Recathon LLM Negotiators

ผู้เจรจา LLM

โครงการ LLM Negotiator มีเป้าหมายเพื่อเพิ่มประสบการณ์อีคอมเมิร์ซโดยการบูรณาการโมเดลการเรียนรู้ภาษาขั้นสูง (LLM) เพื่อจำลองปฏิสัมพันธ์ส่วนบุคคล ช่วยให้สามารถต่อรองราคาแบบไดนามิก และเพิ่มความโปร่งใส ระบบนี้จัดการกับข้อจำกัดของการกำหนดราคาคงที่และการโต้ตอบกับลูกค้าอย่างจำกัด มอบประสบการณ์การช็อปปิ้งที่น่าดึงดูดและยืดหยุ่นมากขึ้น

ส่วนประกอบและขั้นตอนการทำงาน:

รายการผลิตภัณฑ์: แพลตฟอร์มอีคอมเมิร์ซแสดงแคตตาล็อกผลิตภัณฑ์และโต้ตอบกับเกตเวย์การชำระเงินสำหรับธุรกรรม

อินเทอร์เฟซการแชท LLM: ทำหน้าที่เป็นอินเทอร์เฟซการเจรจาต่อรองที่ลูกค้าสามารถโต้ตอบกับผู้เจรจา AI เพื่อหารือและเจรจาราคาผลิตภัณฑ์

Master Vector DB (V_DB): จัดเก็บการแสดงเวกเตอร์ของข้อมูลการเจรจาเพื่อเพิ่มความเข้าใจและการสร้างการตอบสนองของ LLM

รูปแบบการกำหนดราคาแบบไดนามิก:

คะแนนความต้องการ: ประเมินความต้องการของผลิตภัณฑ์เพื่อปรับราคาแบบไดนามิก Down Lift Factor: กำหนดส่วนลดขั้นต่ำที่อนุญาตโดยพิจารณาจากปัจจัยต่างๆ ปัจจัยความผันผวนของราคา: พิจารณาแนวโน้มของตลาดและราคาของคู่แข่งเพื่อปรับราคา ราคาที่แข่งขันได้: วิเคราะห์ราคาจากแพลตฟอร์มต่างๆ (P1, P2, P3, P4, P5) และอัปเดตกลยุทธ์การกำหนดราคาเพื่อให้สามารถแข่งขันได้

Web Scrapers: ขูดเว็บไซต์เป้าหมายเป็นระยะเพื่ออัปเดตฐานข้อมูลแนวโน้ม (ทุก 3 ถึง 6 เดือน) เพื่อให้มั่นใจว่ารูปแบบการกำหนดราคาจะได้รับแจ้งจากสภาวะตลาดในปัจจุบัน

โมเดลการกำหนดคะแนน: ใช้อินพุตจากโมเดลการกำหนดราคาแบบไดนามิกเพื่อกำหนดราคาฐานและราคาการเจรจาที่สร้างโดย AI

ผังกระบวนการ:

การรวบรวมข้อมูลและการอัปเดต: เว็บแครปเปอร์รวบรวมข้อมูลตลาดซึ่งอัปเดตฐานข้อมูลกลาง

การวิเคราะห์การแข่งขัน: องค์ประกอบราคาที่แข่งขันได้จะวิเคราะห์ข้อมูลจากแพลตฟอร์มต่างๆ และป้อนลงในฐานข้อมูล

การกำหนดราคาแบบไดนามิก: โมเดลที่กำหนดคะแนนจะใช้คะแนนความต้องการ ปัจจัยการเพิ่มลง และปัจจัยความผันผวนของราคาเพื่อปรับราคาแบบไดนามิก การโต้ตอบกับลูกค้า: ผ่านอินเทอร์เฟซการแชท LLM ลูกค้าสามารถต่อรองราคาแบบเรียลไทม์ LLM ใช้ฐานข้อมูลเวกเตอร์หลักเพื่อให้การตอบสนองส่วนบุคคลและเกี่ยวข้องกับบริบท

การทำธุรกรรมเสร็จสมบูรณ์: เมื่อตกลงราคาแล้ว ธุรกรรมจะดำเนินการผ่านเกตเวย์การชำระเงิน

ผู้ร่วมให้ข้อมูล

1. ปราธเมศ ปาริท
2. ฮรุชิเคช คาชกุนเด