Ник Шифтан, технический директор Bazaarvoice – Интервью

Ник Шифтан, технический директор Bazaarvoice, – опытный технологический лидер и предприниматель, чья карьера охватывает два десятилетия построения и масштабирования корпоративного программного обеспечения и коммерческих платформ. Он наиболее известен как сооснователь и технический директор Curalate, пионерской социальной коммерческой компании, которую он помог вырастить почти за decade до более чем 20 миллионов долларов в годовой выручке до ее приобретения Bazaarvoice в 2020 году. Ранее в своей карьере он основал и возглавлял разработку продукта в Parkio, доставляя корпоративное программное обеспечение для транспортных и парковочных систем, и начал свою профессиональную деятельность в Microsoft (MSFT ), где работал над Outlook Mobile для Windows Mobile. После приобретения то, что изначально должно было быть коротким переходом, превратилось в долгосрочную роль, когда он продолжал строить в масштабе, что в конечном итоге привело к его назначению на должность технического директора, где его внимание сосредоточено на продвижении продуктового открытия, основанного на доверии и аутентичных данных потребителей.

Bazaarvoice – это ведущая платформа SaaS, которая позволяет брендам и розничным продавцам собирать, управлять и активировать аутентичный пользовательский контент, такой как рейтинги, отзывы, фотографии и видео на протяжении всего цифрового пути покупки. Работая в глобальном масштабе, компания помогает более чем миллиарду покупателей каждый месяц принимать обоснованные решения о покупке, распространяя доверенный контент по обширной сети брендов и розничных пунктов назначения, помещая прозрачность, достоверность и данные, управляемые коммерцией, в центр онлайн-опыта.

Как вы применяете генеративные методы ИИ и методы, основанные на LLM, для укрепления аутентичности отзывов, модерации и сигналов доверия без компрометации производительности под тяжелой нагрузкой?

Мы используем ИИ для обнаружения сигналов и закономерностей, а не для замены человеческого суждения. LLM помогает быстро выявлять аномальную активность или потенциально неаутентичный контент, но цель всегда заключается в сохранении доверия. Интегрируя эти модели в офлайн-валидационные конвейеры и декуплируя их от реальных путей запросов, мы поддерживаем производительность даже при пиковых объемах отправки. Результатом являются модерация и проверки аутентичности, которые одновременно интеллектуальны и масштабируемы.

Многие розничные продавцы вкладывают большие средства в надежность оформления заказа, но часто упускают из виду сложность поддержания достоверной экосистемы отзывов. Какие скрытые риски в инфраструктуре отзывов и рейтингов, по вашему мнению, заслуживают того же стратегического внимания, что и платежи?

Рейтинги и отзывы всегда были решающей инфраструктурой, но это особенно верно в мире, поддерживаемом ИИ. Агенты ИИ будут сильно полагаться на сигналы доверия – особенно в форме рейтингов и отзывов – при принятии рекомендаций по покупкам. Задержки, отсутствие данных или флагрантная неаутентичность напрямую повлияют на доверие потребителей. Эти системы сложны; обращение с ними с той же тщательностью, что и с системами оформления заказа, имеет решающее значение для избежания потери конверсии и долгосрочной эрозии доверия.

В качестве руководителя инженерных команд на нескольких крупных коммерческих платформах, как вы адаптируете стратегии наблюдаемости и реагирования на инциденты, когда системы ИИ – такие как анализ настроений или модели обнаружения мошенничества – находятся直接 в реальном пути данных?

Мы относимся к моделям ИИ как к любому другому критическому сервису: отслеживаем производительность и точность в реальном времени. Это включает в себя задержку, скорость ошибок и поведенческий дрейф. Мы реализуем механизмы защиты, чтобы модели могли плавно деградировать или обходить некритические пути под нагрузкой. Панели, автоматические оповещения и руководства по выполнению обеспечивают, чтобы проблемы ИИ были выявлены и решены до того, как они повлияют на покупателей.

Когда вы работаете на глобальном уровне Bazaarvoice, как вы обеспечиваете, чтобы потребительский контент протекал через ваши системы, управляемые ИИ, способами, которые поддерживают аудит, прозрачность и реальную отзывчивость?

Все сводится к наблюдаемости от начала до конца и сегментации конвейера. Каждый кусок контента отслеживается на протяжении всего его жизненного цикла, от ингестии до отображения. Модели ИИ предоставляют рекомендации или флаги модерации, но все решения регистрируются, аудитируются и отслеживаются. В сочетании с буферами емкости и динамическим масштабированием это обеспечивает отзывчивость даже под пиковой нагрузкой, сохраняя при этом прозрачность.

Глядя вперед, какие возникающие риски ИИ или поведенческие закономерности, по вашему мнению, определят следующее поколение дизайна розничных систем, и как лидеры ИТ должны подготовиться к ним сейчас?

Для меня ключевой вопрос для лидеров розничной ИТ не в том, будет ли покупка с помощью ИИ происходить – а как их путь покупателя изменится, когда это произойдет. Если покупка с помощью ИИ станет так же распространенной завтра, как онлайн-покупка сегодня:

• Где покупатели откроют мои продукты, на моем сайте или через ChatGPT?
• Как они узнают о моих продуктах, через Claude или моего собственного помощника по покупкам?
• Как они оформят заказ, на моей странице оформления заказа или直接 через интерфейс ИИ?

Модели фронтира, скорее всего, будут знать все о ваших продуктах. Но реальный вопрос в том: будут ли они обеспечивать тот же опыт покупателя, который вы можете предложить сегодня? Если ответ – нет, это не достаточно ждать, пока заказы, управляемые ИИ, появятся. Вам нужно будет инвестировать в помощников ИИ и точки входа, которые делают их частью уникального опыта покупки вашего бренда.

Спасибо за отличное интервью, читателям, которые хотят узнать больше, следует посетить Bazaarvoice.