické atribúty (napr. hmotnosť, výkon, kompatibilita) a zoznam konkrétnych výhod a spôsobov použitia.
• Štruktúrované udalosti (Events): Údaje o správaní používateľov (zobrazenie, pridanie do košíka, nákup) prestávajú byť len surovými záznamami pre analytiku a stávajú sa palivom pre personalizáciu. Tieto udalosti v kombinácii s históriou relácií umožňujú umelej inteligencii presne zistiť nákupný zámer zákazníka.

Zdroje:

• commercetools HTTP API - Produkty
• Shopify Storefront API - Objekt výrobku
• Centrum obchodníkov Google - Špecifikácia údajov o výrobku
• Google Analytics 4 - Meranie elektronického obchodu
• Vertex AI Search for Commerce - Udalosti používateľov
• GA4 - Odporúčané podujatia pre maloobchod/obchod
• Snehový pluh - Sprievodca migráciou GA (diagramy udalostí)

Zdieľať:

Kopírovať odkaz