关于设计:元宇宙到家那些聪明的设计工具

✏️ 编者按：

想要量身定制一款专属你的衣橱？想要亲自设计色彩和布局？外部的隔板、抽屉、网篮要什么尺寸？挂衣杆和裤架也不能少？甚至……你还想同时对比多个相似的衣橱？

在这个妇孺皆知家具和家居批发企业，你除了能够选购现成的家具，还能线上 DIY，拼接组装你想要的家具整机。在用户设计实现后，在线商城还会贴心地举荐多个类似家具供顾客参考。

这个聪慧的设计和举荐平台是如何实现的？Milvus 社区有幸邀请到了来自该外资家居企业的工程师陈晨，与大家分享 Milvus 数据库在家具行业中的利用。

🌟 嘉宾简介：

陈晨，Leader of data smart offering platform，负责构建智慧数据生成平台，毕业于复旦大学，热衷摸索新技术，迭代、重构和降级已有零碎。

业务背景

在家具与家居行业，为了让用户对产品有一个直观的概念，须要先“打样”，也就是把家具拼出来展现。家具通常体积宏大，须要较大展现空间。如何在无限的空间内让用户更好地「看到」家具，成为了家具行业的痛点。

为了解决这个问题，咱们找到了一款在线解决方案（如上图所示），能够实现在线打样、部分调整、在线出样等性能。

该智能化平台须要蕴含以下数据链路：

• 筹备数据，定义整机
• 在线召回，通过排序找到满足用户须要的数据
• 一些补充的业务逻辑，随后最终交付给用户

技术选型

在上图的智能生产数据平台模型中，左侧是与销售业务相干的信息，右侧是与数据生产相干的内容。为了反对设计工具的应用，咱们须要将物理空间中的家具组件转化为计算机能够意识的数据模型。

除此之外，咱们还须要反对 H5、App、小程序等多平台，须要领有在线的高性能召回排序，稳固的、可兼容的存储。为了可能满足以上需要，咱们还须要加强平台鲁棒性，让平台能够自我修复、能够本人降级、能够去做一些迭代。

基于以上需要，咱们是这样设计该智能化平台的：

• Elasticsearch 负责一些较粗的召回和简略筛选，这些数据来自多个数据源
• 对基于一些规定生成的向量，应用 Milvus 数据库进行向量间隔计算，而后再做排序
• Backend 负责 BU、business insight 做数据后处理，这样就实现了数据的最终交付

因为家具是一个平面的空间概念，须要多维度形容一件家具的构造，很难用传统的标量数据（如  SKU）形容全副信息。所以，咱们须要抉择了一款迭代迅速、兼容性好、使用方便的向量数据库实现向量数据的存储和检索，下图是咱们对 Elasticsearch、Faiss、Milvus 数据库等向量搜寻解决方案的横纵向测评，基于性能、稳定性、易用性等因素综合考量，咱们最初抉择了向量数据库 Milvus。

架构与数据链路

以上是咱们的平台架构示意图。其中，Milvus 数据库负责存储向量数据。基于这个架构，咱们又拆散线和在线两个局部。

离线过程分为五步：

1. 定义 items，将物理空间上的整机示意为计算机可能了解的 item
2. 数据生成
3. 对家具进行了特色工程，包含标签选取、表征 encoding
4. 召回数据筹备，将数据转成可搜寻的数据结构
5. 数据排序筹备，此时会实现 embedding 以及数据集治理等工作

在线过程分为五步：

1. Backend 步骤中，设计工具将后盾收到的 query 与通过隐衷含糊解决的用户画像拼接，用于组织后续召回、排序的参数和策略
2. Query understanding 步骤中，平台依据用户的需要和事后配置的参数，组织召回策略和排序参数
3. Search platform 将解析进去的后果组成 DSL，通过多个数据集进行召回
4. Ranking 步骤中，平台依据事后定义的规定和表征信息进行混合打分和后果调整
5. 回到 Backend 步骤，补全数据，依据经营需要重新整理数据返回给前端

应用示例

在实在场景中，咱们是如何实现这个平台的呢？

下图左侧的衣柜展现了多种挂置和叠放的可能性，这些特色会被转化为数据标签保留在 Elasticsearch 中，Elasticsearch 中的代码设置如右侧所示。这些标签次要用于线上的粗召回以及线上数据 debug。

咱们会选取家具的一些标签属性进行 embedding，通过不同的算法和服务将它们构建为一组或多组向量。这些向量及其 ID 一起存在 Milvus 数据库中，后续进行相似性召回和排序。

整个平台的资源配置由 Elasticsearch、PostgreSQL（存储配置信息）、OSS（上游计算及展现信息）、Milvus（存储向量表征信息）组成。

在召回阶段，咱们会去先依据用户的 query 去构建一些 Elasticsearch 的 query，而后去做一些粗召回。同时，咱们还会把用户的 query 转化为检索向量，而后在 Milvus 里召回 topK 的近似向量，配合 Elasticsearch 外面召回的数据后果进行打分。

总结与瞻望

该平台无效提速整个设计流程。原先，客户均匀须要 180 分钟进行设计，应用智能化在线平台后设计工夫降至 30 分钟左右。对于用户而言，该平台还可能一次性提供 20 个不同样式的家具，大大降低顾客设计门槛，优化用户体验。从企业角度来看，该平台无效晋升了寰球订单量与客单价。

就技术而言，咱们将会精简数据链路、提速运算节点，一直优化迭代，晋升整个智能平台的性能和用户体验；此外，咱们将会在更多国家和地区推广该平台，并在门店内部署，笼罩更多渠道，让用户更好地体感触到智能设计带来的极致体验。

Zilliz 以从新定义数据迷信为愿景，致力于打造一家寰球当先的开源技术创新公司，并通过开源和云原生解决方案为企业解锁非结构化数据的暗藏价值。

Zilliz 构建了 Milvus 向量数据库，以放慢下一代数据平台的倒退。Milvus 数据库是 LF AI & Data 基金会的毕业我的项目，可能治理大量非结构化数据集，在新药发现、举荐零碎、聊天机器人等方面具备宽泛的利用。