Fiyatlandırma için RAG: E-ticaret Yapay Zeka Modellerini Gerçek Zamanlı Veri Akışıyla Geliştirmek

Gerçek zamanlı fiyatlandırma verileriyle birleştirilen Geri Getirme Artırımlı Üretim (RAG) mimarisinin yapay zeka halüsinasyonlarını nasıl önleyebileceğini ve e-ticaret için dinamik fiyatlandırma zekası sağlayabileceğini keşfedin.

Fiyatlandırma için RAG nedir?

Fiyatlandırma için RAG (Retrieval-Augmented Generation), bir dil modeline eğitim sırasında ezberlediği bilgiler yerine sorgu anında canlı pazar verisi sunan bir mimari desendir. Model; güncel fiyatları, stok durumlarını ve promosyonları bir arama indeksinden çeker, ardından yalnızca bu belgeler üzerinden akıl yürüterek cevap üretir.

Bu ayrımın ticari karşılığı nettir. Eğitim verisinden cevap veren bir model, ürünün aylar önce ne kadar olduğunu söyler. Erişim katmanından cevap veren bir model ise şu anda ne kadar olduğunu, hangi pazaryerinde satıldığını ve satıcının stokta olup olmadığını söyler.

Dinamik fiyatlandırmada statik yapay zekânın sorunu

Büyük Dil Modelleri geçmiş veriyle eğitilir. Bir yapay zekâya "iPhone 15 Pro'nun ortalama fiyatı nedir?" diye sorarsanız güncelliğini yitirmiş bir cevap alırsınız. Büyük pazaryerlerinin fiyatları sürekli güncellediği bir e-ticaret ortamında, fiyat zekâsı sistemlerinize eski veri beslemek katalog genelinde sessizce biriken marj kayıplarına yol açar.

Daha kötüsü, bu hata sessizdir. Model "bilmiyorum" demez; kendinden emin, düzgün biçimlendirilmiş ama yanlış bir sayı üretir. Bu davranış genellikle halüsinasyon olarak adlandırılır. Bir fiyatlandırma ekibi için kendinden emin yanlış bir sayı, hiç sayı olmamasından daha pahalıdır — çünkü o sayıya göre aksiyon alınır.

Fiyatlandırma RAG hattı nasıl çalışır?

Üretim ortamındaki bir fiyatlandırma RAG hattı dört aşamadan oluşur:

• Toplama. Crawler'lar ürün sayfalarını, pazaryeri listelemelerini ve promosyon verisini, her kaynağın değişim hızına göre ayarlanmış bir programla çeker. Hızlı hareket eden elektronik kategorileri, mobilyaya kıyasla çok daha sık aralık gerektirir.
• Normalizasyon ve eşleştirme. Ham listelemeler temizlenir, para birimleri ve ölçüler standartlaştırılır, teklifler tek bir kanonik ürüne bağlanır. Ağır iş burada ürün eşleştirme tarafındadır: bu olmadan aynı SKU, birbiriyle ilgisiz onlarca belge olarak görünür.
• İndeksleme. Normalize edilmiş kayıtlar gömülür (embedding) ve kategori, pazaryeri, ülke, zaman damgası gibi yapılandırılmış filtrelerle birlikte bir vektör deposuna yazılır.
• Erişim ve üretim. Sorgu anında sistem önce yapılandırılmış alanlara göre filtreler, kalan belgeleri anlamsal benzerlikle çeker ve modele bağlam olarak verir.

Sıra önemlidir. Yapılandırılmış filtrelemeyi atlayıp yalnızca embedding'e güvenen ekipler, anlamsal olarak benzer ama ticari olarak alakasız ürünler çeker — soru 128 GB modeliyle ilgiliyken 256 GB varyantı gelir.

Erişim katmanı hangi veriye ihtiyaç duyar?

Erişim kalitesi, veri akışının kalitesiyle sınırlıdır. Her kayıt en azından şunları taşımalıdır:

• Kanonik ürün kimliği ve pazaryerinin kendi SKU'su
• Güncel fiyat, liste fiyatı ve aktif promosyon
• Stok durumu ve satıcı kimliği
• Toplama zaman damgası — modelin tazelik üzerinden akıl yürütebilmesi için
• Ülke ve para birimi

Ekiplerin en sık atladığı ve en sık pişman olduğu alan bu zaman damgasıdır. O olmadan model, bir saat önce toplanmış bir fiyatla geçen çeyrek toplanmış bir fiyatı ayırt edemez ve cevabını temkinli hâle getirecek hiçbir dayanağı kalmaz.

Senkrondata'nın yapay zekâya hazır veri setleri tam da bu yapıya göre kurgulanmıştır: JSON, CSV veya Parquet formatında sunulan, normalize edilmiş ve zaman damgalı kayıtlar; 23 ülkede 500M+ satır üzerinde %97,2 veri doğruluğu SLA'i ile.

RAG mı, fine-tuning mi?

İkisi farklı problemleri çözer ve fiyatlandırma ekipleri sıklıkla yanlış olanına uzanır.

• Fine-tuning, modelin nasıl yazdığını ve akıl yürüttüğünü değiştirir. Alan terminolojisini, çıktı formatını veya fiyat önerilerinde kurumsal üslubu öğretmek için doğru araçtır.
• RAG, modelin ne bildiğini değiştirir. Eğitimden sonra değişen her şey için doğru araçtır — ki bu, bir fiyatlandırma sistemindeki neredeyse her sayıdır.

Bir modeli geçen ayın fiyatlarıyla fine-tune etmek onu güncel yapmaz; yalnızca kendinden emin biçimde eski hâle getirir. Sorunuz değişen bir sayı içeriyorsa cevap erişimdir.

Fiyatlandırma RAG uygulamaları nerede tökezler?

Hayal kırıklığı yaratan pilotların çoğu dört hata biçiminden kaynaklanır:

• Bayat indeks, taze model. Hat bir kez kurulur, yenileme sıklığı kategori hızına göre hiç ayarlanmaz. Erişim katmanı sessizce yaşlanır ve RAG'in çözmesi gereken sorunun aynısına dönüşür.
• Ürün eşleştirme yokluğu. Aynı ürüne ait teklifler tek bir varlığa bağlanmaz; erişim neredeyse aynı kayıtları döndürür ve model varyantlar arasında ortalama alır.
• Filtresiz anlamsal arama. Yapılandırılmış ön filtre olmadan "Almanya'daki en ucuz 55 inç OLED" sorgusu başka pazarlardaki 65 inç modelleri getirir.
• Cevapta kaynak bilgisi olmaması. Üretilen yanıt kaynak pazaryerini ve toplama zamanını taşımıyorsa aşağı akışta kimse denetleyemez; ilk hatalı karardan sonra güven kaybolur.

Nereden başlamalı?

Pragmatik sıra şudur: önce veri akışını, sonra eşleştirmeyi, sonra indeksi, en son prompt'u düzeltin. Çoğu ekip bunu tersten yapar ve doğru cevabı hiçbir zaman destekleyemeyecek bir veri üzerinde haftalarca prompt ayarlamakla uğraşır.

Toplamayı halihazırda kendiniz yapıyorsanız Fiyat Takip API'miz erişim katmanını doğrudan besleyebilir. Sıfırdan başlıyorsanız hazır veri setleri ilk kilometre taşını aylardan günlere indirir.

Rakip verisinin nasıl toplandığı ve nasıl aksiyona dönüştüğüne dair geniş resim için rakip fiyat takibi rehberimize göz atın.