Large Language Models (LLMs) in Retail: zo begin je eraan.

Grote taalmodellen zoals ChatGPT bieden heel wat relevante toepassingen voor de retailsector. Deze technologie domineerde het afgelopen jaar het nieuws en kan door retailers op verschillende manieren slim worden ingezet.

We overlopen kort enkele toepassingen en leggen uit welke infrastructuur je nodig hebt om ermee van start te gaan.

Wat zijn grote taalmodellen?

Eerst even duidelijk maken wat grote taalmodellen (of “LLMs”) zoals ChatGPT precies zijn. GPT staat voor Generative Pre-trained Transformer. Dat wil zeggen: het model genereert tekst (Generative) op basis van een grote hoeveelheid voorverwerkte informatie (Pre-trained). De “T” staat voor transformer, een technisch concept dat ervoor zorgt dat het model context beter begrijpt en vasthoudt. Daardoor kan het langere, samenhangende teksten vormen in plaats van losse zinnen.

En net die context is cruciaal in retail. Geef je een LLM de juiste context over je eigen situatie, dan kunnen de resultaten bijzonder interessant zijn.

Hoe begin je eraan?

Aan de slag gaan doe je het makkelijkst in drie stappen. Begin met ChatGPT zelf, experimenteer met toepassingen die je gewoon kan kopen, en kijk dan of je taalmodellen ook kan integreren in je eigen systemen. Dat laatste betekent: je eigen data beschikbaar maken voor zo’n model. Daarmee maak je wat een model kan véél relevanter.

Meteen aan de slag

De laagdrempeligste manier om met LLMs te starten is via de chatinterface van tools zoals ChatGPT, of alternatieven als Gemini of Claude. Je kan er teksten mee samenvatten, nieuwe teksten laten schrijven, online onderzoek voeren, complexe concepten uitleggen (inclusief voorbeelden!), ideeën genereren, of zelfs in gesprek gaan met een fictieve expert.

De nieuwste modellen kunnen trouwens ook met beelden aan de slag: ze halen er info uit, of genereren zelf beelden of iconen.

Een handige toepassing: hulp bij het opstellen van Excelformules. Vaak omslachtig en foutgevoelig. Er bestaan plugins voor, maar je kan ook gewoon vragen stellen en vermelden in welke cellen je input staat.

Kant-en-klare tools voor retail

Naast direct gebruik zijn er ook veel tools waarin deze technologie is ingebouwd. Zeker in retail denken we dan aan toepassingen zoals:

1. Customer Service: Chatbots die natuurlijke en contextuele gesprekken kunnen voeren en klanten helpen met vragen over producten, bestellingen of retour.
2. Contentcreatie: Automatisch gegenereerde productomschrijvingen, marketingteksten of blogposts. Tijdbesparend en consistenter van kwaliteit.
3. Data-analyse: Simpele analyses zonder dat je zelf diep moet graven in cijfers. Trends, afwijkingen of inzichten in gedrag.
4. Persoonlijke assistenten: Tools die e-mails schrijven, campagnes mee uitdenken of Excelproblemen oplossen.
5. Aanbevelingssystemen: Meer contextuele aanbevelingen dankzij integratie van voorkeuren en aankoopgedrag.

Enkele favorieten om te checken:

• Kamichat: Een chatbot die meer kan dan gemiddeld, en met veel datasystemen integreert.
• Fathom: AI-notuleertool voor je meetings. Stuurt een samenvatting na, werkt in NL en EN.
• Tavily: Een extra laag boven ChatGPT, ideaal voor complexer online onderzoek met meerdere bronnen.
• Zapier: Een klassieker in automatisatie, nu met slimme AI-flows erbij.

LLMs integreren in je organisatie

Context is alles. Als je een LLM toegang geeft tot je eigen productdata, klantdata, transacties, klachten of e-mails, wordt de output plots veel relevanter.

Dat klinkt als een zware integratie, maar dat hoeft niet. De meeste retailers hebben al een klassiek data warehouse of SharePoint-omgeving. De kunst is om die informatie op een slimme manier doorzoekbaar te maken voor een taalmodel.

Een model presteert beter met genoeg (maar niet té veel) informatie. Daarom heb je nood aan een systeem dat zoekt in je bronnen en alleen de relevante stukken aanlevert. Tools als Pinecone ondersteunen dit: ze indexeren je data – van producten tot klantendata – en koppelen die aan de AI.

Experimentele use cases

Iedereen kan meetings samenvatten of een Excelformule vragen. Maar de echte meerwaarde zit in het combineren van je bestaande systemen met de kracht van een LLM.

Eén van de toepassingen waar wij vaak mee starten, is productinformatie. Als je per item steeds de meest relevante info beschikbaar hebt, kunnen category managers hun aanbod veel beter evalueren. Bijvoorbeeld: heb ik genoeg waterproof schoenen? Of: hoe zit het aanbod in prijscategorie X?

Een tweede toepassing is substitueerbaarheid. Wat is de kans dat een klant een alternatief koopt als iets niet op voorraad is? Deze inzichten zijn goud waard voor voorraadbeheer en assortimentskeuzes. Met ChatGPT en een paar productkenmerken kan je eenvoudig zulke scores inschatten.

Waarop moeten retailers nu focussen?

Wie deze technologie wil inzetten, moet nadenken over zijn technische infrastructuur. Van koppelingen met bestaande systemen tot de opzet van een futureproof data warehouse.

Start eenvoudig en breid stap voor stap uit. Zo leert je team mee. Bij Crunch helpen we bij het leggen van die fundering.

En kijk verder: in de toekomst zullen slimme combinaties van AI-tools cruciaal zijn. Verschillende modellen met elk hun sterktes, die samenwerken. Zo verlaag je de complexiteit en splits je grote vragen op in kleine, gerichte stappen – zoals ‘welk product bied ik klant X aan?’

Daarmee vermijd je AI-hype zonder plan, en maak je er een slimme, haalbare strategie van.