جست‌وجوی هوشمند محصول با EmbeddingGemma 2؛ پیدا کردن کالا با متن و تصویر

آخرین بررسی منابع: ۲۱ اکتبر ۲۰۲۶

EmbeddingGemma 2 چیست و در فروشگاه چه کاربردی دارد؟

مشتری همیشه نام رسمی کالا را نمی‌داند. ممکن است بنویسد «صندلی جمع‌وجور با دسته چوبی برای اتاق روشن» یا عکسی از یک محصول بفرستد. اگر جست‌وجوی فروشگاه فقط دنبال همان واژه‌ها در عنوان بگردد، احتمال دارد نتیجه مفیدی نشان ندهد. جست‌وجوی معنایی تلاش می‌کند ارتباط مفهومی ورودی و کالاها را نیز در رتبه‌بندی در نظر بگیرد.

گوگل در ۶ اکتبر ۲۰۲۶ EmbeddingGemma 2 را معرفی کرد. طبق مستندات رسمی، این مدل ورودی‌های چندرسانه‌ای را به فضای برداری مشترک می‌برد و امکان اجرای محلی دارد. در این مقاله، کاربرد آن را برای جست‌وجوی محصول بررسی می‌کنیم؛ نه اینکه آن را فروشگاه آماده، افزونه نصب‌شدنی یا سامانه خودکار تشخیص موجودی معرفی کنیم.

معماری و مثال‌های زیر پیشنهاد آموزشی آونا هستند. مدل روی کاتالوگ واقعی ما اجرا نشده و اعداد بنچمارک یا افزایش فروش برای پروژه‌ای ادعا نمی‌شود. تصاویر نیز برای توضیح مفهوم ساخته شده‌اند و اسکرین‌شات نتیجه یک فروشگاه فعال نیستند.

Embedding یا بردار چیست؟ تفاوت شباهت با تطابق دقیق

Embedding (بردارسازی) یعنی تبدیل یک ورودی به مجموعه‌ای از عددها که بتوان شباهت آن را با ورودی‌های دیگر مقایسه کرد. برای مثال، توضیح یک صندلی و عکس آن می‌توانند برای بازیابی نتایج مرتبط استفاده شوند. خروجی این مرحله، متن پاسخ به مشتری یا حکم قطعی درباره کالا نیست.

فرض کنید عکس یک صندلی کرم با پایه چوبی ارسال شده است. نتیجه ممکن است از نظر شکل و رنگ نزدیک باشد، اما عرض، جنس چوب یا برند متفاوتی داشته باشد. بنابراین برچسب مناسب برای تجربه کاربری «محصولات مشابه» است. عبارت «دقیقاً همین کالا» تنها زمانی قابل اتکاست که شواهدی مانند شناسه و مشخصات تأییدشده هم وجود داشته باشد.

امتیاز شباهت را نیز درصد اطمینان خرید ننامید. عدد بالاتر در رتبه‌بندی لزوماً ثابت نمی‌کند کالا همه خواسته‌های کاربر را دارد. وظیفه سامانه این است که گزینه‌های مرتبط را پیدا کند و مشخصات واقعی را کنار آن‌ها قابل بررسی نگه دارد.

جست‌وجوی کلمه‌ای، معنایی و تصویری کجا به کار می‌آیند؟

برای انتخاب معماری، ابتدا نوع درخواست مشتری را بشناسید. کد دقیق مدل، توصیف کاربرد و عکس رفرنس نباید الزاماً از یک مسیر یکسان پاسخ بگیرند. جدول زیر پیشنهاد طراحی است و نتیجه مقایسه عملی موتورهای جست‌وجو نیست.

ورودی مشتری	مسیر مناسب برای بررسی	کنترل ضروری
کد دقیق کالا یا مدل	تطبیق دقیق و جست‌وجوی کلمه‌ای	نمایش همان شناسه و تنوع درست
توضیح کاربرد و سبک	بازیابی معنایی در کنار جست‌وجوی کلمه‌ای	ارتباط واقعی با دسته و ویژگی‌ها
عکس یک محصول	بازیابی تصویری گزینه‌های مشابه	تفکیک شباهت ظاهری از تطابق قطعی
عکس همراه سقف بودجه	بازیابی تصویر و فیلتر عددی مستقل	قیمت جاری با واحد پول روشن
کالای موجود در رنگ مشخص	جست‌وجو و فیلتر تنوع و موجودی	موجودی همان رنگ، نه موجودی کلی محصول

Hybrid Search (جست‌وجوی ترکیبی) اجازه می‌دهد مزیت مسیرهای مختلف حفظ شود. در طرح پیشنهادی، تطبیق دقیق شناسه جای خود را به شباهت مبهم نمی‌دهد و نتیجه معنایی هم به‌خاطر تفاوت واژه‌ها حذف نمی‌شود. وزن یا روش ادغام رتبه‌ها باید با داده همان فروشگاه تعیین شود؛ یک نسبت ثابت برای همه کاتالوگ‌ها پیشنهاد نمی‌کنیم.

تصویر مفهومی یافتن صندلی مشابه با عکس در تلفن همراه؛ تصویرسازی اختصاصی با هوش مصنوعی، نه اسکرین‌شات ابزار.

کاتالوگ فارسی را قبل از انتخاب مدل آماده کنید

مدل نمی‌تواند مشخصاتی را که در کاتالوگ وجود ندارد، قابل اعتماد بازیابی کند. برای هر کالا، شناسه پایدار، عنوان روشن، دسته، توضیح کاربرد، ویژگی‌های ساختاریافته و عکس‌های مرتبط آماده کنید. توضیح عمومی تکرارشده روی صدها محصول، تفاوت آن‌ها را به‌خوبی نشان نمی‌دهد.

• متن فارسی: شکل‌های مختلف ی و ک، فاصله و نیم‌فاصله، اعداد و نام‌های رایج را به روشی کنترل‌شده یکسان کنید؛ متن اصلی را هم نگه دارید.
• واحدها: تومان و ریال، سانتی‌متر و میلی‌متر را صریح ذخیره کنید. عدد بدون واحد برای فیلتر قابل اعتماد نیست.
• تنوع‌ها: رنگ، اندازه و موجودی را به شناسه تنوع متصل کنید تا عکس یک رنگ به پیشنهاد رنگ دیگر منجر نشود.
• تصاویر: عکس نمای اصلی، جزئیات و رنگ‌های متفاوت را مشخص کنید. تصاویر نامرتبط تبلیغاتی را از ورودی بازیابی محصول جدا نگه دارید.
• حقوق دسترسی: کالاهای مخفی و قیمت همکار نباید وارد نتایج عمومی شوند.

مثال آموزشی برای متن یک سند محصول: «عنوان: صندلی ناهارخوری مدل آرکا؛ دسته: صندلی؛ ویژگی‌ها: پایه چوبی، پارچه کرم، عرض ثبت‌شده در مشخصات؛ کاربرد: کنار میز ناهارخوری». جزئیات را از داده واقعی پر کنید و کیفیت یا جنس ثبت‌نشده را حدس نزنید. برای زیرساخت پایه، راهنمای طراحی سایت فروشگاهی حرفه‌ای به تصمیم‌های مرتبط کمک می‌کند.

معماری پیشنهادی؛ از ساخت نمایه تا نمایش محصول

دو مسیر را جدا طراحی کنید: آماده‌سازی کاتالوگ در پس‌زمینه و پاسخ به درخواست مشتری. این جداسازی اجازه می‌دهد پردازش همه عکس‌ها با هر جست‌وجو تکرار نشود و تغییرات قابل ردیابی بمانند.

1. آماده‌سازی: محتوای قابل نمایش و تصاویر مجاز را از کاتالوگ بخوانید.
2. بردارسازی: با نسخه مشخص مدل و تنظیمات ثابت، بردار کالا یا تصویر را بسازید.
3. ثبت: بردار را همراه شناسه کالا، تنوع، نسخه مدل و نسخه محتوای ورودی ذخیره کنید.
4. درخواست: متن یا تصویر کاربر را اعتبارسنجی و با تنظیمات سازگار پردازش کنید.
5. بازیابی: گزینه‌های مرتبط را از نمایه برداری و در صورت نیاز مسیر کلمه‌ای دریافت کنید.
6. کنترل فروشگاهی: سطح دسترسی، دسته، قیمت و موجودی را پیش از نمایش اعمال کنید.
7. نمایش: نتایج را بر اساس شناسه معتبر با داده جاری فروشگاه بسازید.

فیلترهای سخت مانند دسترسی و موجودی بهتر است، هرجا موتور جست‌وجو پشتیبانی می‌کند، داخل بازیابی هم اعمال شوند. اگر پس از گرفتن تعداد کمی نتیجه همه را فیلتر کنید، ممکن است با وجود کالای مناسب، فهرست خالی بماند. در هر حالت، پیش از نمایش نهایی و افزودن به سبد، اعتبار داده‌های ضروری را دوباره کنترل کنید.

برای چند عکس از یک محصول، نتایج را در سطح کالا یا تنوع تجمیع کنید تا یک کالا همه ردیف‌ها را اشغال نکند. ترکیب متن و تصویر، یا ساخت بردارهای جدا، باید روی داده آزمایشی مقایسه شود؛ میانگین‌گیری بدون ارزیابی را راه‌حل قطعی ندانید.

شروع فنی با EmbeddingGemma 2؛ تنظیماتی که باید سازگار بمانند

برای پیاده‌سازی، از راهنمای رسمی استنتاج و نسخه‌های سازگار کتابخانه‌ها شروع کنید. نمونه نصب و کد را با محیط مقصد تطبیق دهید؛ وجود نام یک مدل در مقاله جای تأیید سازگاری CPU، GPU یا کتابخانه مورد استفاده را نمی‌گیرد.

کارت مدل به تفاوت قالب ورودی پرسش و سند، یکسان‌بودن ابعاد بردارها و نرمال‌سازی پس از کوتاه‌کردن بردار اشاره می‌کند. همچنین درباره استفاده از float16 هشدار می‌دهد. این جزئیات باید در تنظیمات نسخه‌بندی‌شده ثبت شوند تا بردار کاتالوگ و ورودی کاربر با دو قرارداد متفاوت مقایسه نشوند.

برای نسخه اولیه، یک دسته محدود را انتخاب کنید و هم‌زمان یک مسیر جست‌وجوی ساده قابل بازگشت نگه دارید. اگر مدل یا ابعاد خروجی عوض شد، نمایه جدید را جدا بسازید، کیفیتش را ارزیابی کنید و سپس ترافیک را منتقل کنید. بردارهای مدل قبلی و جدید را صرفاً به‌دلیل یکسان بودن تعداد عددها با هم مخلوط نکنید.

اگر به چت‌بات فروشگاهی هم نیاز دارید، بازیابی محصول یک جزء از آن است. تولید پاسخ، بررسی اجازه کاربر و ثبت سفارش وظایف جدا هستند. مقاله ساخت افزونه ChatGPT برای کسب‌وکار برای دیدن نقش ابزارها و اتصال داده مفید است.

تصویرسازی مفهومی کاتالوگ منظم محصولات با ویژگی‌های جنس و رنگ؛ تصویرسازی اختصاصی با هوش مصنوعی، نه اسکرین‌شات ابزار.

مثال آموزشی: عکس صندلی همراه بودجه و محدودیت ابعاد

فرض کنید کاربر عکسی می‌فرستد و می‌نویسد: «شبیه این، رنگ روشن، با عرض حداکثر ۶۰ سانتی‌متر و زیر ۱۵ میلیون تومان». این یک درخواست ترکیبی است. عکس برای یافتن فرم نزدیک مفید است، اما قیمت و عرض باید از ویژگی‌های ثبت‌شده خوانده شوند.

در طرح پیشنهادی، رابط کاربری فیلترهای استخراج‌شده را به کاربر نشان می‌دهد: دسته صندلی، سقف قیمت با واحد تومان و عرض حداکثر ۶۰ سانتی‌متر. اگر واحد یا منظور کاربر مبهم است، تأیید می‌گیرد. سپس گزینه‌های تصویری مرتبط در همین محدوده بازیابی و با اطلاعات جاری نمایش داده می‌شوند.

«رنگ روشن» می‌تواند چند تفسیر داشته باشد. بهتر است کاربر بتواند رنگ‌های پیشنهادی را اصلاح کند. اگر هیچ کالا همه شروط را ندارد، نتیجه نامنطبق را پنهانی جایگزین نکنید؛ نبود نتیجه را توضیح دهید و امکان تغییر یک فیلتر را فراهم کنید. نمایش گزینه خارج از بودجه، با همان عنوان نتیجه منطبق، اعتماد کاربر را کم می‌کند.

برای عکس آپلودشده، برش ناحیه محصول می‌تواند یک گزینه رابط کاربری باشد تا پس‌زمینه کمتر مزاحم شود؛ اثر واقعی آن را باید بسنجید. حتی بهترین نتیجه مشابه هم نباید اطلاعات ساختگی درباره برند، جنس یا ابعاد تصویر ورودی تولید کند.

دقت جست‌وجوی فارسی را چگونه بسنجیم؟

قبل از انتشار عمومی، یک مجموعه پرسش مستقل از داده تنظیمات بسازید. برنامه پیشنهادی کوچک ما ۵۰ درخواست است: ۱۰ شناسه یا نام دقیق، ۱۵ توصیف کاربرد و سبک، ۱۵ عکس و ۱۰ درخواست دارای فیلتر. این تعداد نقطه شروع برای عیب‌یابی است و برای هر فروشگاهی کفایت آماری یا تجاری را تضمین نمی‌کند.

معیار	تعریف قابل اجرا	فایده
Precision@5	سهم نتایج مرتبط از پنج نتیجه اول	بررسی کیفیت گزینه‌هایی که زود دیده می‌شوند
Recall@10	سهم کالاهای مرتبط شناخته‌شده که در ده نتیجه اول پیدا شده‌اند	کشف حذف گزینه‌های مناسب از نتایج
نقض فیلتر	تعداد نتایج خارج از قیمت، موجودی یا دسترسی مجاز	کنترل درستی قواعد فروشگاه
زمان پاسخ	اندازه‌گیری میانه و صدک ۹۵ روی محیط مقصد	دیدن کندی‌هایی که میانگین پنهان می‌کند
بی‌نتیجه و اصلاح پرسش	ثبت دفعات خالی‌بودن فهرست یا تلاش مجدد کاربر	پیداکردن نقاط اصطکاک تجربه

برای Recall باید فهرست مرجع مرتبط‌ها را تا حد معقول بشناسید؛ حدس‌زدن این فهرست از خروجی همان مدل ارزیابی مستقلی نمی‌سازد. غلط‌های تایپی، نام انگلیسی در متن فارسی، ی و ک عربی، جمع و مفرد و نام محلی جنس یا سبک را در مجموعه آزمون بگنجانید.

نسخه هوشمند را با جست‌وجوی فعلی روی همان درخواست‌ها مقایسه کنید. اگر آزمایش روی کاربران واقعی انجام می‌دهید، گروه‌ها و بازه زمانی قابل مقایسه باشند و از تغییر هم‌زمان قیمت یا طراحی صفحه نتیجه‌گیری شتاب‌زده نکنید. کلیک بیشتر روی یک نتیجه نامرتبط الزاماً موفقیت نیست.

هزینه، حافظه و امکان اجرای محلی را چطور برآورد کنیم؟

مستندات، اجرای محلی و مجوز Apache 2.0 را برای مدل معرفی می‌کند؛ این ویژگی هزینه سرور، پردازش، توسعه و نگهداری را صفر نمی‌کند. کل هزینه را به آماده‌سازی اولیه کاتالوگ، پردازش درخواست‌ها، فضای نمایه و عملیات روزمره تقسیم کنید. سخت‌افزار را با بار و تأخیر مورد انتظار انتخاب کنید.

برای یک محاسبه آموزشی مستقل، اگر ۱۰ هزار بردار ۷۶۸بعدی را با عدد ۴بایتی ذخیره کنیم، فقط عددهای بردارها ۳۰٫۷۲ مگابایت ده‌دهی فضا می‌گیرند. با ۲۵۶ بعد همین بخش ۱۰٫۲۴ مگابایت است. این اعداد شامل وزن مدل، نمایه جست‌وجو، شناسه‌ها، عکس‌ها، فراداده یا سربار پایگاه داده نیستند. اگر هر کالا چند بردار داشته باشد، شمار کل بردارها را در محاسبه وارد کنید.

کوتاه‌کردن بردار می‌تواند فضا را کاهش دهد، اما کیفیت تصویر را باید دوباره بسنجید. انتخاب کمترین بُعد صرفاً به‌دلیل مصرف کمتر، بدون بررسی نتایج واقعی، تصمیم مطمئنی نیست. اجرای آفلاین نیز فقط وقتی معنا دارد که وزن‌ها، کتابخانه‌ها و تمام اجزای لازم آماده باشند و مسیر پاسخ به سرویس بیرونی وابسته نماند.

تصویر مفهومی ارزیابی نتایج جست‌وجوی محصول با عکس و نمونه متریال؛ تصویرسازی اختصاصی با هوش مصنوعی، نه اسکرین‌شات ابزار.

حریم خصوصی، موجودی و پایداری؛ جزئیات مهم پس از راه‌اندازی

برای عکس‌های ورودی، محدودیت حجم، نوع فایل و ابعاد تعیین کنید. فراداده غیرضروری را حذف کنید و روشن بگویید فایل ذخیره می‌شود یا پس از پردازش پاک خواهد شد. تصویر کاربر را بی‌دلیل در گزارش خطا یا ابزار تحلیل نگه ندارید. محلی بودن مدل، به‌تنهایی اثبات نمی‌کند هیچ داده‌ای از سامانه خارج نمی‌شود؛ لاگ، فضای فایل و سرویس‌های جانبی هم باید بررسی شوند.

تغییر موجودی لزوماً به بازسازی بردار نیاز ندارد، اگر موجودی را مستقل فیلتر می‌کنید؛ اما تغییر عکس یا توضیحی که ورودی بردارسازی بوده باید به‌روزرسانی نمایه را فعال کند. برای این کار صف پردازش، تلاش مجدد و هش محتوای ورودی مفید است. حذف و مخفی‌کردن محصول هم باید در نتایج منعکس شود.

اگر منبع داده حسابداری یا انبار است، قرارداد همگام‌سازی را روشن کنید. اتصال فروشگاه به حسابداری و انبار پیش‌نیاز قابل اتکابودن قیمت و موجودی را توضیح می‌دهد. هنگام اختلال مدل، مسیر کلمه‌ای می‌تواند به‌عنوان جایگزین در دسترس بماند تا جست‌وجو کاملاً متوقف نشود.

چه زمانی این قابلیت ارزش ساخت دارد؟

اگر مشتریان مرتب با نام‌های توصیفی جست‌وجو می‌کنند، از محصولات مشابه عکس می‌فرستند یا کاتالوگ بزرگی با تنوع ظاهری دارید، یک آزمایش محدود ارزش بررسی دارد. اگر چند محصول مشخص دارید و مشکل اصلی اطلاعات ناقص یا فیلترهای خراب است، ابتدا همان پایه‌ها را اصلاح کنید.

برای درخواست اجرا، اندازه کاتالوگ، تعداد تصاویر، زبان‌ها، نمونه پرسش‌های مشتری، فیلترهای ضروری و محدودیت سرور را آماده کنید. از طریق فرم درخواست پروژه آونا می‌توانید این اطلاعات را بفرستید تا نسخه اولیه و معیار پذیرش مشخص شود. اگر می‌خواهید درباره مناسب‌بودن این قابلیت برای فروشگاهتان بپرسید، در نظرات نوع کالا و مسئله جست‌وجو را بنویسید؛ داده خصوصی مشتری یا کلید دسترسی ارسال نکنید.

پرسش‌های متداول

EmbeddingGemma 2 چیست؟

مدل embedding گوگل است که از ورودی‌هایی مانند متن و تصویر، نمایش عددی قابل مقایسه می‌سازد. یکی از کاربردهای آن بازیابی کالاهای مرتبط از کاتالوگ فروشگاه است.

آیا این مدل همان چت‌بات فروشگاهی است؟

خیر؛ وظیفه اصلی آن تولید بردار برای بازیابی و سنجش شباهت است. گفت‌وگو، پاسخ‌سازی یا ثبت سفارش به اجزای دیگری نیاز دارد.

آیا با عکس می‌توان دقیقاً همان محصول را پیدا کرد؟

می‌توان کالاهای مشابه را بازیابی کرد، اما شباهت تصویر اثبات تطابق دقیق مدل، جنس یا اصالت نیست. نتیجه را با شناسه و مشخصات واقعی بررسی کنید.

آیا جست‌وجوی فارسی را تضمین می‌کند؟

خیر؛ پشتیبانی چندزبانه به معنی کیفیت یکسان در همه زبان‌ها نیست. واژه‌های فارسی، نام برند، غلط تایپی و اصطلاحات همان فروشگاه باید آزموده شوند.

آیا قیمت و موجودی را مدل تعیین می‌کند؟

خیر؛ قیمت، موجودی، ابعاد و ویژگی‌های قطعی باید از داده معتبر فروشگاه و قواعد فیلتر خوانده شوند، نه از شباهت بردار یا ظاهر عکس.

آیا می‌توان مدل را بدون API خارجی اجرا کرد؟

مستندات رسمی اجرای محلی را مطرح می‌کند. برای کار آفلاین، وزن‌ها و وابستگی‌ها باید از قبل آماده باشند و کل مسیر اجرا به سرویس خارجی وابسته نباشد.

آیا برای هر جست‌وجو باید همه کالاها دوباره پردازش شوند؟

در معماری پیشنهادی، بردار کاتالوگ از قبل ساخته و هنگام تغییر محتوای مرتبط به‌روزرسانی می‌شود؛ در درخواست کاربر، ورودی او پردازش و با نمایه موجود مقایسه می‌شود.

آیا اضافه‌کردن جست‌وجوی هوشمند حتماً فروش را بیشتر می‌کند؟

چنین تضمینی وجود ندارد. ارتباط نتایج، سرعت، نرخ جست‌وجوی بی‌نتیجه و رفتار خرید را با نسخه فعلی و داده واقعی مقایسه کنید.

روش تهیه این راهنما

قابلیت‌های مدل با خبر معرفی گوگل، مستندات EmbeddingGemma، کارت مدل نسخه ۲ و راهنمای استنتاج در ۲۱ اکتبر ۲۰۲۶ تطبیق داده شد. معماری، مثال‌های فروشگاهی، محاسبه حافظه و برنامه ارزیابی، پیشنهاد آموزشی آونا هستند؛ مدل روی کاتالوگ واقعی اجرا نشده و افزایش دقت یا فروش ادعا نشده است. تصاویر اختصاصی مفهومی و تولیدشده با هوش مصنوعی‌اند.