การตรวจสอบข้อมูลสินค้า: ใช้ AI เฉพาะจุด ใช้กฎตัดสินใจ

โมเดลที่อ่านข้อความหรือเขียนคำบรรยายได้ไม่ควรเป็นผู้ตัดสิน compliance เราแยก probabilistic interpretation ออกจาก deterministic control: โมเดลสกัดและเรียบเรียง ส่วนกฎที่ตรวจสอบย้อนหลังได้เป็นผู้ validate และ decide

ข้อมูลสินค้าคือระบบควบคุม ไม่ใช่งานเขียน

record หนึ่งเชื่อมหลักฐานจาก supplier ข้อกำหนดธุรกิจ กฎหมาย ช่องทาง และ master data

Interpretation: อ่านเอกสาร ภาพ หรือข้อความที่หลากหลาย map คำศัพท์ และร่างเนื้อหา
Control: ตรวจ field, type, value, unit, dependency, evidence, rights และ status

กำหนด Canonical Record ก่อนใช้ AI

แต่ละ attribute ต้องมี ID, type, owner, unit, source, evidence, scope และ approval right หลักฐานดิบต้อง immutable และ candidate แยกจาก approved value

product_id
attribute_id
candidate_value
source_document_id
source_location
extraction_method
model_or_rule_version
confidence
created_at
review_status

เช่นเดียวกับ B2B catalog ที่มีหน้ารับรอง ทุก claim ต้องเชื่อมกับ evidence

จุดที่โมเดลสร้างคุณค่า

สกัด Candidate จากหลักฐานไร้โครงสร้าง

คืน candidate พร้อมตำแหน่งหลักฐาน หากไม่มีให้คืน null ไม่เดา confidence ใช้ route งาน ไม่ใช่แทน evidence

Map ภาษาเข้าสู่ Controlled Vocabulary

ใช้ exact match ก่อน โมเดลเสนอ concept และเหตุผล แล้วกฎหรือ reviewer ที่มีสิทธิ์อนุมัติ

เรียบเรียงข้อความสำหรับลูกค้า

สร้าง title, bullet, summary หรือ translation จาก approved attributes เท่านั้น แล้วใช้กฎตรวจความยาว prohibited claims และค่าที่ไม่มีหลักฐาน

จุดที่กฎต้องตัดสินใจ

ประเภท	ตัวอย่าง Control
Presence	มี attribute บังคับ
Type/format	parse ได้ตาม type
Range	อยู่ในช่วงอนุญาต
Enumeration	อยู่ใน vocabulary ปัจจุบัน
Unit	unit และ conversion ได้รับอนุมัติ
Cross-field	มี field ที่สัมพันธ์กัน
Evidence	claim มี source ที่ใช้ได้และใหม่
Consistency	quantity, dimensions และ totals ตรงกัน
Scope	ใช้ได้กับภาษา ตลาด และ channel
Authority	actor มีสิทธิ์ approve หรือ publish

ทุก rule มี ID, version, owner, severity และข้อความที่เข้าใจได้ การแยกนี้ทำให้ flatfile automation หลายปลายทาง เปลี่ยน format ได้โดยไม่ลดมาตรฐาน validation

Reference Workflow

Ingest: ลงทะเบียนไฟล์ checksum ที่มา และเวลา
Preprocess: จำแนกและผูกกับ product identity
Extract: parser ก่อน โมเดลเฉพาะ field ที่ยังไม่ชัด
Normalise: แปลง format/unit โดยไม่เปลี่ยนความหมาย
Validate: รัน versioned rules
Review: ส่ง exception ให้ผู้มีสิทธิ์
Approve: บันทึก value, evidence และ approver
Publish: เขียนผ่าน controlled adapter
Observe: เก็บ rejection, correction และ outcome

ทุก transition สร้าง event สถาปัตยกรรม commerce หลายภาษา ควรมอง translation เป็น derived, versioned output โดยใช้ approved facts และ evidence ร่วมกัน

Confidence ใช้จัดเส้นทาง ไม่ได้รับรองความจริง

confidence สูงไม่พิสูจน์ว่า source ถูกต้อง ใหม่ หรือได้รับอนุญาต ต้องใช้ร่วมกับ risk และ rules หากไม่มี evidence ให้ abstain

Exceptions เป็นส่วนหนึ่งของ Product

bundle, replacement, regional variant, legacy และเอกสารขัดแย้งต้องมี reason code, severity, owner, due date และ resolution override ต้อง explicit และจำกัด scope

วัดจาก Baseline ถึง Outcome

รายงานภายในใช้ Baseline = 100 และเก็บค่าจริงไว้ในสภาพแวดล้อมที่ได้รับอนุญาต

candidate accuracy และ evidence coverage
rule-pass และ abstention rate
human override และ correction
queue age และเวลาอนุมัติ
rejection และ post-publication correction
guardrails สำหรับ severe errors

กำกับการเปลี่ยนแปลงเสมือน Policy

rule change ต้องมี owner, rationale, effective date, tests และ approval ทดสอบโมเดลกับข้อมูลคุณภาพต่ำ ใช้ shadow mode, limited cohort และ gradual rollout write adapter ต้อง idempotent, least-privilege และ rollback ได้

การแบ่งงานที่ขยายได้

โมเดลเปลี่ยนหลักฐานเป็น candidate และ facts เป็นภาษา กฎแสดง policy ที่ทำซ้ำได้ คนแก้ความกำกวมและความเสี่ยง ใช้ AI เมื่อจำเป็นต้องตีความ และใช้กฎเมื่อองค์กรระบุการตัดสินใจได้ชัดเจน