Camino práctico para resolver la confusión de atributos de productos en comercio electrónico a gran escala mediante IA

Cuando las personas discuten sobre la escalabilidad del comercio electrónico, siempre se centran en desafíos tecnológicos aparentemente grandiosos como la búsqueda distribuida, el inventario o los motores de recomendación. Pero lo que realmente preocupa a cada plataforma de comercio electrónico suelen ser los problemas más básicos: la inconsistencia en los atributos de los productos.

Los atributos impulsan todo el sistema de descubrimiento de productos. Soportan filtros, comparaciones, rankings de búsqueda y lógica de recomendaciones. Sin embargo, en catálogos reales, los valores de los atributos rara vez son limpios. La duplicación, los formatos confusos y la semántica vaga son la norma.

Veamos atributos aparentemente simples como “tamaño”: [“XL”, “Small”, “12cm”, “Large”, “M”, “S”]

Y “color”: [“RAL 3020”, “Crimson”, “Red”, “Dark Red”]

Solo con estos ejemplos, parece que no hay problema, pero cuando tienes más de 3 millones de SKU, cada uno con decenas de atributos, el problema se convierte en un desafío a nivel de sistema. La búsqueda se vuelve caótica, las recomendaciones fallan, las operaciones se ahogan en correcciones manuales y la experiencia del usuario se deteriora rápidamente.

Rompiendo la mentalidad de caja negra: principios de diseño de sistemas híbridos inteligentes

Frente a este problema, la clave es evitar caer en la trampa del “AI caja negra” — sistemas que ordenan de manera misteriosa, que nadie entiende ni puede controlar.

La estrategia correcta es construir un pipeline con estas características:

• Alta interpretabilidad
• Comportamiento predecible
• Escalable
• Permite intervención humana

La solución final es un pipeline híbrido de IA: la capacidad de comprensión contextual de los LLM combinada con reglas explícitas y control humano. Opera con inteligencia cuando es necesario, pero siempre bajo control. Es IA con barreras, no IA fuera de control.

Procesamiento offline: la base para escalar

Todos los procesos de atributos se ejecutan en tareas background offline, no en tiempo real. Esto no es una concesión, sino una decisión arquitectónica estratégica.

Un pipeline en tiempo real puede parecer atractivo, pero en escala de comercio electrónico genera:

• Variabilidad impredecible en latencias
• Dependencias frágiles
• Costos computacionales pico
• Operaciones frágiles

En cambio, las tareas offline ofrecen:

• Alto rendimiento: procesamiento por lotes de datos masivos, sin impacto en el sistema cliente
• Resiliencia: fallos que nunca afectan el tráfico de usuarios
• Costos controlados: computación programada en horas valle
• Aislamiento: la latencia del LLM es independiente de la página del producto
• Consistencia atómica: actualizaciones predecibles y sincronizadas

Al manejar millones de SKU, la separación entre sistema cliente y pipeline de datos es crucial.

Limpieza de datos: la etapa con mayor retorno de inversión

Antes de aplicar IA, es necesario realizar un preprocesamiento riguroso, que aunque simple, tiene un impacto significativo.

El pipeline de limpieza incluye:

• Eliminar espacios en blanco al principio y al final
• Remover valores nulos
• Eliminar duplicados
• Simplificar rutas de categorías a cadenas estructuradas

Esto garantiza que el LLM reciba entradas limpias y claras. En sistemas a gran escala, incluso pequeños ruidos pueden explotar en problemas mayores posteriormente. “Garbage in, garbage out”. Esta regla básica se vuelve aún más dura con millones de datos.

Contextualización en el servicio de LLM

El LLM no solo ordena atributos por orden alfabético. Realmente comprende su significado.

Este servicio recibe:

• Valores de atributos limpios
• Información de categorías (migas de pan)
• Metadatos de atributos

Con este contexto, el modelo puede entender que:

• En herramientas eléctricas, “voltaje” debe ordenarse numéricamente
• En ropa, “tamaño” sigue una progresión predecible (S→M→L→XL)
• En pinturas, “color” puede usar estándares RAL (como RAL 3020)
• En hardware, “material” tiene relaciones semánticas (acero→acero inoxidable→acero al carbono)

El modelo devuelve:

• Secuencias ordenadas de valores
• Nombres de atributos mejorados
• Una marca de decisión: usar ordenamiento determinista o basado en contexto

Esto permite que el pipeline maneje diversos tipos de atributos sin codificar reglas específicas para cada categoría.

Reversión determinista: cuándo no se necesita IA

No todos los atributos requieren IA. De hecho, muchos atributos se gestionan mejor con lógica determinista.

Valores numéricos, unidades normalizadas o conjuntos simples se benefician de:

• Procesamiento más rápido
• Ordenamiento completamente predecible
• Costos menores
• Sin ambigüedades

El pipeline detecta automáticamente estos casos y aplica lógica determinista, manteniendo la eficiencia y evitando llamadas innecesarias al LLM.

Equilibrio de poder: sistema de etiquetas para comerciantes

Los comerciantes necesitan mantener control, especialmente sobre atributos clave. Por eso, cada categoría puede ser etiquetada como:

• LLM_SORT — decisión del modelo
• MANUAL_SORT — orden manual por el comerciante

Este doble sistema de etiquetas permite que los humanos tengan la última palabra, mientras que la IA realiza la mayor parte del trabajo. Además, genera confianza: los comerciantes saben que pueden sobrescribir decisiones del modelo en cualquier momento sin interrumpir el pipeline.

Persistencia de datos: MongoDB como fuente única de verdad

Todos los resultados se almacenan directamente en MongoDB de productos, manteniendo una arquitectura sencilla y centralizada. MongoDB se convierte en el único almacenamiento operativo para:

• Valores de atributos ordenados
• Nombres de atributos mejorados
• etiquetas de ordenación por categoría
• campos de ordenación a nivel de producto

Esto facilita auditorías, sobrescrituras, reprocesamiento de categorías y sincronización con otros sistemas.

Cierre del ciclo en la capa de búsqueda: de datos a descubrimiento

Una vez ordenados, los valores fluyen hacia:

• Elasticsearch — búsqueda basada en palabras clave
• Vespa — búsqueda semántica y vectorial

Esto asegura que:

• Los filtros aparezcan en orden lógico
• Las páginas de productos muestren atributos consistentes
• Los motores de búsqueda ordenen resultados con mayor precisión
• La navegación por categorías sea intuitiva y fluida

El poder del ordenamiento de atributos se refleja claramente en la búsqueda, donde la consistencia es clave.

Visión general del sistema: desde datos originales hasta interfaz de usuario

Para operar en millones de SKU, diseñé un pipeline modular que integra tareas en segundo plano, inferencia de IA y búsqueda:

Flujo de datos:

• Datos de productos desde el sistema de información
• Tareas de extracción de atributos y contexto de categorías
• Envío a servicio de ordenamiento con IA
• Escritura de documentos de productos actualizados en MongoDB
• Tareas de sincronización salientes para devolver resultados al sistema de información
• Actualizaciones en Elasticsearch y Vespa
• API que conecta motores de búsqueda con aplicaciones cliente

Este flujo asegura que cada valor de atributo — ya sea ordenado por IA o manualmente — se refleje en búsquedas, gestión de inventario y experiencia final del cliente.

Resultados prácticos de la transformación

¿Cómo se convierten los valores caóticos en ordenados?

Estos ejemplos muestran cómo el pipeline combina pensamiento contextual con reglas claras para generar secuencias limpias y comprensibles.

¿Por qué preferir offline en lugar de en tiempo real?

El procesamiento en tiempo real puede introducir:

• Latencias impredecibles
• Costos computacionales elevados
• Dependencias frágiles
• Complejidad operativa

Mientras que las tareas offline ofrecen:

• Alta eficiencia en lotes
• Llamadas asíncronas a LLM
• Lógica de reintentos y colas de mensajes muertos
• Ventanas de revisión manual
• Costos de computación predecibles

El costo es una ligera demora entre ingreso de datos y visualización, pero la ganancia en consistencia a escala es invaluable — lo que realmente valoran los clientes.

Impacto en el negocio

Los resultados son claros:

• Ordenamiento consistente de atributos en más de 3 millones de SKU
• Ordenamiento numérico predecible mediante reversión determinista
• Control granular mediante etiquetas manuales
• Páginas de productos más limpias y filtros intuitivos
• Mejor relevancia en búsquedas
• Mayor confianza y tasa de conversión de usuarios

No solo es un logro técnico, sino una mejora en la experiencia del usuario y en los ingresos.

Lecciones clave

• Un pipeline híbrido funciona mejor a escala que una solución puramente AI. Las barreras son importantes.
• El contexto mejora significativamente la precisión del LLM
• Las tareas offline son fundamentales para rendimiento y tolerancia a fallos
• La intervención humana genera confianza y aceptación
• Entradas limpias son la base para salidas confiables de IA

Conclusión

Ordenar valores de atributos puede parecer simple, pero cuando se trata de millones de productos, se vuelve un verdadero desafío. Combinar la inteligencia del LLM con reglas claras y control del comerciante transforma este problema invisible pero omnipresente en un sistema limpio y escalable.

Es un recordatorio: las mayores victorias suelen venir de resolver esos problemas aburridos y pasados por alto — los que aparecen en cada página de producto todos los días.