E-commerce
Personalizovaný AI prodejce
Jak e-shop s 50 000 zákazníky nasadil UAML pro AI agenta, který si pamatuje preference — a umí je i zapomenout.
Problém
Středně velký e-shop chce AI chatbota, který skutečně pomáhá — ne generický „Jak vám mohu pomoci?". Potřebuje:
- Pamatovat si preference — „Minule jste kupoval běžecké boty Nike, velikost 43"
- Znát historii reklamací — „Vidím, že jste měl problém s posledním balíkem — omlouvám se"
- Doporučovat relevantně — ne náhodné produkty, ale na základě skutečného kontextu
- GDPR compliance — zákazník smaže účet → veškerá paměť musí zmizet. Kompletně.
Řešení s UAML
Consent + Retention — UAML spravuje souhlas zákazníka. Bez souhlasu AI agent neukládá nic. Po smazání účtu se spustí purge(client_ref="zákazník-123") a vše je pryč. Nevratně.
uaml.learn(
"Zákazník preferuje značku Nike, velikost 43,
styl: běžecké boty, cenový limit: do 3000 Kč",
topic="preference",
client_ref="zakaznik-8472"
)
ctx = uaml.context("zákazník hledá boty",
max_tokens=500
)
store.purge(client_ref="zakaznik-8472", dry_run=False)
Retence a automatický úklid
Retention policies automaticky čistí staré údaje:
- Preference starší 2 let → automaticky archivovány
- Reklamace starší 5 let → smazány (zákonná lhůta)
- Neaktivní zákazníci → snížení confidence → postupné zapomínání
- Bez souhlasu → žádné ukládání (consent management)
Výsledky
- 📈 +23% konverzní poměr u zákazníků s AI asistentem
- ⭐ +18% spokojenost — zákazníci oceňují, že AI „ví, o co jim jde"
- 📋 GDPR ready — právo na výmaz implementováno jedním příkazem
- 🔄 Automatický úklid — žádná manuální správa starých dat
Klíčové UAML funkce pro e-commerce
- Izolace zákazníků — data zákazníka A neviditelná pro zákazníka B
- Consent management — právně čisté zpracování osobních údajů
- Retention policies — automatické zapomínání podle pravidel
- Context builder — optimální kontext pro LLM v rámci token budgetu
- PII sanitizace — při exportu dat pro analytiku se automaticky redakují osobní údaje