La búsqueda interna clásica compara cadenas de caracteres. Encuentra los productos cuyo texto contiene las palabras introducidas, y nada más. La búsqueda semántica compara sentidos: acerca «cargador de coche» y «adaptador de mechero» sin que se haya declarado ningún sinónimo.
Así es como funciona realmente, lo que cuesta, y dónde sigue siendo peor que lo clásico.
El principio, sin jerga
Cada producto de tu catálogo se transforma en una serie de números, llamada vector, que representa su sentido. Dos productos próximos por el sentido producen vectores próximos en ese espacio.
Cuando un visitante busca algo, su consulta se transforma de la misma manera, y después el motor busca los vectores más cercanos. No hace falta ninguna coincidencia de palabras: decide la proximidad de sentido.
Esa transformación la produce un modelo de lenguaje, entrenado sobre enormes volúmenes de texto, que ha aprendido que ciertos términos aparecen en los mismos contextos. Es lo que le permite saber que un mechero de coche y un cargador de coche pertenecen al mismo uso.
Lo que resuelve
Tres situaciones en las que el motor clásico falla sistemáticamente.
El vocabulario diferente. El cliente emplea sus palabras, tu catálogo emplea las del proveedor. Sin sinónimos declarados, ningún resultado. Es el caso más frecuente y el más costoso.
La consulta descriptiva. «Algo para guardar herramientas en un garaje» no contiene ninguna palabra de tu catálogo, pero describe con precisión una necesidad. El motor léxico devuelve ruido o nada.
La falta de ortografía y la variación. Plurales, conjugaciones y ortografías aproximadas son absorbidos por la representación vectorial sin ajuste particular.
Búsqueda Semántica IA — PrestaShopLa búsqueda que entiende la intención, no solo las palabras clave€149,00
Qué hay que vectorizar
Cuestión que determina la calidad de los resultados mucho más que la elección del modelo.
El mínimo útil: el nombre del producto, su descripción corta, su categoría y sus atributos principales. La descripción larga aporta contexto pero también ruido, en particular cuando contiene condiciones de envío o menciones legales idénticas en todas las fichas.
Un principio simple: vectoriza solo lo que distingue al producto. Todo texto presente de forma idéntica en cien fichas acerca artificialmente esas cien fichas entre sí y degrada la pertinencia.
Las características técnicas merecen un tratamiento aparte. Un modelo de lenguaje entiende mal los números y las unidades: «120 cm» y «140 cm» le parecen muy próximos. Es un límite estructural, no un defecto de configuración.
El punto más importante: no sustituir, combinar
Es el error de diseño clásico. La búsqueda semántica no es mejor que la búsqueda léxica, es diferente, y es claramente peor en ciertos casos.
Sobre una referencia exacta, un código de producto, un número de pieza, un código de barras, el léxico gana siempre. Lo vectorial no entiende que una cadena de caracteres debe coincidir exactamente.
Sobre los valores numéricos, talla, peso, dimensión, potencia, el léxico asociado a filtros sigue siendo superior.
Sobre un nombre de marca, el léxico es más fiable, ya que lo vectorial tiende a traer marcas competidoras del mismo universo.
La arquitectura que funciona combina ambos: una búsqueda léxica primero, completada por la capa vectorial cuando devuelve pocos o ningún resultado, o fusionada con una ponderación. Una tienda que pasa enteramente a semántica ve degradarse sus búsquedas por referencia, y suelen ser las de sus mejores clientes.
El coste, en claro
Tres partidas, de magnitudes muy distintas.
La indexación inicial. Cada producto debe vectorizarse una vez. En un catálogo de diez mil referencias, la operación representa un coste unitario bajo pero real, y un tiempo de tratamiento de algunas horas.
La actualización. Solo los productos modificados deben revectorizarse. Una reindexación completa en cada importación es un error costoso: detecta los cambios reales en los campos vectorizados.
Las consultas. Cada búsqueda de visitante supone vectorizar la consulta. Es la partida que sube con el tráfico, y la que hay que mirar antes de lanzarse. Una caché de las consultas frecuentes la reduce mucho, ya que una parte importante de las búsquedas de una tienda es repetitiva.
Medir antes y después
Tres indicadores, tomados sobre los treinta días que preceden a la puesta en marcha.
La tasa de búsquedas sin resultado, que debe bajar netamente. Es la ganancia más visible y más inmediata.
La tasa de clic sobre el primer resultado, que mide la pertinencia percibida. Si baja mientras la tasa de resultados sube, tu motor devuelve productos próximos pero no pertinentes.
La tasa de conversión de las sesiones con búsqueda, única cifra que justifica la inversión.
Un cuarto control, cualitativo: constituye una lista de treinta consultas reales sacadas de tus registros, con el resultado esperado, y vuélvela a lanzar tras cada modificación. Es la única manera de constatar una regresión antes que tus clientes.
El módulo Búsqueda Semántica IA para PrestaShop pone en marcha esta capa en PrestaShop 8 y 9: indexación vectorial del catálogo con selección de campos, combinación con la búsqueda léxica existente, productos similares calculados sobre el sentido, y panel de consultas con su tasa de resultado.