Nick Shiftan, CTO ve společnosti Bazaarvoice – série rozhovorů

Nick Shiftan, technický ředitel (CTO) ve společnosti Bazaarvoice, je zkušený technologický lídr a podnikatel, jehož kariéra trvá již dvě desetiletí a zahrnuje budování a škálování podnikového softwaru a obchodních platforem. Je nejvíce známý jako spoluzakladatel a technický ředitel (CTO) společnosti Curalate, průkopnické společnosti v oblasti sociálního obchodu, kterou pomohl vyrůst za téměř deset let na více než 20 milionů dolarů v průměrném ročním výnosu (ARR), než ji v roce 2020 získala společnost Bazaarvoice. Na začátku své kariéry založil a vedl vývoj produktů ve společnosti Parkio, kde dodával podnikový software pro dopravní a parkovací systémy, a svou profesní dráhu zahájil ve společnosti Microsoft, kde pracoval na Outlook Mobile pro Windows Mobile. Po akvizici se z původně očekávaného krátkého přechodu vyvinula dlouhodobá role, v níž pokračoval v budování ve velkém měřítku, což vyvrcholilo jeho jmenováním technickým ředitelem (CTO), kde se zaměřuje na rozvoj objevování produktů řízených umělou inteligencí, které je založeno na důvěře a autentických spotřebitelských datech.

Bazar je přední SaaS platforma v oboru, která umožňuje značkám a maloobchodníkům shromažďovat, spravovat a aktivovat autentický obsah generovaný uživateli, jako jsou hodnocení, recenze, fotografie a videa, v průběhu celého digitálního nákupního procesu. Společnost působí v globálním měřítku a každý měsíc pomáhá více než miliardě nakupujících činit informovaná rozhodnutí o nákupu tím, že syndikuje důvěryhodný obsah v rozsáhlé síti značek a maloobchodních destinací a do centra online zážitků klade transparentnost, důvěryhodnost a obchod založený na datech.

Jak aplikujete techniky založené na generativní umělé inteligenci a LLM k posílení autenticity, moderování a signálů důvěryhodnosti recenzí, aniž byste ohrozili výkon při velké zátěži?

Používáme umělou inteligenci k odhalování signálů a vzorců, nikoli k nahrazení lidského úsudku. LLM pomáhají rychle odhalit anomální aktivitu nebo potenciálně neautentický obsah, ale cílem je vždy zachovat důvěru. Integrací těchto modelů do offline validačních kanálů a jejich oddělením od cest požadavků v reálném čase si udržujeme výkon i při prudkém nárůstu objemu odeslaných požadavků. Výsledkem jsou inteligentní a škálovatelné moderační a autentizační kontroly.

Mnoho maloobchodníků investuje značné prostředky do spolehlivosti pokladen, ale často přehlíží složitost udržování důvěryhodného ekosystému recenzí. Jaká skrytá rizika v infrastruktuře recenzí a hodnocení si podle vás zaslouží stejnou strategickou kontrolu jako platby?

Hodnocení a recenze byly vždy kritickou infrastrukturou pro rozhodování, ale to platí zejména ve světě nakupování podporovaného umělou inteligencí. Agenti umělé inteligence se při vytváření nákupních doporučení budou silně spoléhat na signály důvěryhodnosti – zejména ve formě hodnocení a recenzí. Zpoždění, chybějící data nebo zjevná neautentika budou mít přímý dopad na důvěru spotřebitelů. Tyto systémy jsou složité; je nezbytné s nimi zacházet stejně důsledně jako s pokladními systémy, aby se zabránilo ztrátě konverze a dlouhodobému narušení důvěry.

Vzhledem k tomu, že jste vedl vývoj napříč několika významnými obchodními platformami, jak přizpůsobujete strategie pozorovatelnosti a reakce na incidenty, když systémy umělé inteligence – jako je analýza sentimentu nebo modely detekce podvodů – se nacházejí přímo v datové cestě v reálném čase?

S modely umělé inteligence zacházíme jako s jakoukoli jinou kritickou službou: monitorujeme výkon a přesnost v reálném čase. To zahrnuje latenci, chybovost a behaviorální drift. Implementujeme bezpečnostní prvky, aby modely mohly při zátěži plynule degradovat nebo obcházet nekritické cesty. Dashboardy, automatizovaná upozornění a runbooky zajišťují, že problémy s umělou inteligencí jsou odhaleny a vyřešeny dříve, než ovlivní zákazníky.

Jak při globální činnosti Bazaarvoice zajišťujete, aby obsah generovaný spotřebiteli procházel vašimi systémy řízenými umělou inteligencí tak, aby byla zachována auditovatelnost, transparentnost a odezva v reálném čase?

Jde o komplexní sledovatelnost a segmentaci obsahu. Každý obsah je sledován po celou dobu svého životního cyklu, od přijetí až po zobrazení. Modely umělé inteligence poskytují doporučení nebo příznaky moderování, ale všechna rozhodnutí jsou zaznamenávána, auditovatelná a sledovatelná. Spolu s kapacitními vyrovnávacími paměťmi a dynamickým škálováním to zajišťuje odezvu i při špičkovém zatížení a zároveň zachovává transparentnost.

Která nově vznikající rizika nebo vzorce chování vyvolané umělou inteligencí budou podle vás definovat příští generaci návrhu maloobchodních systémů a jak by se na ně měli IT manažeři připravit již nyní?

Pro mě klíčová otázka pro IT manažery v maloobchodě není if Nakupování s využitím umělé inteligence se stane skutečností – změní se až cesta zákazníka. Pokud se nakupování s využitím umělé inteligence zítra stane stejně běžným jako je dnes nakupování online:

• Kde zákazníci objeví mé produkty, na mém webu nebo přes ChatGPT?
• Jak se dozvědí o mých produktech, zda prostřednictvím Clauda nebo mého vlastního nákupního asistenta?
• Jak budou platit, na mé stránce pokladny nebo přímo přes rozhraní umělé inteligence?

Modelky na hranicích trhu pravděpodobně budou o vašich produktech vědět všechno. Skutečná otázka ale zní: Budou poskytovat stejnou zákaznickou zkušenost jako dnes? Pokud je odpověď ne, nestačí čekat na objevení objednávek řízených umělou inteligencí. Budete muset investovat do asistentů s umělou inteligencí a vstupních bodů, které je učiní součástí jedinečného nákupního zážitku vaší značky.

Děkuji za skvělý rozhovor, čtenáři, kteří se chtějí dozvědět více, by měli navštívit Bazar.