В ресторанном бизнесе критически важно точно сопоставлять товары между ресторанами и поставщиками для оптимизации закупок. Традиционные методы, включая ручное сопоставление, алгоритмы на правилах и машинное обучение, часто не справляются с объемом и разнообразием данных.
В качестве решения была разработана система на базе LLM, которая классифицирует товары по трем категориям: точные совпадения, потенциальные совпадения и несовпадения. Система анализирует наименования товаров и автоматически формирует критерии классификации на основе правил для каждой группы товаров. Пилотный проект охватил пять категорий: креветки, угорь, сыр пармезан, творожный сыр и сливочное масло.
Для каждой категории были разработаны промпты для LLM, которые проверяют соответствие наименований заданным критериям. Например, для креветок учитывался размер, наличие хвоста и способ обработки. Однако, при использовании LLM возникли проблемы с интерпретацией контекста, такие как ошибочное понимание "Easy Peel" или ассоциации слова «Палермо» с итальянским происхождением.
Результаты пилотного проекта показали высокую точность классификации: в среднем 83.8% на тестовых выборках. В целевом решении LLM будет определять критерии ранжирования, а вторая модель классифицировать товары по категориям. Это поможет бизнесу автоматизировать сопоставление номенклатур, что в свою очередь приведет к оптимизации закупок и повышению эффективности работы.
Изображение носит иллюстративный характер
В качестве решения была разработана система на базе LLM, которая классифицирует товары по трем категориям: точные совпадения, потенциальные совпадения и несовпадения. Система анализирует наименования товаров и автоматически формирует критерии классификации на основе правил для каждой группы товаров. Пилотный проект охватил пять категорий: креветки, угорь, сыр пармезан, творожный сыр и сливочное масло.
Для каждой категории были разработаны промпты для LLM, которые проверяют соответствие наименований заданным критериям. Например, для креветок учитывался размер, наличие хвоста и способ обработки. Однако, при использовании LLM возникли проблемы с интерпретацией контекста, такие как ошибочное понимание "Easy Peel" или ассоциации слова «Палермо» с итальянским происхождением.
Результаты пилотного проекта показали высокую точность классификации: в среднем 83.8% на тестовых выборках. В целевом решении LLM будет определять критерии ранжирования, а вторая модель классифицировать товары по категориям. Это поможет бизнесу автоматизировать сопоставление номенклатур, что в свою очередь приведет к оптимизации закупок и повышению эффективности работы.
