Nick Shiftan, CTO at Bazaarvoice – Haastattelusarja

Nick Shiftan, Bazaarvoicen CTO, on kokenut teknologiajohtaja ja yrittäjä, jonka ura kattaa kaksi vuosikymmentä yrityssovellusten ja kaupan alustojen kehittämistä ja skaalaamista. Hänet tunnetaan parhaiten Curalaten co-perustajana ja CTO:na, jossa hän auttoi kasvattamaan yhtiötä lähes kymmenen vuoden ajan yli 20 miljoonan dollarin vuosittaiseen liikevaihtoon ennen kuin Bazaarvoice osti sen vuonna 2020. Uransa alussa hän perusti ja johti Parkion tuotekehitystä, joka toimitti yrityssovelluksia liikenteen ja parkkimisjärjestelmille, ja aloitti ammattiuransa Microsoftissa, jossa hän työskenteli Outlook Mobile -sovelluksessa Windows Mobile -alustalla. Yrityskaupan jälkeen aluksi odotettu lyhyt siirtymäaika kehittyi pitkäaikaiseksi rooliksi, kun hän jatkoi rakentamista suurella mittakaavalla, mikä kulminoitui nimitykseen CTO:ksi, jossa hänen painopisteensä on kehittää AI-vetoinen tuotteen löytäminen, joka perustuu luottamukselle ja aitoon kuluttajadataan.

Bazaarvoice on alan johtava SaaS-alusta, joka mahdollistaa brändien ja jälleenmyyjien kerätä, hallita ja aktivoida aitoa käyttäjien luomaista sisältöä, kuten arvosteluita, kuvia ja videoita koko digitaalisen ostosmatkan ajan. Toimien globaalilla tasolla yhtiö auttaa yli miljardia ostajaa kuukaudessa tekemään perusteltuja ostospäätöksiä jakamalla luotettavaa sisältöä laajan brändien ja vähittäiskaupan kohteiden verkostossa, asettamalla avoimuuden, uskottavuuden ja datajohtoisen kaupan verkkokokemuksien keskipisteeseen.

Miten soveltatte generatiivista AI:ta ja LLM-pohjaisia tekniikoita vahvistamaan arvostelujen aitoutta, moderoimista ja luottamussignaaleja ilman suorituskyvyn heikentymistä suurten kuormien alla?

Käytämme AI:ta signaaleiden ja mallien löytämiseen, ei ihmisen tuomion korvaamiseen. LLM:t auttavat merkintämään epänormaalia toimintaa tai mahdollisesti epäaitoa sisältöä nopeasti, mutta tavoitteena on aina säilyttää luottamus. Integroidessamme nämä mallit offline-vahvistusputkiin ja erottamalla ne reaaliaikaisista pyynnön poluista, säilytämme suorituskyvyn jopa silloin, kun lähetyksen määrät kasvavat. Tuloksena on moderoiminen ja aitouden tarkistukset, jotka ovat sekä älykkäitä että skaalattavissa.

Monet vähittäiskaupan yritykset panostavat voimakkaasti kassan luotettavuuteen, mutta usein laiminlyövät arvostelujen ja arvosanojen ekosysteemin monimutkaisuuden. Mitkä piilevät riskit arvostelu- ja arviointi-infrastruktuureissa ansaitsevat saman strategisen tarkastelun kuin maksut?

Arvostelut ja arvosanat ovat aina olleet päätöksenteon kriittinen infrastruktuuri, mutta tämä on erityisen totta maailmassa, jossa ostosapua tukevat AI. AI-agentit nojaavat vahvasti luottamussignaaleihin – erityisesti arvostelujen ja arvosanojen muodossa – kun ne tekevät ostossuositukset. Viiveet, puuttuvat tiedot tai ilmeinen epäaitous vaikuttavat suoraan kuluttajien luottamukseen. Nämä järjestelmät ovat monimutkaisia; niiden käsittely samalla tavoin kuin kassajärjestelmien on välttämätöntä välttääkseen muunnettavuuden menetyksen ja pitkäaikaisen luottamuksen eroosion.

Olette johtanut insinööritöitä useilla suurilla kaupan alustoilla, miten sovitatte havainnollistamis- ja vaaratilanne-strategioita, kun AI-järjestelmät – kuten mielipidemallit tai petosmallit – sijaitsevat suoraan reaaliajassa olevassa tietoputkessa?

Käsitämme AI-malleja kuin muita kriittisiä palveluita: seuraamme suorituskykyä ja tarkkuutta reaaliajassa. Sisältää viiveen, virheiden määrän ja käyttäytymisen siirtymisen. Implementoimme varmistusjärjestelmiä, jotta mallit voivat heikentyä arvokkaasti tai ohittaa ei-kriittisiä polkuja kuormituksessa. Kojut, automaattiset hälytykset ja suorituskirjat varmistavat, että AI-ongelmat ovat näkyvissä ja ratkaistavissa ennen kuin ne vaikuttavat ostajiin.

Toimien Bazaarvoicen globaalilla mittakaavalla, miten varmistatte, että kuluttajien luoma sisältö kulkee AI-vetoinen järjestelmiänne kautta tapaa, joka ylläpitää auditointikelpoisuutta, avoimuutta ja reaaliaikaista vastauskykyä?

Se johtuu lopputuleman havainnollistamisesta ja putkien segmentoinnista. Jokainen sisällön osa seurataan sen elinkaaren aikana, keräämisestä näyttämiseen. AI-mallit tarjoavat suosituksia tai moderoimismerkintöjä, mutta kaikki päätökset ovat kirjattuina, auditointikelpoisia ja jäljitettävissä. Yhdistettynä kapasiteettipuskureihin ja dynaamiseen skaalautumiseen, tämä varmistaa vastauskyvyn jopa huipussa kuormituksessa ylläpitäen avoimuutta.

Miten eteenpäin katsoen, mitkä nousevat AI-vetiset riskit tai käyttäytymismallit luulette määrittelevän seuraavan sukupolven vähittäiskaupan järjestelmien suunnittelua, ja miten IT-johtajien tulisi valmistautua niihin nyt?

Minulle keskeinen kysymys vähittäiskaupan IT-johtajille ei ole onko AI-ostos tapahtuu – se on, miten heidän ostosmatkansa muuttuu, kun se tapahtuu. Jos AI-ostos tulee yhtä yleiseksi huomenna kuin verkkokauppa tänään:

• Missä asiakkaani löytävät tuotteiani, omalla sivustollani vai ChatGPT:n kautta?
• Miten he oppivat tuotteistani, Clauden kautta vai oman ostosavustajani kautta?
• Miten he maksavat, omalla kassasivullani vai suoraan AI-liittymän kautta?

Rajamallit tuntevat kaiken tuotteistani. Mutta oikea kysymys on: Toimittaisivatko ne samanlaisen asiakaskokemuksen, jonka voin tarjota tänään? Jos vastaus on ei, ei ole tarpeeksi odottaa, että AI-vetoinen tilaukset ilmestyvät. On syytä investoida AI-avustajiin ja niiden sisääntulopisteisiin, jotka tekevät niistä osan brändin ainutlaatuisesta ostoskokemuksesta.

Kiitos haastattelusta, lukijat, jotka haluavat oppia lisää, kannattaa vierailla Bazaarvoice:lla.