Convertir la retroalimentación en decisiones más rápidas e inteligentes
adidas siempre ha liderado con innovación. Comenzó con tacos atornillados que transformaron las botas de fútbol y continuó con equipamiento de alto rendimiento que combina estilo, sostenibilidad y tecnología. Para mantener este legado y servir mejor a su base global de clientes, adidas buscó aprovechar un recurso enorme y poco utilizado: más de 2 millones de reseñas de los productos.
¿El objetivo? Usar IA generativa para extraer el sentimiento y obtener información útil de los comentarios de los clientes, lo que empodera a más de 50 tomadores de decisiones a nivel global, incluidos los usuarios no técnicos, para mejorar el desarrollo de productos y la experiencia de la marca. Un chatbot RAG automatizaría el análisis de revisiones y ofrecería respuestas ricas en contexto en tiempo real, lo que aseguraría que los equipos puedan actuar rápidamente sobre lo que los clientes realmente desean.
Pero la infraestructura existente de adidas no podía soportar esa visión. Su chatbot heredado no se construyó sobre GenAI o RAG, lo que llevó a obtener respuestas genéricas, altos costos de computación y tiempos de respuesta frustrantes de 15 segundos. Mientras tanto, el análisis de revisión seguía siendo en gran medida manual, lo que llevaba mucho tiempo, y los usuarios no técnicos tenían dificultades para acceder a los conocimientos. “Con cargas de consulta que superaban los 200 000 tokens, estábamos sobrecargando nuestros sistemas back-end y limitando la adopción”, afirmó Rahul Pandey, arquitecto de soluciones sénior de adidas.
Construyendo una base escalable para GenAI
adidas inició su transformación al preparar una capa de datos sólida para respaldar el RAG. En primer lugar, se integraron más de 2 millones de reseñas de productos gracias a modelos como Databricks BGE Large, optimizados para la búsqueda semántica. Estas revisiones vectorizadas capturaron el contexto de los comentarios de los clientes, no solo las palabras clave. Luego, las incrustaciones se indexaron con Mosaic AI Vector Search, la solución nativa de Databricks para una recuperación rápida basada en significado.
Con la base de datos vectorial implementada, adidas desplegó un pipeline RAG con Model Serving. La canalización recuperaba fragmentos relevantes de reseñas, los combinaba con indicaciones de usuario y generaba respuestas mediante LLMs como Claude Haiku. Unity Catalog garantizó el acceso seguro y el control de modelos y datos, mientras que los componentes compatibles como las API y la interfaz de chatbot se alojaban en un entorno Kubernetes nativo de la nube. Una interfaz limpia e intuitiva, creada con React y Angular, facilitó a los equipos de todas las regiones el acceso y la interacción con la herramienta.
Para gestionar los experimentos y mantener la confiabilidad del sistema, adidas utilizó MLflow para realizar un seguimiento del rendimiento del modelo y repetir el proceso de manera eficiente. Los bucles de retroalimentación y el seguimiento de errores aseguraron que el chatbot se mantuviese alineado con la evolución del sentimiento del cliente, que crecía de manera más inteligente con cada interacción.
FAQ: adidas and GenAI on Databricks
adidas built its solution using Databricks AI Search for vector-based retrieval, Model Serving to run the RAG pipeline, Unity Catalog for secure data and model governance and MLflow to track experiments and model performance. Reviews were embedded using Databricks BGE Large, and responses were generated using LLMs, including Claude Haiku.