Október 22-én az NVIDIA európai kiskereskedelmi AI-projektekről számolt be, amelyek a modellek kiszolgálási költségeit, a termékkeresést és a raktártervezést érintik. A Shopify belső benchmarkja 90%-os kiszolgálásiköltség-csökkenést mutatott egy testreszabott modell esetében, az Otto Group pedig kiterjesztette szimulációalapú raktári kezdeményezését Németország legnagyobb teljesítési központjára.

Legfontosabb tudnivalók

  • A Shopify belső benchmarkja szerint az utólag betanított modell nagyobb pontosságot, 90%-kal alacsonyabb kiszolgálási költségeket és hétszer gyorsabb válaszokat ért el.
  • A kiskereskedelmi alkalmazások köre a Zooplus keresési prototípusától az élesben bevezetett képszerkesztésig és a fizikai alapú virtuális felpróbálásig terjed.
  • Az Otto Group kibővítette raktárszimulációs képességeit, miközben három NVIDIA kiskereskedelmi tervrajz továbbra is korai hozzáférésben érhető el.

Tartalomjegyzék

Az európai kiskereskedelmi AI munkára fogja a testreszabott modelleket

A Shopify eredményeinek középpontjában a Sidekicken belüli GraphQL-alügynök áll; a Sidekick a vállalat kereskedőknek szánt AI-asszisztense. A vállalat többek között a Megatron Bridge és a NeMo RL eszközeivel utólag betanította az NVIDIA Nemotron 3.5 Lightning modellt. Az alügynök lekéri az áruház adatait olyan funkciókhoz, mint a Sidekick Pulse, amely elemzi a kereskedő vállalkozását, és fejlesztési javaslatokat tesz.

Az NVIDIA közlése szerint a Shopify belső benchmarkján a testreszabott modell pontossága meghaladta egy meg nem nevezett, vezető, élvonalbeli modellét, 90%-kal csökkentette a kiszolgálási költségeket, és hétszer gyorsabban adott választ. Ezek az eredmények a benchmarkra vonatkoznak, és nem bizonyítják, hogy a teljesítmény minden kereskedői feladat esetében hasonló lenne.

Ettől különállóan az NVIDIA CCluster vLLM következtetésoptimalizáló szoftvere ötször gyorsabb teljesítményt és akár 12-szer alacsonyabb következtetési költségeket tett lehetővé a Shopify számára öt másik felhasználási területen: katalógusbővítésben, kereskedői asszisztenciában, vásárlási szimulációban, termékosztályozásban és ajánlásokban.

A keresés és a termékképek eltérő bevezetési szakaszokat mutatnak

A Zooplus az Infosysszel és az NVIDIA technológiáival együttműködve újraépítette a termékkeresési megoldását. A kisállat-termékeket forgalmazó vállalat Amazon Web Services-környezetében telepített, éles használatra kész prototípus 86%-os keresési pontosságot ért el. A szemantikus kereséshez a Nemotron Retriever könyvtárat, kereshető termékattribútumok létrehozásához pedig az NVIDIA kiskereskedelmi katalógusbővítési tervrajzát használja.

A Vestiaire Collective-nél a Photoroom Image Editing API-ja mostantól egységesíti az összes elsődleges terméklistázási képet, naponta körülbelül 40 000 képet dolgozva fel 70 országban. Az NVIDIA szerint a feldolgozott terméklistázásoknál a likviditási ráta 5%-kal, az egyedi termékoldal-megtekintések száma pedig 3–7%-kal volt magasabb. A feldolgozási folyamat NVIDIA GPU-kon fut, TensorRT és Triton Inference Server használatával.

Az Omi elindította a ProductDropot, amely a generált képeket jóváhagyott digitális ikrekhez kapcsolja, és ezzel megelőzi a termékekkel kapcsolatos hibákat a katalógusokban. A L’Oréal ezt a megközelítést alkalmazza a CreAItech programjában. Az Omi TRELLIS 3D-eszközgenerálása RTX PRO 6000 Blackwell Server Edition GPU-kon fut; a vállalat közlése szerint a következtetés tízszer gyorsabb, a feldolgozási folyamat késleltetése pedig negyedére csökkent.

A katalógusfeldolgozás és az összetevők kutatása szélesíti az alkalmazást

A Mirakl Catalog Transformer több mint 70 millió terméket vett fel a rendszerbe, finomhangolt nyílt modelleket és saját fejlesztésű szolgáltatásokat kombinálva a beszállítói adatok rendszerezésére. A Mirakl saját infrastruktúráján és olyan európai felhőszolgáltatókon keresztül, mint a Scaleway, NVIDIA GPU-kon futtatja a modelleket.

A L’Oréal az összetevők kutatásába is integrálja az NVIDIA ALCHEMI-t; a beszámolók szerint a kísérletezés hónapok helyett számítási szűréssel, órák alatt elvégezhető. A vállalat az Orbital Industries CurieOS platformján keresztül is tesztel egy kapcsolódó megközelítést, a nyílt forráskódú OrbMol-v2 molekuláris szimulációs modell használatával.

Az ALCHEMI Toolkitbe integrált OrbMol-v2 a közlés szerint ötször gyorsabban fut, mint az összehasonlítható modellek, és 21%-kal alacsonyabb hibaarányt ér el, mint a kategória következő legjobb modellje. A munkafolyamat még a laboratóriumi tesztelés előtt azonosítja az UV-szűrők oldására alkalmas, ígéretes összetevő-kombinációkat.

A szimuláció eléri a raktárakat és a virtuális próbafülkéket

Az Otto Group a Haldenslebenben, Németországban működő legnagyobb teljesítési központjára is kiterjesztette emberi felügyelet mellett működő, autonóm raktári kezdeményezését. A Reply közreműködésével, NVIDIA Omniverse-könyvtárak felhasználásával és a Google Cloudon futó rendszer lehetővé teszi a logisztikai csapatok számára, hogy a fizikai megvalósítás előtt szimulációban tervezzék meg, teszteljék és optimalizálják a működést.

Az ALLSIDES elindított egy automatizált 3D Digital Twin Factoryt, amely percek alatt szimulációra kész eszközökké alakítja a fizikai tárgyakat. A vállalat milliméter alatti geometriai pontosságról, mért fizikai tulajdonságokról és újravilágítható anyagokról számol be. Platformja már olyan márkákat szolgál ki, mint az adidas, az Amazon, a Nike, a Zalando és a Zara.

A virtuális felpróbálás területén a CATCHES közlése szerint az AMIRI-val közös RealFit-bevezetése 55%-kal növelte a konverziót, 80%-kal a kosárba helyezések számát, az árbevételt pedig 56%-kal, az azonos stílusokra vonatkozó, szezonális kiigazítás után. A CATCHES a PredictiveFit megoldást is elindította a kiskereskedők számára, valamint a CASI-t, egy WhatsAppon működő divatügynököt vásárláshoz, stílustanácsadáshoz és méretválasztáshoz.

Három kiskereskedelmi tervrajz továbbra is korai hozzáférésben érhető el

A GTC Berlin rendezvényen a Nebius három, az infrastruktúráján futó NVIDIA kiskereskedelmi tervrajzot mutat be. Mindhárom korai hozzáférésben érhető el; a vállalat nem állítja róluk, hogy általánosan hozzáférhető termékek lennének.

Az Agent Harness for Employee Productivity az ütemezést, a feladatkezelést, a készletértesítéseket és a működési betekintéseket ötvözi. Az Inventory Simulation and Optimization a keresletet és az utánpótlási stratégiákat modellezi, mielőtt a vállalatok valós kötelezettségeket vállalnának. Az Agentic Finetuning Flywheel összekapcsolja a tanítóadatok létrehozását, a nyílt forráskódú modellek finomhangolását és a valós teljesítményre vonatkozó visszajelzéseket.

További hírek

További FinanceVelix-hírek

Jogi nyilatkozat

Ez a FinanceVelix-cikk általános tájékoztatást nyújt, és nem minősül személyre szabott pénzügyi, befektetési, jogi vagy adótanácsadásnak. A piaci árak, a kamatlábak és a gazdasági feltételek változhatnak; a befektetések veszteség kockázatával járnak. A közölt tények a közzététel időpontjában rendelkezésre álló információkat tükrözik, és változhatnak. A fontos információkat ellenőrizze önállóan, és szükség esetén forduljon képzett szakemberhez. Egy eszköz, vállalat vagy szolgáltatás említése nem jelent ajánlást.