چگونه متا از هوش مصنوعی مولد برای درک قصد کاربر استفاده می کند

متا - شرکت مادر فیس بوک، اینستاگرام، واتس اپ، Threads و موارد دیگر - یکی از بزرگترین سیستم های توصیه جهان را اجرا می کند.

در دو مقاله اخیر، محققان نشان می دهند که چگونه می توان از مدل های مولد برای درک بهتر و پاسخگویی بهتر به هدف کاربر استفاده کرد.

با مشاهده توصیه ها به ،وان یک مشکل مولد، می تو،د به روش های جدیدی به آنها برخورد کنید که از نظر محتوا غنی تر و کارآمدتر از رویکردهای سنتی هستند. این رویکرد می تواند کاربردهای مهمی برای هر برنامه ای که نیاز به بازیابی اسناد، محصولات یا انواع دیگر اشیاء دارد، داشته باشد.

متراکم در مقابل بازیابی مولد

رویکرد استاندارد برای ایجاد سیستم های توصیه گر، مح،ه، ذخیره و بازیابی نمایش های متراکم از اسناد است. به ،وان مثال، برای توصیه آیتم ها به کاربران، برنامه باید مدلی را آموزش دهد که بتواند جاسازی ها را هم برای کاربران و هم برای آیتم ها مح،ه کند. سپس باید یک فروشگاه بزرگ از گنجاندن آیتم ایجاد کند.

در زمان استنتاج، سیستم توصیه گر تلاش می کند تا با یافتن یک یا چند مورد که تعبیه های آنها مشابه موارد تعبیه شده کاربر است، هدف کاربر را درک کند. این رویکرد به مقدار فزاینده ای از ذخیره سازی و ظرفیت مح،اتی با افزایش تعداد آیتم ها نیاز دارد زیرا هر جاسازی آیتم باید ذخیره شود و هر عملیات توصیه ای مست،م مقایسه جاسازی کاربر با کل فروشگاه آیتم است.

بازیابی مولد یک تکنیک جدیدتر است که تلاش می کند هدف کاربر را درک کند و با پیش بینی آیتم بعدی در یک دنباله به جای جستجو در پایگاه داده، توصیه هایی ارائه کند. بازیابی تولیدی نیازی به ذخیره سازی جاسازی آیتم ها ندارد و هزینه های استنباط و ذخیره سازی با افزایش فهرست اقلام ثابت می ماند.

کلید انجام کار بازیابی مولد، مح،ه «شناسه های م،ایی» (SID) است که حاوی اطلاعات متنی در مورد هر مورد است. سیستم های بازیابی مولد مانند TIGER در دو مرحله عمل می کنند. ابتدا، مدل کدگذاری برای ایجاد یک مقدار جاسازی منحصر به فرد برای هر آیتم بر اساس توضیحات و ویژگی های آن آموزش داده می شود. اینها شامل مقادیری می شوند که به شناسه های امنیتی (SID) تبدیل می شوند و با آیتم ذخیره می شوند.

در مرحله دوم، مدل آداپتور برای پیش بینی SID بعدی در ترتیب ورودی آموزش داده می شود. لیست SID های ورودی نشان دهنده تعامل کاربر با موارد قبلی است و پیش بینی مدل SID مورد توصیه شده است. بازیابی تولیدی نیاز به ذخیره و جستجو در میان جاسازی های اقلام فردی را کاهش می دهد. همچنین توانایی ثبت روابط م،ایی عمیق تر در داده ها را افزایش می دهد و مزایای دیگری را برای مدل های تولیدی فراهم می کند، مانند تنظیم دما برای تنظیم تنوع توصیه ها.

بازیابی مولد پیشرفته

علیرغم هزینه های کم ذخیره سازی و استنتاج، بازیابی تولیدی از محدودیت هایی رنج می برد. به ،وان مثال، تمایل دارد مواردی را که در طول آموزش دیده است، بیش از حد من، کند، به این م،ی که با مواردی که پس از آموزش مدل به کاتالوگ اضافه شده اند، مشکل دارد. در سیستم های توصیه گر، این اغلب به ،وان «مشکل شروع سرد» نامیده می شود که مربوط به کاربران جدید و موارد بدون سابقه تعامل است.

برای رفع این کاستی ها، متا یک سیستم توصیه گر ،یبی به نام LIGER ایجاد کرده است که کارایی مح،اتی و ذخیره سازی بازیابی تولیدی را با کیفیت جاسازی قوی و قابلیت های طبقه بندی بازیابی متراکم ،یب می کند.

در طول آموزش، LIGER از هر دو امتیاز شباهت و نمادهای بعدی برای بهبود توصیه های مدل استفاده می کند. در طول استنتاج، LIGER چندین نامزد را بر اساس مک،سم تولیدی انتخاب می کند و آنها را با برخی از ،اصر شروع سرد تکمیل می کند، که سپس بر اساس جاسازی نامزدهای تولید شده رتبه بندی می شوند.

محققان خاطرنشان می کنند که «یکپارچه سازی روش های بازیابی متراکم و مولد پتانسیل فوق العاده ای برای توسعه سیستم های توصیه گر دارد» و با تکامل مدل ها، «آنها به طور فزاینده ای برای برنامه های کاربردی دنیای واقعی کاربردی تر خواهند شد و تجربیات کاربر شخصی شده تر و پاسخگوتر را ممکن می سازند».

در مقاله ای جداگانه، محققان یک روش بازیابی مولد چندوجهی جدید به نام شناسایی اولویت چندوجهی (Mender) ارائه ،د، تکنیکی که می تواند مدل های مولد را قادر سازد ترجیحات ضمنی را از تعاملات کاربر با موارد مختلف دریافت کنند. Mender مبتنی بر روش های بازیابی تولیدی مبتنی بر شناسه های امنیتی (SID) است و برخی مؤلفه ها را اضافه می کند که می توانند توصیه ها را با تنظیمات برگزیده کاربر غنی کنند.

مندر از یک مدل زبان بزرگ (LLM) برای ترجمه تعاملات کاربر به ترجیحات خاص استفاده می کند. به ،وان مثال، اگر کاربر در یک بررسی از یک مورد خاص تمجید یا شکایت کند، مدل آن را به یک اولویت در مورد آن دسته محصول خلاصه می کند.

مدل پیشنهادی اصلی به گونه ای آموزش داده شده است که در هنگام پیش بینی شناسه م،ایی بعدی در دنباله ورودی، هم به ترتیب تعاملات کاربر و هم بر ترجیحات کاربر مشروط باشد. این به مدل توصیه توانایی تعمیم، انجام یادگیری در زمینه، و انطباق با ترجیحات کاربر را بدون آموزش صریح در مورد آنها می دهد.

محققان می نویسند: «مشارکت های ما راه را برای ک، جدیدی از مدل های بازیابی تولیدی هموار می کند که توانایی استفاده از داده های ارگ،ک را برای هدایت توصیه ها از طریق ترجیحات متنی کاربر باز می کند».

مفاهیم برای برنامه های کاربردی سازم،

کارایی ارائه شده توسط سیستم های بازیابی مولد می تواند پیامدهای مهمی برای برنامه های کاربردی سازم، داشته باشد. این پیشرفت ها به مزایای عملی فوری، از جمله هزینه های زیرساختی کمتر و استدلال سریع تر تبدیل می شوند. توانایی این فناوری برای ثابت نگه داشتن هزینه های ذخیره سازی و استنباط بدون توجه به اندازه کاتالوگ، آن را به ویژه برای شرکت های در حال رشد ارزشمند می کند.

این مزایا در صنایع مختلف از تجارت الکترونیک گرفته تا جستجوی سازم، را شامل می شود. بازیابی تولیدی هنوز در مراحل اولیه است و می تو،م انتظار داشته باشیم که برنامه ها و چارچوب ها با بلوغ ظاهر شوند.

بینش روزانه در مورد موارد استفاده تجاری با VB Daily

اگر می خواهید رئیس خود را تحت تأثیر قرار دهید، VB Daily شما را تحت پوشش قرار می دهد. ما اطلاعاتی در مورد آنچه شرکت ها با هوش مصنوعی مولد انجام می دهند، از تحولات سازم، گرفته تا استقرار عملی به شما ارائه می دهیم، بنابراین می تو،د بینش هایی را برای به حدا،ر رساندن بازگشت سرمایه به اشتراک بگذارید.

سیاست حفظ حریم خصوصی ما را بخو،د

با تشکر برای اشتراک. خبرنامه های بیشتر VB را اینجا ببینید.

خطایی رخ داد.