Ertas para E-Commerce

The Challenge

Los negocios de e-commerce operan a una escala donde incluso pequeñas mejoras en el descubrimiento de productos, calidad de descripciones o comprensión del cliente se traducen directamente en ingresos. La IA puede impulsar mejor búsqueda, recomendaciones personalizadas, descripciones automatizadas de productos y asistentes de compra conversacionales, pero los modelos genéricos no tienen conocimiento de tu catálogo específico, taxonomía o base de clientes. Producen descripciones de productos genéricas que suenan como las de cualquier otro minorista, malinterpretan consultas de productos de nicho y no capturan la voz de marca que diferencia tu tienda.

El costo es el otro factor crítico. A escala de e-commerce (millones de páginas de productos, miles de consultas de clientes por minuto y solicitudes de recomendación en tiempo real en cada carga de página), el precio por token de proveedores de API de terceros se vuelve prohibitivamente costoso. Un gran minorista con catálogo que genera descripciones de productos con IA para 500,000 SKUs o sirve un asistente de compras conversacional a millones de visitantes enfrenta facturas de API que eclipsan el valor que la IA crea. La economía solo funciona si los costos de inferencia son predecibles y están desacoplados del precio por solicitud.

The Solution

Ertas permite a los equipos de e-commerce entrenar modelos de IA con su propio dominio de productos y ejecutarlos sin una factura de API por token. En Ertas Studio, los equipos de merchandising y de datos suben datasets JSONL construidos a partir de su catálogo, las reseñas de clientes, los registros de búsqueda y las guías de estilo de la marca, o crean ejemplos en Data Craft, el constructor guiado de datasets de Studio, donde quienes mejor conocen la marca revisan y aprueban cada uno. El entrenamiento corre en las GPU en la nube de Ertas a través de un canvas visual, y se pueden lanzar varias ejecuciones en paralelo para compararlas antes de elegir. Los modelos resultantes redactan descripciones con la voz de tu marca, entienden consultas ambiguas de los compradores con el contexto de tu catálogo y clasifican productos según tu propia taxonomía.

Cada modelo entrenado aparece en Hub, desde donde lo descargas en GGUF para llama.cpp u Ollama, o en safetensors completos para vLLM y otros runtimes de servidor. Si lo ejecutas en tus propios servidores, el costo de inferencia depende del hardware que operas, así que se mantiene predecible aunque crezca el volumen de consultas, y puedes sumar capacidad antes de las temporadas de mayor venta. Entrena un modelo para cada trabajo (uno para descripciones, otro para entender búsquedas, otro para atención al cliente) y conserva cada uno como un activo propio de tu equipo. Si prefieres un servicio gestionado, el endpoint de modelo adaptativo traslada una parte creciente de las solicitudes de una tarea, desde el modelo frontera que usas hoy hacia un modelo a medida entrenado con tus propias solicitudes, en cuanto ese modelo supera tus evaluaciones.

Key Features

Example Workflow

Un minorista de moda directo al consumidor con 80,000 SKUs quiere automatizar las descripciones de productos y mejorar la relevancia de la búsqueda en su sitio. El equipo de merchandising exporta atributos de productos, descripciones existentes, reseñas de clientes ya anonimizadas y registros de búsqueda como datasets JSONL, los sube a Ertas Studio y usa Data Craft para revisar con el equipo de marca una muestra de sus mejores descripciones. En Studio, el equipo ajusta Mistral 7B dos veces: un modelo redacta descripciones con la voz de la marca a partir de atributos sin procesar y el otro asigna consultas en lenguaje natural a categorías de productos. Lanzan varias configuraciones en paralelo y las comparan con un conjunto reservado de productos para los que el equipo de marca ya escribió textos. Ambos modelos se exportan desde Hub y se sirven con vLLM en los servidores GPU del propio minorista. El modelo de descripciones redacta textos para 20,000 productos nuevos de temporada en un trabajo por lotes nocturno, y el equipo de marca revisa una muestra frente a su guía de tono antes de publicarlos. El modelo de búsqueda interpreta consultas como 'pantalones de oficina transpirables para verano' como coincidencia con la categoría 'pantalones ligeros'. El costo de inferencia ahora depende de los servidores que opera el minorista, así que un mayor volumen de consultas ya no aumenta una factura por token.