.jpg)
El problema: ¿Es un hot dog un perro? En Google Merchant Center la categorización lo es todo. Un producto mal clasificado deja de mostrar anuncios y provoca rechazos masivos. Herramientas tradicionales basadas en Regex o coincidencia de palabras fallan con casos simples. Regla típica: si el título contiene la palabra dog entonces Categoría: Animales > Mascotas > Perros. Entrada: Hot Dog Costume Resultado: Animales > Mascotas > Perros incorrecto. Por eso entre el 15 y 20 por ciento de los artículos en catálogos grandes quedan en purgatorio como Disapproved.
La solución: Retrieval Augmented Generation RAG. En Q2BSTUDIO hemos desarrollado CatMap AI como respuesta a ese fallo sistemático, usando vectores en vez de palabras clave. Convertimos toda la Google Product Taxonomy de más de 5 500 nodos en un índice vectorial usando embeddings como text-embedding-3-small. Cuando entra un producto como Pallash Casual Womens Kurti no buscamos la palabra Kurti, buscamos el concepto matemático del producto en espacio vectorial.
Patrón Smart Retry. La búsqueda vectorial estándar falla con términos culturales o escasos en el índice. Ejemplo: Entrada Kurti Resultado inicial: Ropa genérica Confianza baja. Implementamos un bucle agente que reintenta: Intento 1 Búsqueda estándar Resultado sin categoría Detectado fallo Acción Agente LLM expande la consulta Pregunta al LLM Qué es una kurti y dame sinónimos Respuesta Tunica Blusa Camisa Intento 2 Búsqueda vectorial con Tunica Blusa Camisa Resultado correcto Ropa > Camisas y Tops
Resultados del stress test. Probamos el sistema con 2 000 casos reales en el límite del mundo real Cobertura 100 por ciento frente al 85 previo Precisión 98.3 por ciento Tiempo por fila ~200 ms El patrón de reintento y la combinación de vectores con LLMs permite resolver ambigüedades, regionalismos y nombres de producto raros sin reglas frágiles ni listas manuales interminables.
Cómo funciona a alto nivel. Convertimos la taxonomía en embeddings, indexamos en un vector store y, para cada producto, ejecutamos búsqueda semántica. Si la confianza es baja el agente expande el contexto mediante un LLM, vuelve a consultar el vector store y asigna la categoría final. Este enfoque reduce falsos positivos y el tiempo dedicado a corregir feeds, y escala con catálogos grandes sin reescribir reglas cada vez que aparece un término nuevo.
Q2BSTUDIO somos una empresa de desarrollo de software y aplicaciones a medida especializada en inteligencia artificial, ciberseguridad y servicios cloud. Ofrecemos soluciones de software a medida y aplicaciones a medida que integran agentes IA para clasificación automática, pipelines ETL y dashboards con power bi. Si necesitas proyectos de ia para empresas o integración de servicios cloud aws y azure podemos ayudarte a diseñar la arquitectura y acelerar la puesta en producción con prácticas de seguridad y pruebas de pentesting.
Si te interesa una solución similar a CatMap AI o explorar integraciones personalizadas contacta con nuestro equipo para evaluar un piloto. Con Q2BSTUDIO puedes crear desde pipelines de inteligencia de negocio hasta agentes IA que mejoren la calidad de tus feeds y reduzcan rechazos. Descubre nuestras opciones en soluciones de inteligencia artificial y en servicios de desarrollo de aplicaciones a medida.
Conclusión. Regex ha muerto como estrategia central de categorización en e commerce. La combinación de vectores y LLMs en un flujo RAG es la vía práctica para alcanzar precisión alta, eficiencia operativa y escalabilidad. Si quieres probar la API abrimos una beta gratuita para desarrolladores y proyectos pilotos con seguimiento y consultoría técnica.
