مدل کشف مولد شاپیفای
خلاصه هوش مصنوعی
شاپیفای مدل کشف مولد در مقیاس پروداکشن خود را معرفی می‌کند که جستجو و سیستم‌های پیشنهاددهی را در میان میلیاردها محصول یکپارچه می‌سازد. با تطبیق یک مدل زبانی متن‌باز، کدگذاری کاتالوگ محصولات به شناسه‌های معنایی با استفاده از RQ-KMeans و آموزش مشترک روی داده‌های جستجو و پیشنهاد، شاپیفای توانسته دقت بازیابی و تولید کاندیداها را بهبود بخشد. این سیستم محدودیت‌های تاخیر درخواست‌های زنده را با استفاده از مدل LFM2-2.6B شرکت Liquid AI و پشته استنتاج RIPL مدیریت می‌کند.
نکات کلیدی
- کاتالوگ از RQ-KMeans با سه کتابخانه کد هرکدام با ۸۱۹۲ ورودی برای نگاشت امبدینگ‌های محصول به شناسه‌های معنایی ۳ توکنی استفاده می‌کند.
- جستجو و سیستم پیشنهاددهی به‌طور مشترک آموزش دیده‌اند؛ حذف هر جریان، معیارهای کلی را تنزل می‌دهد که نشان‌دهنده تقویت متقابل است.
- یادگیری تقویتی با استفاده از یک ارزیاب ارتباط LLM منجر به افزایش ۱.۵ واحدی در معیار OneDCG@10 برای جستجو شد.
چرا مهم است
مقیاس‌دهی کشف محصول در یک کاتالوگ چند میلیارد آیتمی در بازه‌های زمانی بسیار کوتاه (Latency)، یک چالش بنیادی در معماری تجارت الکترونیک است. این رویکرد نشان می‌دهد چگونه هوش مصنوعی مولد، توکنایزیشن شناسه معنایی و یادگیری چندوظیفه‌ای می‌توانند جایگزین سیستم‌های سنتی و مجزای جستجو و پیشنهاد شوند.
گفتگو 0
آغازگر گفتگو باشید.