Nick Shiftan, CTO w Bazaarvoice – Seria wywiadów

Nick Shiftan, CTO w Bazaarvoice, to doświadczony lider technologiczny i przedsiębiorca, którego kariera obejmuje dwie dekady budowania i skalowania oprogramowania przedsiębiorstw i platform handlowych. Jest najlepiej znany jako współzałożyciel i CTO Curalate, pionierskiej firmy handlu społecznościowego, której pomógł rozwinąć przez prawie dekadę do ponad 20 milionów dolarów w rocznych opłatach abonamentowych przed jej przejęciem przez Bazaarvoice w 2020 roku. Wcześniej w swojej karierze założył i kierował rozwojem produktu w Parkio, dostarczając oprogramowanie przedsiębiorstw dla systemów transportu i parkingowych, a rozpoczął swoją profesjonalną podróż w Microsoft (MSFT ), gdzie pracował nad Outlook Mobile dla Windows Mobile. Po przejęciu, co początkowo miało być krótkim okresem przejściowym, ewoluowało w długoterminową rolę, gdy kontynuował budowanie w skali, kulminując w jego mianowaniu na stanowisko CTO, gdzie jego uwaga koncentruje się na rozwijaniu odkrywania produktów napędzanych przez sztuczną inteligencję, opartych na zaufaniu i autentycznych danych konsumenckich.

Bazaarvoice to wiodąca platforma SaaS, która umożliwia markom i detalistom zbieranie, zarządzanie i aktywowanie autentycznego treści generowanego przez użytkowników, takiego jak oceny, recenzje, zdjęcia i filmy w całej cyfrowej podróży zakupowej. Działając w skali globalnej, firma pomaga ponad miliardowi konsumentów każdego miesiąca podejmować świadome decyzje zakupowe, syndykując zaufane treści w ogromnej sieci marek i destynacji handlowych, umieszczając przejrzystość, wiarygodność i handel oparty na danych w centrum doświadczeń online.

Jak stosujesz techniki oparte na generatywnych AI i LLM, aby wzmocnić autentyczność recenzji, moderację i sygnały zaufania bez naruszania wydajności podczas dużego obciążenia?

Używamy AI, aby wykryć sygnały i wzorce, a nie zastąpić ludzkie osądy. LLM pomaga szybko zidentyfikować nietypową aktywność lub potencjalnie nieautentyczne treści, ale celem jest zawsze zachowanie zaufania. Poprzez integrację tych modeli z potokami walidacji offline i odłączenie ich od ścieżek żądań w czasie rzeczywistym, utrzymujemy wydajność nawet wtedy, gdy objętość zgłoszeń wzrasta. Wynikiem są kontrole moderacji i autentyczności, które są zarówno inteligentne, jak i skalowalne.

Wiele detali handlowych inwestuje wiele w niezawodność kas, ale często pomija złożoność utrzymania godnego zaufania ekosystemu recenzji. Jakie ukryte ryzyka w infrastrukturze recenzji i ocen zasługują na taki sam strategiczny przegląd, jak płatności?

Oceny i recenzje zawsze były infrastrukturą decyzyjną, ale jest to szczególnie prawdziwe w świecie handlu wspieranego przez AI. Agenci AI będą silnie opierać się na sygnałach zaufania – szczególnie w postaci ocen i recenzji – przy podejmowaniu zaleceń zakupowych. Opóźnienia, brakujące dane lub rażąca nieautentyczność będą miały bezpośredni wpływ na zaufanie konsumentów. Te systemy są złożone; traktowanie ich z takim samym rygorem, jak systemy kasowe, jest niezbędne, aby uniknąć utraty konwersji i długoterminowej erozji zaufania.

Będąc liderem inżynierii w kilku dużych platformach handlowych, jak dostosowujesz strategie obserwacyjne i odpowiedzi na incydenty, gdy systemy AI – takie jak analiza sentimentu lub modele wykrywania oszustw – znajdują się bezpośrednio w ścieżce danych w czasie rzeczywistym?

Traktujemy modele AI jak każdą inną usługę krytyczną: monitorujemy ich wydajność i dokładność w czasie rzeczywistym. Obejmuje to opóźnienia, wskaźniki błędów i zachowanie się modeli. Wdrażamy zabezpieczenia, aby modele mogły degradować się łagodnie lub omijać niekrytyczne ścieżki podczas obciążenia. Pulpity, automatyczne alerty i runbooki zapewniają, że problemy z AI są wykrywane i rozwiązywane przed ich wpływem na konsumentów.

Jak zapewniasz, że treści generowane przez konsumentów przepływają przez twoje systemy napędzane przez AI w sposób, który utrzymuje audytowalność, przejrzystość i odpowiedzialność w czasie rzeczywistym?

To wszystko sprowadza się do obserwacji końca do końca i segmentacji potoku. Każdy kawałek treści jest śledzony przez cały jego cykl życia, od pobrania do wyświetlenia. Modele AI zapewniają rekomendacje lub flagi moderacyjne, ale wszystkie decyzje są rejestrowane, audytowane i śledzone. Połączone z buforami pojemności i dynamicznym skalowaniem, zapewnia to odpowiedzialność nawet podczas szczytowego obciążenia, utrzymując przejrzystość.

Spójrzając w przyszłość, które nowe AI-napędzane ryzyka lub wzorce zachowań uważasz, że zdefiniują następną generację projektowania systemów handlowych, i jak powinni się do nich przygotować liderzy IT?

Dla mnie kluczowe pytanie dla liderów IT handlu nie jest czy handel AI nastąpi — ale jak zmieni się podróż zakupowa konsumenta, gdy się to stanie. Jeśli handel AI stanie się tak powszechny jutro, jak handel online jest dzisiaj:

• Gdzie konsumenci odkryją moje produkty, na mojej stronie czy za pośrednictwem ChatGPT?
• Jak dowiedzą się o moich produktach, za pośrednictwem Claude czy mojego własnego asystenta zakupowego?
• Jak dokonają zakupu, na mojej stronie kasowej czy bezpośrednio za pośrednictwem interfejsu AI?

Modele pionierskie prawdopodobnie będą wiedzieć wszystko o Twoich produktach. Ale prawdziwe pytanie brzmi: Czy dostarczą ten sam doświadczenie klienta, jaki możesz dziś? Jeśli odpowiedź brzmi nie, nie wystarczy czekać na pojawienie się zamówień napędzanych przez AI. Będziesz musiał zainwestować w asystentów AI i punkty wejścia, które stanowią część unikalnego doświadczenia zakupowego Twojej marki.

Dziękuję za wspaniały wywiad, czytelnicy, którzy chcą dowiedzieć się więcej, powinni odwiedzić Bazaarvoice.