Caminho prático para resolver a confusão de atributos de produtos em grande escala de comércio eletrónico usando IA

Quando as pessoas discutem a escalabilidade do comércio eletrónico, costumam focar em desafios tecnológicos aparentemente grandiosos, como pesquisa distribuída, inventário e motores de recomendação. Mas o que realmente preocupa cada plataforma de e-commerce são as questões mais básicas: a inconsistência nos atributos dos produtos.

Os atributos impulsionam todo o sistema de descoberta de produtos. Eles sustentam filtros, comparações, rankings de busca e lógica de recomendações. No entanto, no catálogo real de produtos, os valores de atributos raramente são limpos. Repetições, formatos confusos e ambiguidades semânticas são a norma.

Vamos olhar para atributos aparentemente simples como “tamanho”: [“XL”, “Small”, “12cm”, “Large”, “M”, “S”]

E “cor”: [“RAL 3020”, “Crimson”, “Red”, “Dark Red”]

Por si só, esses exemplos parecem não apresentar problemas, mas quando você tem mais de 3 milhões de SKU, cada um com dezenas de atributos, o problema se torna um desafio de sistema. A busca fica confusa, as recomendações falham, a operação é consumida por correções manuais e a experiência do usuário deteriora-se.

Quebrando o pensamento de caixa preta: a filosofia de design de sistemas híbridos inteligentes

Diante desse problema, a chave é evitar cair na armadilha do “AI de caixa preta” — sistemas misteriosos que ordenam coisas de forma indecifrável e incontrolável.

A abordagem correta é construir um pipeline com as seguintes características:

• Alta interpretabilidade
• Comportamento previsível
• Escalável
• Permitir intervenção manual

A solução final é um pipeline híbrido de AI: a capacidade de compreensão de contexto do LLM combinada com regras explícitas e controle humano. Ele opera de forma inteligente quando necessário, mas sempre sob controle. É uma IA com barreiras de proteção, não uma IA fora de controle.

Processamento offline: a base de construção para escalabilidade

Todo o processamento de atributos é realizado em tarefas offline de backend, sem passar por caminhos em tempo real. Isso não é uma concessão, mas uma decisão arquitetônica estratégica.

Um pipeline em tempo real parece atraente, mas, em escala de e-commerce, leva a:

• Variações imprevisíveis de latência
• Dependências frágeis
• Custos de computação elevados
• Fragilidade operacional

Já as tarefas offline oferecem:

• Alto throughput: processamento em lote de grandes volumes de dados, sem impacto no sistema do cliente
• Resiliência: falhas nunca atingem o fluxo de usuários
• Custo controlado: computação agendada em períodos de baixa demanda
• Isolamento: latência do LLM totalmente independente das páginas de produto
• Consistência atômica: atualizações previsíveis e sincronizadas

Ao lidar com dezenas de milhões de SKU, a separação entre o sistema do cliente e o pipeline de processamento de dados é fundamental.

Limpeza de dados: o passo com maior retorno sobre o investimento

Antes de aplicar IA, é necessário fazer uma pré-processamento rigoroso, que parece simples, mas tem impacto significativo.

O pipeline de limpeza inclui:

• Remover espaços em branco no início e no fim
• Eliminar valores nulos
• Remover duplicados
• Simplificar caminhos de classificação em strings estruturadas

Isso garante que o LLM receba entradas limpas e claras. Em sistemas de grande escala, até ruídos pequenos podem explodir em problemas maiores posteriormente. Entrada de lixo → saída de lixo. Essa regra básica se torna ainda mais severa com milhões de dados.

Capacitação do contexto do serviço LLM

O LLM não é apenas uma ordenação alfabética de atributos. Ele realmente entende o significado deles.

Esse serviço recebe:

• Valores de atributos limpos
• Informações de classificação (breadcrumbs)
• Metadados de atributos

Com esse contexto, o modelo pode entender que:

• Em ferramentas elétricas, “tensão” deve ser ordenada numericamente
• Em roupas, “tamanho” segue uma progressão previsível (S→M→L→XL)
• Em tintas, “cor” pode usar o padrão RAL (como RAL 3020)
• Em hardware, “material” tem relações semânticas (aço → aço inoxidável → aço carbono)

O modelo retorna:

• Sequências ordenadas de valores
• Nomes de atributos aprimorados
• Uma marca de decisão: usar ordenação determinística ou sensível ao contexto

Isso permite que o pipeline lide com diversos tipos de atributos sem precisar codificar regras específicas para cada classificação.

Retorno determinístico: sabendo quando não usar IA

Nem todo atributo precisa de IA. Na verdade, muitos atributos se beneficiam de lógica determinística.

Valores numéricos, unidades padronizadas e conjuntos simples geralmente se beneficiam de:

• Processamento mais rápido
• Ordenação totalmente previsível
• Custos menores
• Sem ambiguidades

O pipeline detecta automaticamente esses casos e aplica lógica determinística, mantendo a eficiência e evitando chamadas desnecessárias ao LLM.

Equilíbrio de poder: sistema de etiquetas do comerciante

Os comerciantes precisam manter controle, especialmente sobre atributos-chave. Assim, cada classificação pode ser marcada como:

• LLM_SORT — decisão do modelo
• MANUAL_SORT — ordenação manual pelo comerciante

Esse sistema de dupla marca permite que humanos tenham a palavra final, enquanto o AI faz a maior parte do trabalho. Além disso, constrói confiança — os comerciantes sabem que podem sobrescrever as decisões do modelo a qualquer momento, sem interromper o pipeline.

Persistência de dados: MongoDB como fonte única de verdade

Todos os resultados são gravados diretamente no MongoDB de Produtos, mantendo uma arquitetura simples e centralizada. O MongoDB se torna o armazenamento operacional único para:

• Valores de atributos ordenados
• Nomes de atributos aprimorados
• Etiquetas de classificação
• Campos de ordenação por produto

Isso facilita auditoria de mudanças, sobreposição de valores, reprocessamento de categorias e sincronização com outros sistemas.

Ciclo fechado na camada de busca: de dados à descoberta

Após a ordenação, os valores seguem para:

• Elasticsearch — busca por palavras-chave
• Vespa — busca semântica e vetorial

Isso garante que:

• Os filtros apareçam em uma ordem lógica
• As páginas de produto exibam atributos consistentes
• Os motores de busca ordenem resultados com maior precisão
• A navegação por categorias seja intuitiva e fluida

A força da ordenação de atributos se manifesta mais claramente na busca, onde a consistência é fundamental.

Visão geral do sistema: do dado bruto à interface do usuário

Para rodar essa arquitetura em milhões de SKU, criei um pipeline modular centrado em tarefas de backend, inferência de IA e integração de busca:

Fluxo de dados:

• Dados do produto provenientes do sistema de informações de produtos
• Tarefas de extração de atributos puxam valores e contexto de classificação
• Esses dados são enviados ao serviço de ordenação por IA
• Documentos de produto atualizados são gravados no MongoDB de Produtos
• Tarefas de sincronização enviam os resultados de ordenação de volta ao sistema de informações
• Elasticsearch e Vespa atualizam seus índices de busca
• Serviços de API conectam os motores de busca às aplicações clientes

Esse fluxo garante que cada valor de atributo — seja de ordenação por IA ou manual — seja refletido na busca, na gestão de prateleiras e na experiência final do cliente.

Resultados práticos da transformação

Como os valores confusos originais são convertidos:

Esses exemplos demonstram como o pipeline combina raciocínio contextual com regras claras para gerar sequências limpas e compreensíveis.

Por que optar por processamento offline e não em tempo real?

Se usar processamento em tempo real, enfrentará:

• Variações imprevisíveis de latência
• Custos computacionais elevados
• Dependências frágeis
• Complexidade operacional crescente

Já o processamento offline oferece:

• Alta eficiência em lote
• Chamadas assíncronas ao LLM
• Lógicas de retry e filas de mensagens mortas
• Janela para revisão manual
• Custos de computação previsíveis

O custo é uma pequena latência entre entrada de dados e exibição, mas o benefício é uma consistência em larga escala — algo que os clientes realmente valorizam.

Impacto nos negócios

Os resultados são bastante evidentes:

• Ordenação consistente de atributos em mais de 3 milhões de SKU
• Ordenação numérica previsível via fallback determinístico
• Controle granular por etiquetas manuais
• Páginas de produto mais limpas e filtros mais intuitivos
• Melhor relevância nas buscas
• Aumento na confiança do usuário e na taxa de conversão

Mais do que uma vitória técnica, é uma vitória na experiência do usuário e na receita.

Lições principais

• Pipelines híbridos superam soluções puramente baseadas em IA em escala. As barreiras são essenciais.
• Contexto melhora significativamente a precisão do LLM
• Tarefas offline são a base para throughput e tolerância a falhas
• Mecanismos de intervenção manual criam confiança e aceitação
• Entrada limpa é fundamental para saídas confiáveis de IA

Conclusão

Ordenar valores de atributos parece simples, mas, ao lidar com milhões de produtos, torna-se um verdadeiro desafio. Ao combinar a inteligência do LLM com regras claras e controle do comerciante, transformamos esse problema invisível, mas comum, em um sistema limpo e escalável.

Um lembrete: as maiores vitórias vêm de resolver problemas que parecem triviais — aqueles que aparecem todos os dias em cada página de produto.