كيف بنينا منظومة إعلانات ChatGPT المبتكرة لتعزيز ثقة المستخدم وملاءمة الإعلانات

تُبنى أنظمة الإعلانات التقليدية للاستجابة إلى إشارات منفصلة تعبّر عن قصد المستخدم. يبحث المستخدم عن شيء على الإنترنت أو يشاهده، ويتلقى نظام الإعلانات استعلامات البحث ومشاهدات الصفحات هذه على هيئة أحداث، ثم يبحث عن إعلانات مطابقة استنادًا إليها. لكن بناء منظومة إعلانية لـChatGPT كان مختلفًا: فقصد المستخدم يتبلور عبر المحادثات ويتغيّر على امتداد جولاتها المتعددة، وأحيانًا لا تتوفر لحظة مناسبة لعرض إعلان. لدعم هذا النهج الجديد، بنينا نظامًا مصمّمًا خصيصًا لتسليم الإعلانات. يعتمد هذا النوع الجديد من المنظومات الإعلانية على نموذج رائد ومخصّص من النماذج اللغوية الكبيرة (LLM)، خضع لمرحلة ما بعد التدريب. ويستدعي أدوات للاسترجاع (تحديد أفضل الخيارات)، والترتيب (توقّع تفاعل المستخدم)، وتقييم الصلة (تقييم فائدة الإعلان)، وإجراء المزادات للاختيار النهائي للإعلان وتسعيره.

يراعي نظام إعلاناتنا الفروق الدقيقة في أهداف المستخدم المتغيّرة بفضل ثلاثة قرارات تصميمية رئيسية: 1) تطبيق جلسات إعلانية تحتفظ بالحالة، أي تتذكر المعلومات عبر جولات المحادثة وعبر محادثات متعددة، 2) الاعتماد على نموذج مخصّص من النماذج اللغوية الكبيرة (LLM)، خضع لمرحلة ما بعد التدريب ويستخدم بنية قائمة على استدعاء الأدوات لتفسير سياق المحادثة والقصد الكامن وراءها، ثم اختيار الإعلانات وترتيبها وتسليمها بكفاءة، 3) تشغيل عملية اختيار الإعلانات في خدمة مستقلة عن توليد إجابات ChatGPT، لمنع الإعلانات من التأثير في الإجابات والحفاظ على نبرة ChatGPT المحايدة. نستخدم نموذجنا من النماذج اللغوية الكبيرة (LLM)، الذي خضع لمرحلة ما بعد التدريب، لتنسيق سير عمل الإعلانات بالكامل، وتحديد الإعلان المناسب لإظهاره في الوقت المناسب استنادًا إلى جولة المستخدم الحالية وسجل محادثاته معًا. بينما كان بناء نظام إعلانات قادر على التحسين الذاتي من الصفر يستغرق سنوات، بلغت إعلانات ChatGPT معدل إيرادات سنويًا محسوبًا قدره مليار دولار بعد أقل من 200 يوم من الإطلاق؛ وحتى الآن، عرض أكثر من 100,000 معلن إعلاناتهم على ChatGPT منذ إطلاقه.

يبدأ طلب الإعلان التقليدي عادةً بحدث محدد بوضوح. يُدخل المستخدم استعلام بحث أو يفتح صفحة ويب، فيتلقى نظام الإعلانات طلبًا. هذا النوع من الأنظمة بسيط نسبيًا: يسترجع إعلانات محتملة ويرتّبها، ويجري مزادًا لتسعير فرصة العرض بما يناسبها، ثم يعرض الإعلان الناتج للمستخدم. أما ChatGPT، فلا تنشأ فيه بطبيعته لحظة محددة كهذه.

في محادثات ChatGPT، يأتي الناس بأهداف، لا باستعلام بحث يتطلب إجابة واحدة. فقد يخططون لرحلة، أو يختارون برنامجًا لأعمالهم، أو يؤثثون منزلًا، أو يتعلمون هواية جديدة. ولا يحدث كل ذلك في جولة واحدة من المحادثة. وغالبًا ما يساعد ChatGPT المستخدم على توضيح ما يهمه مع تقدّم الحوار.

على سبيل المثال، سأل فريقنا الهندسي ChatGPT عن كيفية التدريب لسباق: تبدأ المحادثة بسؤال عام عن الجري. وبعد عدة جولات، يسألون عن أحذية تساعدهم على التدريب. تتغيّر الدلالة التجارية للمحادثة مع ظهور كل قيد جديد، ويتطور هذا السياق الخاص بالمستخدم عبر جلسات متعددة. وقد يفسّر نظام يتصرف بناءً على الرسالة الأولى القصد تفسيرًا خاطئًا تمامًا، ما قد يضعف تجربة المستخدم ويعيقه.

تطلّب بناء نظام إعلاناتنا تجاوز بنية الإعلانات القائمة على الطلب والاستجابة، وإنشاء منظومة إعلانية من الصفر ترصد الفرص الاقتصادية المحتملة، مع إعطاء الأولوية لثقة المستخدم والقيمة التي يحصل عليها.

كان تحويل كل رسالة إلى طلب مستقل، كما في أنظمة الإعلانات التقليدية، سيحمل عدة مخاطر في تجربتنا الحوارية: 1) إساءة فهم هدف المستخدم بسبب تبسيطه المفرط، 2) بدء سير عمل الإعلانات مبكرًا، قبل اتضاح حاجة المستخدم الحقيقية، 3) عرض إعلانات تعيق رحلة المستخدم بدلًا من دعمها، 4) إعادة تشغيل سير عمل الإعلانات بصورة غير فعالة كلما تغيّر الطلب، ما يسبب تشويشًا ويهدر الموارد. بدلًا من بناء النظام حول أحداث منفردة، يحافظ نظام الإعلانات، الذي يتكوّن من الاسترجاع والترتيب والتسليم، على جلسة تحتفظ بالحالة. وهذا يعني أن الجلسة الإعلانية تستمر طوال جولة المحادثة المؤهلة، مع تذكّر المعلومات وتحديثها مع تطورها. يرسل ChatGPT سياق الطلب الأولي إلى خادم الإعلانات. يتابع نظام الإعلانات تطوّر الحوار ويتكيّف معه، بدلًا من الاعتماد على استعلام واحد مختزل.

تعمل عملية اختيار الإعلانات بالتوازي مع توليد ChatGPT لردوده المعتادة، لضمان ألّا يؤثر سير عمل الإعلانات فيها. تُصفّى الإعلانات وتُختار عبر نظام منفصل يتلقى المحادثة ويعمل وفق قيوده الخاصة للأهلية والجودة والتسليم. يتيح هذا الفصل المعماري المهم، القائم على خدمات مختلفة تستخدم نماذج وتعليمات برمجية منفصلة، لخوادم ChatGPT الأساسية تولّي توليد الرد غير الإعلاني. وفي الوقت نفسه، يقيّم نظام الإعلانات بصورة مستقلة ما إذا كانت هناك فرصة إعلانية مناسبة، ويُعدّ عند وجودها إعلانًا برعاية معلن عبر عملية تقديم منفصلة.

إلى جانب حماية تجربة المستخدم، تترتب على هذا الفصل بعض النتائج العملية. لا يعتمد ChatGPT على نظام الإعلانات؛ فالخدمات لا تتداخل بأي شكل، ولا تشترك في نموذج لتوليد المحتوى. لذا، إذا تعطل نظام تقديم الإعلانات أو تباطأ، يستمر ChatGPT في توليد رده غير الإعلاني دون تأثر. وهذا يعني أن نظام الإعلانات لا يمكنه تعطيل منتج ChatGPT أو إبطاءه. ومن فوائد هذا الفصل أيضًا أنه يحافظ على معايير صارمة جدًا للقيمة التي يجب أن تقدمها الإعلانات. فعدم إرجاع أي إعلان نتيجة طبيعية وناجحة. ولا يسلّم النظام إعلانًا إلا إذا كان مفيدًا بوضوح للمستخدمين والمعلنين.

المكوّن المعماري الرئيسي الآخر في منظومتنا الإعلانية هو نموذج من النماذج اللغوية الكبيرة (LLM) خضع لمرحلة ما بعد التدريب. يفسّر هذا النموذج المحادثات ويدير سير عمل الإعلانات بالكامل ضمن حلقة عمل وكيلية، مستدعيًا أدوات الوظائف الأساسية لنظام الإعلانات، بدءًا من الاسترجاع، مرورًا بالترتيب والمزاد، ووصولًا إلى التسليم. نسمّي هذا النموذج من النماذج اللغوية الكبيرة (LLM) المنسّق.

يبدأ سير عمل الإعلانات بفهم قصد المستخدم لبدء عملية الاسترجاع، وهي عملية سريعة تتعمد جمع نطاق واسع من الإعلانات المحتملة لتصفيتها لاحقًا. إن تلقّي المحادثة تدريجيًا يجعل مهمة الاسترجاع أغنى بالمعلومات، لكنه يزيد غموضها أيضًا، إذ يحتاج نظام الإعلانات إلى التمييز بين القصد الحالي والسياق الذي لم يعد ذا صلة. يجب أن يفسّر المنسّق الإشارات إلى الرسائل السابقة، وأن يميّز الحالات التي يتحدث فيها المستخدم على سبيل الافتراض، وألّا يتعامل مع كل ذكر لمنتج أو خدمة على أنه طلب شراء.

يستخدم منسّق الإعلانات ما يتاح له من المحادثة وسياق المستخدم، ويكرر محاولاته للعثور على إعلانات جيدة، ويختار في كل مرة الأداة التي سيستدعيها وتوقيت استدعائها. والهدف الأساسي هو العثور على الإعلان الأنسب لتلك المحادثة والسياق، أي الإعلان الذي يوازن بين تقديم قيمة عالية للمستخدم وقيمة عالية للمعلن. إذا اختار المستخدم تخصيص الإعلانات، يأخذ المنسّق أيضًا في الحسبان المعلومات غير الحساسة المتاحة عن محادثاته السابقة للعثور على الإعلانات الأكثر ملاءمة.

مع تقدّم المحادثة وحصول منسّق الإعلانات على معلومات أحدث، يمكنه تنفيذ مجموعة جديدة من استدعاءات الأدوات باستخدام السياق المحدّث للعثور على إعلانات أفضل وإرسالها إلى تطبيق العميل، الذي يمكنه بدوره استخدامها إذا وصلت في الوقت المناسب.

صُمّم المنسّق لتحقيق التوازن بين القيمة المقدّمة للمستخدم والقيمة المقدّمة للمعلن، مع وضع المستخدمين في المقام الأول دائمًا.

يتكوّن نظام الإعلانات من أدوات منفردة يستدعيها المنسّق على نحو تكراري للعثور على أفضل الإعلانات للمحادثة. بصورة عامة، يحوّل المنسّق المحادثات إلى ملخصات نصية موجزة، تُحوّل بدورها إلى تضمينات دلالية (تمثيلات مخزّنة للمعاني يسهل على نظام الإعلانات البحث فيها). ثم يسترجع الإعلانات المرشحة باستخدام تلك التضمينات، ويصفّيها بحسب الأهلية (بناءً على الميزانية وإعدادات المستخدم وفحوص أولية أخرى)، ويقيّم جودتها وصلتها بالمحادثة، ويجري ترتيبًا نهائيًا لتحديد فرص عرض عالية القيمة في نهاية رد المحادثة. لذلك، لا يكون أي إعلان مؤهلًا للعرض إلا إذا استوفى معايير صارمة للأهلية والصلة بالمحادثة.

يُعدّ المنسّق، وهو نموذج من النماذج اللغوية الكبيرة (LLM)، أولًا استعلامًا واحدًا أو أكثر يمثّل القصد التجاري ذا الصلة. قد يشمل ذلك إعادة صياغة سياق المحادثة لتوسيع الاحتمالات التجارية بما يتجاوز مطابقة استعلامات البحث واحدًا لواحد (1:1)، ثم إنشاء تمثيلات دلالية. وفي هذه العملية، يختزل المنسّق محادثة متعددة الجولات في ملخص لنظام الاسترجاع، ليسترجع الإعلانات من قاعدة بياناتنا بصورة موجّهة.

سيكون عرض الإعلانات أفضل للمستخدمين والمعلنين معًا إذا لم تظهر إلا عند وجود فهم عميق لقصد المستخدم. يمكن للاستعلامات المتعددة أن تحافظ على الجوانب المختلفة للقصد. فقد تتضمن محادثة حول التخطيط لرحلة، مثلًا، احتياجات منفصلة تتعلق بالنقل أو الإقامة أو الأنشطة. ويمكن لنظام الاسترجاع الحفاظ على هذه الفروق بدلًا من اختزال المحادثة بأكملها في سلسلة نصية حرفية واحدة.

لننظر، على سبيل المثال، إلى تسلسل محتمل لمحادثة حول أحذية المشي لمسافات طويلة:

1. ما الذي تنصحني باستكشافه خلال رحلة إلى يوسيميتي لمدة يومين؟

2. هل سيكون الطقس باردًا الأسبوع المقبل؟

3. ما خطوط المنتجات الجديدة لدى [insert brand]؟

رغم أن المستخدم لم يربط السؤال عن علامة الأحذية التجارية برحلة يوسيميتي، فقد تُمثَّل هذه المحادثة في نظام إعلاناتنا باستعلامَين، مثل [حذاء مناسب لرحلة مشي لمسافات طويلة] و[خطوط منتجات جديدة من [brand] مناسبة للسفر]. وقد تكون هذه مجرد المحاولة الأولى؛ فالمنسّق مصمّم لتنقيح هذه التمثيلات مرارًا حتى يجد في مخزوننا إعلانات ذات قيمة عالية للمستخدم.

الاسترجاع هو عملية إنشاء مجموعة من الخيارات الإعلانية يُتعمّد أن تكون واسعة. قد تأتي الإعلانات المرشحة من استراتيجيات استرجاع مختلفة، ويمكنها لاحقًا التنافس ضمن قيود التقديم نفسها. نبني فهارس متعددة، يُحسَّن كل منها لمراعاة قيود مختلفة للنظام والمنتج. فعلى سبيل المثال، صُمّم فهرس الإعلانات المستندة إلى خلاصات المنتجات ليأخذ في الحسبان مراجعات المنتجات الإيجابية والسلبية عند جلب أفضل الإعلانات الممكنة. ولا ينطبق ذلك على إعلانات أخرى قد لا ترتبط بها مراجعات. يُحسَّن كل فهرس لاستخدام صيغة من صيغ البحث التقريبي عن أقرب الجيران (ANN)، بالاستعانة بتضمينات تمثّل قصد المستخدم. بحث ANN هذا هو خوارزمية تقريبية للاسترجاع من فهارس دلالية ضخمة؛ أي إنه يجلب الإعلانات بسرعة كبيرة، مقتربًا من حل جيد بدلًا من البحث عن الحل «الصحيح»، مع الاحتفاظ بمعظم الإعلانات المرشحة ذات الصلة.

تهدف التصفية إلى استبعاد جميع الإعلانات المرشحة التي لا تستوفي معايير العرض من حيث الصلة وعروض الأسعار والميزانية. بحسب الإعلان المرشح والتهيئة، قد تشمل فحوص التصفية توافر المواد الإعلانية والحملة (هل الحملة أو المواد الإعلانية نشطة؟)، واستهداف الحملة (مثل المناطق واللغات التي يُسمح للحملة بالعمل فيها)، وقيود السياسات (متطلبات الامتثال بشأن ما يمكن الإعلان عنه)، وتوافر الميزانية (هل لا تزال للحملة ميزانية متاحة للإنفاق؟)، ووتيرة الإنفاق (هل ينبغي للحملة إنفاق الميزانية الآن أم في وقت آخر من اليوم؟)، والتوافق مع موضع العرض (أنواع المحادثات التي يُسمح بعرض الإعلان فيها)، وإزالة التكرار على مستوى المعلن والحملة (اختيار عدد مناسب من الإعلانات لكل معلن لضمان مشاركة عادلة بين الشركات).

تنتقل الإعلانات المرشحة التي تجتاز فحوص الأهلية إلى مرحلة احتساب الدرجات، حيث يستدعي المنسّق أدوات أنظمة تقييم مختلفة لمراعاة عوامل تقديم الإعلان، مثل الصلة الدلالية (هل يرتبط الإعلان بهدف المستخدم؟)، والتفاعل المتوقع (هل يُرجَّح أن يُشاهَد الإعلان ويُنقَر عليه ويؤدي إلى النتيجة التي يريدها المعلن؟)، والأداء السابق (هل حقق الإعلان أداءً جيدًا عند عرضه للمستخدمين حتى الآن؟). يصفّي المنسّق الإعلانات أيضًا لضمان صلتها وسلامتها قبل المزاد. تقلّص هذه الأنظمة الخيارات إلى مجموعة أصغر من الإعلانات المرشحة الجاهزة للمزاد، لكنها لا تحدد بعد الإعلان النهائي الذي سيُسلَّم.

يقيّم المنسّق الإعلانات المرشحة التي جرى إعدادها في سياق المحادثة، ويختار منها ما هو مناسب بما يكفي لدخول المزاد النهائي. لا يقرر المنسّق مباشرةً أي إعلان سيُقدَّم، ولا يحدد سعرًا. بل يرشّح إعلانات ملائمة للسياق كي تقيّمها أداة المزاد.

يطبّق المزاد الآليات النهائية لتقديم الإعلان، بما يشمل القبول في المزاد (اجتياز الحد الأدنى من الصلة والقيمة)، وضبط وتيرة الإنفاق (إنفاق الميزانية الإعلانية بتوزيع أكثر انتظامًا)، وحساب عروض الأسعار وسمات المزاد، والترتيب المعدّل بحسب الجودة، والتسعير، والاختيار النهائي.

بعد المزاد، قد لا يُسلَّم الإعلان لسببين، وكلاهما مرتبط بطبيعة المحادثة في ChatGPT.

1. قد يبدو الإعلان غير مناسب للمحادثة: رغم أن نماذج النزاهة (وهي النماذج التي تقرر متى يكون تقديم إعلان مناسبًا) اعتبرت المحادثة نفسها آمنة لعرض الإعلانات، وأن الإعلان نفسه عُدّ متوافقًا مع السياسات، فقد يبدو الإعلان أحيانًا غير مناسب في سياق محادثات معينة. يمنع المنسّق عرض هذه الإعلانات.

2. قد لا يصل طلب الإعلان في الوقت المناسب: إذا كان نموذج ChatGPT جاهزًا للرد، ولم يكن الإعلان جاهزًا للعرض بعد، تنتهي مهلة طلب الإعلان ولا يُسلَّم. لذلك، يتمثل أحد أهداف نظام الإعلانات في العمل بأقصى سرعة ممكنة. يتغيّر زمن استجابة نموذج ChatGPT، ولا نؤخر ردود المحادثة انتظارًا لتحميل الإعلانات.

إذا اجتاز الإعلان جميع الفحوص السابقة، نرسله إلى الواجهة الأمامية لعرضه. نعدّ ذلك تسليمًا للإعلان من جانب الخادم، لكننا قد لا نعرضه للمستخدم رغم ذلك، وهذا مقصود في التصميم.

في منتج حواري مثل ChatGPT، لا يضمن تسليم المادة الإعلانية من جانب الخادم عرض الإعلان؛ إذ يجب أن يصل أيضًا في الوقت المناسب لإدراجه في جولة المحادثة الحالية. تتضمن المادة الإعلانية العنوان والوصف ورابط الوجهة وأي دعوة لاتخاذ إجراء. ويُرجع نظام الإعلانات أيضًا تمهيدًا يولّده النموذج، وهو مقدمة قصيرة ومحايدة توضّح صلة الإعلان بالمحادثة. يحافظ فصل التمهيد عن المادة الإعلانية على رسالة المعلن، مع إبقاء نبرة ChatGPT محايدة.

تتلقى الواجهة الأمامية لـChatGPT التمهيد والمادة الإعلانية في حزمة واحدة. إذا وصلت الحزمة قبل اكتمال توليد رد ChatGPT، تعرض الواجهة الأمامية الإعلان أسفل الرد، مع علامة واضحة بأنه محتوى برعاية معلن. أما إذا وصلت متأخرة، فلا يُعرض الإعلان في تلك الجولة. وهذا هو الفرق بين تسليم الإعلان من جانب الخادم وظهور الإعلان للمستخدم.

تستخدم منظومتنا الإعلانية مسارات تقليدية لتسجيل الأحداث ومعالجة البيانات، بما يحقق ثلاث فوائد رئيسية: تسهيل دمج المعلنين أنظمتهم الحالية مع منظومتنا، وتمكينهم من تحسين استراتيجياتهم باستخدام بيانات التقارير، ومساعدة فريقنا على تحديد أجزاء النظام التي تحتاج إلى تحسين. إلى جانب أدوات إعداد التقارير والتحسين هذه، نستخدم نموذجًا عالي الجودة لتقييم تسليم الإعلانات وتدريب نماذج إعلانية أخرى، ما ينشئ حلقة قوية للتحسين الذاتي.

تساعدنا التحليلات التفصيلية لما حدث على فهم كل جزء من نظام الإعلانات وتحسينه على حدة. يسجّل نظام معالجة السجلات أيضًا نتائج دقيقة، مثل:

• لم تكن جولة المحادثة مؤهلة لعرض الإعلانات.

• بدأت جلسة إعلانية، لكن لم يُطلب إجراء استرجاع.

• لم تُرجع عملية الاسترجاع أي إعلانات مرشحة.

• ما الذي تنصحني باستكشافه خلال رحلة إلى يوسيميتي لمدة يومين؟

• سُلِّم إعلان ثم تلقّى تفاعلًا لاحقًا.

تساعدنا هذه التحليلات التفصيلية على تحسين كل جزء من نظام تقديم الإعلانات على حدة. فتحسين اكتشاف الفرص يتطلب أدلة مختلفة عن تلك اللازمة لتحسين الاسترجاع أو جودة الإعلانات المرشحة أو المشاركة في المزاد أو موثوقية التسليم.

تقوم فكرة التقييم باستخدام النماذج على أن أقوى نماذجنا وأعلاها قدرة على الاستدلال تراقب نتائج نظامنا وتحكم عليها، ثم تحسّن النموذج الذي خضع لمرحلة ما بعد التدريب، وهو من النماذج اللغوية الكبيرة (LLM)، بتدريبه على أداء أفضل. فمثلًا، يمكننا استخدام نماذج أصغر وأكثر كفاءة، أو نماذج أقل قدرة على الاستدلال، للتنسيق أو الاسترجاع، إذا كان أقوى نماذجنا يجمع الملاحظات ويدرّب هذه النماذج الصغيرة على أداء مهامها بأفضل صورة ممكنة.

نجمع الملاحظات البشرية ونعمل بها، من نقرات المستخدمين وإخفائهم للإعلانات، إلى استطلاعات آرائهم وملاحظات المعلنين المباشرة عبر منصة إدارة الإعلانات. ونتيح أيضًا التواصل مع فريقنا لتلقّي الملاحظات أثناء التطوير، ونستمع مباشرةً إلى ما يريده مستخدمو ChatGPT والمعلنون. يوجّهنا هذا المصدر من الملاحظات أكثر حتى من ملاحظات النموذج المستندة إلى المراقبة، وهو أحد العوامل التي أتاحت لنا التنقيح المتكرر وصولًا إلى قرارات المنتج المناسبة بسرعة. قد يستطيع النموذج فهم قصد المستخدم والتفكير النقدي لتقديم شيء ذي قيمة، لكن البشر هم من يشكّلون الذوق.

قبل عام، لم يكن لدينا نظام إعلانات، ولم يكن يفكّر في تحديات هذا المجال سوى بضعة أشخاص. أما الآن، فلدينا نظام إعلانات متين يدعم معدل إيرادات سنويًا محسوبًا يتجاوز مليار دولار، ويدير سير عمل الإعلانات فيه منسّق قائم على النماذج اللغوية الكبيرة (LLM). كان Codex عاملًا أساسيًا في مضاعفة قدراتنا، إذ أتاح لنا بناء نظامنا من الصفر والوصول إلى هذا المستوى البارز من الاستخدام بسرعة غير مسبوقة. منذ البداية، نظّمنا الفريق وسير عمل التطوير لاستخدام Codex في بناء النظام وتوسيع نطاقه بسرعة. وضعنا ضوابط لـCodex تتيح له إطلاق التعليمات البرمجية بأمان وموثوقية. وبالتوازي، أعددنا إضافات تربط Codex بالبنية التحتية للبيانات، لتقصير دورة استخلاص الرؤى وتنفيذ تحسينات النظام بدرجة كبيرة، بما في ذلك ميزات جديدة للمنتج، وتحسينات في الجودة، وأداء أفضل للنظام.

إن الجمع بين حدود نظامنا، المستندة إلى مبادئنا الإعلانية⁠، ومنسّقنا القائم على النماذج اللغوية الكبيرة (LLM)، يتيح لنا جعل الإعلانات مفيدة دون التعامل مع كل محادثة على أنها طلب إعلان. في المرحلة المقبلة، سنواصل تجربة صيغ إعلانية أكثر ديناميكية لزيادة القيمة للمستخدمين (مثل إتاحة التحدث مباشرةً إلى الشركات عبر الإعلانات) وللمعلنين. ستسرّع بنية المنظومة القادرة على التحسين الذاتي، والمبنية على نماذج OpenAI مع حلقات مستمرة من الملاحظات، قدرتنا على مواصلة تحسين الصلة والتخصيص بمرور الوقت.