OpenAI ব্যবহার করে Wayfair-এর তথ্য ও সেবার মানোন্নয়ন

বিশ্বের অন্যতম বৃহত্তম হোম গুডস রিটেইলার Wayfair, সাপ্লায়ার সাপোর্ট ও ক্যাটালগ মানোন্নয়নে তাদের গুরুত্বপূর্ণ ইন্টারনাল সিস্টেমে OpenAI মডেল যুক্ত করেছে. 2024 সালে মূল্য-পরীক্ষার জন্য ছোট পরিসরের রিলিজ হিসেবে যা শুরু হয়েছিল, তা এখন একটি পূর্ণ প্রোডাকশন সিস্টেমে রূপ নিয়েছে, যা ম্যানুয়াল প্রচেষ্টা কমায়, সিদ্ধান্ত গ্রহণকে ত্বরান্বিত করে এবং লক্ষ লক্ষ পণ্যের জুড়ে ডেটা গুণমান উন্নত করে.

জেনারেটিভ AI-কে একটি পরীক্ষা বা পয়েন্ট সলিউশন হিসেবে দেখার পরিবর্তে, Wayfair মূল অপারেশনাল ওয়ার্কফ্লোতে OpenAI মডেল একত্রিত করেছে. কোম্পানিটি প্রথমে সেই ক্ষেত্রগুলিতে মনোযোগ দিয়েছিল যেখানে জটিলতা এবং ব্যাপকভাবে স্কেল করার প্রয়োজন সর্বাধিক ছিল: সাপ্লায়ার সাপোর্ট অনুরোধ রাউটিং ও সমাধান করা এবং প্রায় 30 মিলিয়ন আইটেমের একটি ক্যাটালগ জুড়ে ধারাবাহিকভাবে দশ হাজারেরও বেশি পণ্যের অ্যাট্রিবিউট উন্নত করা.

Wayfair-এর ক্যাটালগ টিম প্রায় এক হাজার বিভিন্ন পণ্য শ্রেণীর লক্ষ লক্ষ পণ্য পরিচালনা করে. সার্চ, রেকমেন্ডেশন এবং মার্চেন্ডাইজিং-এর জন্য রং, উপাদান, আকার বা নির্দিষ্ট বৈশিষ্ট্যের মতো সামঞ্জস্যপূর্ণ এবং সঠিক প্রোডাক্ট অ্যাট্রিবিউট ট্যাগ অপরিহার্য.    

"আমাদের ডেটার গুণমান যত ভালো হবে, গ্রাহকের সাথে আমরা তত বেশি আস্থা তৈরি করতে পারব. এটি অত্যাবশ্যক, কারণ এটি ক্রেতাদের সঠিক ক্রয় সিদ্ধান্ত নিতে সক্ষম করে, যা সরাসরি ব্যয়বহুল পরবর্তী সমস্যাগুলো—যেমন ভুলভাবে উপস্থাপিত পণ্যের কারণে ফেরত—কমায়," বলেছেন Wayfair-এর ক্যাটালগ মার্চেন্ডাইজিং-এর অ্যাসোসিয়েট ডিরেক্টর, জেসিকা ডি'আর্সি. 

OpenAI ব্যবহারের আগে, ট্যাগিংয়ের মানোন্নয়ন মূলত সাপ্লায়ার এবং গ্রাহকদের উপর নির্ভরশীল ছিল—যারা ভুল কিছু দেখলে Wayfair-কে অবহিত করতেন. ম্যানুয়াল প্রচেষ্টা পরিমাণের সঙ্গে তাল মেলাতে পারেনি.  ব্যক্তিগত ট্যাগগুলোর জন্য প্রাথমিক কাস্টম AI মডেল কার্যকর ছিল, কিন্তু তৈরি ও রক্ষণাবেক্ষণ করতে ব্যয়বহুল প্রমাণিত হয়েছিল. “আমরা শুরুতে পৃথক ট্যাগগুলোর জন্য কাস্টম মডেলগুলো তৈরি করে শুরু করেছিলাম এবং টেকনিক্যালি সেটা কাজ করেছিল,” বলেন ক্যারোলিন ফিলিপস, Wayfair-এর স্টাফ মেশিন লার্নিং বিজ্ঞানী. “কিন্তু যখন আপনি 47,000 ট্যাগ দেখছেন, তখন সেই পদ্ধতিটি ব্যাপক পরিসরে কার্যকর হয় না.”

এককালীন মডেলের গণ্ডি ছাড়িয়ে যেতে, Wayfair একটি একক OpenAI মডেলের উপর ভিত্তি করে একটি ট্যাগ-অ্যাগনস্টিক সিস্টেম তৈরি করেছে. একটি “সংজ্ঞা এজেন্ট” ওয়েব এবং অভ্যন্তরীণ সংজ্ঞা গ্রহণ করে প্রতিটি ট্যাগের জন্য প্রাসঙ্গিক অর্থ তৈরি করে. "আসল বাধা বা বোটলনেক মডেলের কার্যক্ষমতা বা পারফরম্যান্স ছিল না,” বললেন ফিলিপস. “এটি ছিল প্রতিটি ট্যাগের প্রকৃত অর্থ সংজ্ঞায়িত এবং এনকোড করতে প্রয়োজনীয় মানব সময়.” এই প্রেক্ষাপটটি, Wayfair-এর ডেটা ইকোসিস্টেম জুড়ে একত্রিত করা প্রোডাক্ট ডেটার সঙ্গে, এমন একটি কাঠামোতে প্রবেশ করে যা প্রোডাক্ট ক্লাস জুড়ে বৈশিষ্ট্যগুলি শ্রেণিবদ্ধ করতে পারে. দলটি এখন নতুন অ্যাট্রিবিউটে মডেল কভারেজ সম্প্রসারণ করছে, যা তারা মাত্র এক বছর আগে যে গতিতে করছিল তার তুলনায় 70 গুণ দ্রুত.

সিস্টেমটি এখন প্রোডাকশনে এক মিলিয়নের বেশি পণ্যে চালানো হয়েছে. আর উন্নত বৈশিষ্ট্যসহ পণ্যের প্রথম ধাপ এখন এতদিন ধরে লাইভ আছে যে গ্রাহক যাত্রায় ডেটার গুণমান উন্নত করার প্রভাব পরিমাপ করা যাচ্ছে.  “আপনি যখন তথ্যের বা অ্যাট্রিবিউটের পূর্ণতা নিশ্চিত করেন, তখন সেটি কেবল কোনো তাত্ত্বিক বা বিমূর্ত ধারণা থাকে না. “আপনি এটি SEO এবং PLA পারফরম্যান্সে—গ্রাহকরা কিভাবে পণ্য আবিষ্কার করেন তাতে—ফুটে উঠতে দেখেন,” বলেছেন ফিলিপস. একটি নিয়ন্ত্রিত A/B টেস্টে ট্রিটমেন্ট গ্রুপে ইমপ্রেশন, ক্লিক এবং পেজ র‍্যাঙ্কে উল্লেখযোগ্য এবং তাৎপর্যপূর্ণ বৃদ্ধি দেখা গেছে.

তবে, Wayfair পণ্যের ডেটা সংশোধনের সিদ্ধান্তগুলো কেবল মডেলের হাতে তুলে দেয়নি. “আমাদের লক্ষ্য হলো আস্থা তৈরি করা, যাতে গ্রাহকরা তারা যা কিনছেন সে বিষয়ে সম্পূর্ণ আত্মবিশ্বাসী হন,” বলেন ফিলিপস. কোম্পানিটি একটি হাতে-কলমে অডিট প্রক্রিয়া ব্যবহার করে কাঠামোবদ্ধ পরীক্ষা-নিরীক্ষা তৈরি করেছে, যেখানে সহযোগীরা মডেলের আউটপুট যাচাই করতে নমুনাগুলি শারীরিকভাবে পরিদর্শন করে এবং পরিবর্তনগুলি যাচাই করতে সরবরাহকারীদের সঙ্গে কাজ করেছে. এখন, ডেটা-ভিত্তিক আস্থা যখন উচ্চ থাকে, স্বয়ংক্রিয় সিস্টেমগুলো সরাসরি কনটেন্ট ওভাররাইট করবে এবং পরিবর্তন সম্পর্কে সরবরাহকারীকে অবহিত করবে. আর যখন উচ্চ মান পূরণ হয় না বা ট্যাগটিকে হাই-রিস্ক হিসেবে বিবেচনা করা হয়, তখন Wayfair পরিবর্তনটি করার আগে প্রথমে সরবরাহকারীর নিশ্চিতকরণ চায়.

Wayfair তাদের বিস্তৃত ক্যাটালগকে সমর্থন করতে দশ হাজারেরও বেশি সরবরাহকারীর সঙ্গে কাজ করে. সরবরাহকারী সাপোর্ট অনুরোধগুলি পরিচালনা করতে, Wayfair অ্যাসোসিয়েটরা ঐতিহাসিকভাবে প্রতিটি আগত টিকিট পর্যালোচনা করত, সরবরাহকারীরা কী অর্জন করতে চাইছে তা ম্যানুয়ালি শনাক্ত করত এবং সমস্যাগুলি সঠিক অভ্যন্তরীণ মালিকের কাছে রুট করত—একটি সময়সাপেক্ষ এবং ত্রুটিপ্রবণ প্রক্রিয়া. “সরবরাহকারীর অনুরোধগুলো সহজ নয়,” বললেন Wayfair-এর সরবরাহকারী সহায়তা ও অপারেশন্স বিভাগের গ্রাহাম গ্যান্সল. “এগুলো শত শত ইস্যু টাইপ জুড়ে বিস্তৃত এবং বাস্তবসম্মতভাবে কোনো একক অ্যাসোসিয়েটের পক্ষে সেগুলোর সবকটি আয়ত্ত করা সম্ভব নয়.”

Wayfair AI দিয়ে এই ওয়ার্কফ্লোগুলোকে উন্নত করতে Wilma নামের একটি পণ্যে এজেন্টিক ফিচার যোগ করেছে. প্রোডাকশনে প্রথম দিকের ফিচারগুলোর একটি হলো OpenAI মডেল দ্বারা চালিত টিকিট ট্রায়াজ. সিস্টেমটি আগত অনুরোধগুলি পড়ে, অনুপস্থিত কনটেক্সট পূরণ করে এবং টিকিটগুলি উপযুক্ত দলে রুট করে. Wilma-কে দ্রুত ডিপ্লয় করা যায় এমনভাবে ডিজাইন করা হয়েছিল; OpenAI API-এর সাথে ইতিমধ্যেই ইন্টিগ্রেটেড একটি সিস্টেমের উপর নির্মিত হওয়ায়, এটি প্রোটোটাইপ থেকে লাইভে যেতে প্রায় এক মাস সময় নিয়েছিল. “Wilma সহযোগীদের লিভারেজ দেয়,” বলেছেন গ্যানসলে. “এটি টিকিটটি পড়ে, উদ্দেশ্য শনাক্ত করে, আমাদের ডেটাবেস থেকে কনটেক্সট পূরণ করে, প্রয়োজন হলে সরবরাহকারীদের সাথে আবার যোগাযোগ করে এবং সমস্যাটিকে সঠিক দিকে নির্দেশ করে.”

রাউটিংয়ের বাইরে, Wayfair নির্দিষ্ট রেজোলিউশন টিমগুলোর জন্য ডজনখানেক এজেন্টিক AI ফ্লো ডিপ্লয় করেছে. উদাহরণস্বরূপ, Replacement Part Operations টিমের জন্য একটি কো-পাইলট জটিল কেস ইতিহাস পড়ে, পরবর্তী পদক্ষেপ প্রস্তাব করে এবং খসড়া উত্তর প্রস্তাব করে যা মানব সহযোগীরা পর্যালোচনা করে. এই সহকারীগুলোকে ঐতিহাসিক ডেটার উপর প্রশিক্ষণ দেওয়া হয়, তাই তারা প্রেক্ষাপটে সাফল্য দেখতে কেমন হবে তা শিখে. “মডেলগুলো পুরো যাত্রাজুড়ে প্রেক্ষাপট এমনভাবে সংশ্লেষ করতে পারে, যা একজন একক অ্যাসোসিয়েটের পক্ষে করা কঠিন,” বলেছেন গ্যানসলে. “সেই বৃহত্তর দৃশ্যমানতা গ্রাহক ও সরবরাহকারীর সন্তুষ্টি বৃদ্ধি করতে সহায়তা করে.”

Wayfair ট্র্যাক করে কতবার AI-এর সুপারিশগুলো মানব এজেন্টের চূড়ান্ত সিদ্ধান্তের সাথে মিলে যায়—এটি “alignment rate” নামে পরিচিত একটি মেট্রিক. প্রতিটি দলের মধ্যে, যখন সামঞ্জস্য ধারাবাহিকভাবে একটি পূর্বনির্ধারিত থ্রেশহোল্ডে পৌঁছায়, তখন কর্মপ্রবাহগুলো সহায়ক (“co-pilot”) থেকে আধা-স্বায়ত্তশাসিত (“autopilot”) মোডে স্থানান্তরিত হয়. এই ধাপে ধাপে পদ্ধতি বিশ্বাস তৈরি করে এবং রোলআউটের সময় গুণমান নিয়ন্ত্রণ নিশ্চিত করে.

Wayfair অভ্যন্তরীণ সিস্টেমে OpenAI মডেল সংযুক্ত করার পর থেকে পরিমাপযোগ্য উন্নতির কথা জানিয়েছে.

ক্যাটালগের দিক থেকে, কোম্পানি গ্রাহক যে ভুল বা অনুপস্থিত প্রোডাক্ট অ্যাট্রিবিউট ট্যাগ দেখতে পারেন তার সংখ্যা কমিয়েছে—Wayfair ক্যাটালগে সবচেয়ে বেশি দৃশ্যমান এবং কেনা হয় এমন এক মিলিয়নেরও বেশি প্রোডাক্ট জুড়ে 2.5 মিলিয়ন প্রোডাক্ট ট্যাগ সংশোধন করেছে. তারা আগামী ছয় মাসের মধ্যে এই প্রভাব চারগুণ করার প্রত্যাশা করছে.

সাপ্লায়ার সাপোর্টে, ট্রায়াজ, কো-পাইলট এবং অটো-পাইলট সিস্টেমগুলো প্রতি মাসে 41,000 টিকিট স্বয়ংক্রিয় করে থ্রুপুট বাড়িয়েছে (কিছু ওয়ার্কফ্লোতে তা 70% পর্যন্ত) এবং অ্যাসোসিয়েটদের কাজের চাপ থেকে নিয়মিত ম্যানুয়াল কাজ সরিয়ে টার্নঅ্যারাউন্ড সময় কমিয়েছে. এটি একাধিক ওয়ার্কফ্লোর জন্য রেজোলিউশনে পৌঁছাতে সময় নাটকীয়ভাবে কমায়, সরবরাহকারীর সন্তুষ্টি উল্লেখযোগ্যভাবে বাড়ায়, এবং সেই ওয়ার্কফ্লোগুলোতে টিকিট পুনরায় খোলা কমায়.

টিকিট এবং সরবরাহকারীর অভিপ্রায় সম্পর্কে মডেলগুলো যে বিস্তৃত দৃশ্যমানতা প্রদান করে—একজন একক সহযোগী স্ক্রিনে যা দেখতে পারে তার বাইরে—তা সন্তুষ্টির সেই বৃদ্ধি ঘটাতে অবদান রেখেছে.

কার্যক্রমগতভাবে, দলগুলো জানায়:

• জটিল সরবরাহকারী টিকিটের দ্রুত রাউটিং এবং সমাধান
• সরবরাহকারীর সন্তুষ্টি বৃদ্ধি
• ম্যানুয়াল তথ্য এন্ট্রি এবং ক্লাসিফিকেশন কাজ কমানো
• শত শত বিষয়ে বিশেষজ্ঞ হওয়ার প্রয়োজন ছাড়াই আরও বিস্তৃত পরিসরের সমস্যার সমাধান বা কভারেজ নিশ্চিত করা
• প্রকাশের আগে ক্যাটালগ অ্যাট্রিবিউটগুলোর প্রতি আরও বেশি আস্থা.

Wayfair তার প্রায় 12,000-জনের কর্মশক্তি জুড়ে 1,200-এরও বেশি ChatGPT Enterprise সিট মোতায়েন করেছে, যাতে তাৎক্ষণিক কাজ, অভ্যন্তরীণ সমস্যা সমাধান এবং জেনারেটিভ মডেলগুলো নিয়ে পরীক্ষা-নিরীক্ষাকে সমর্থন করা যায়.

Wayfair-এর মেশিন লার্নিংয়ে বিনিয়োগ এবং তাদের ব্যবসাকে এগিয়ে নিতে AI প্ল্যাটফর্ম ও LLM প্রদানকারীদের সাথে অংশীদারিত্ব করার দীর্ঘ ইতিহাস রয়েছে. এখন, অত্যাধুনিক মডেলগুলিতে অগ্রগতি, বিশেষ করে মাল্টিমোডাল সিস্টেমগুলিতে, এর টিমগুলো কী তৈরি করতে পারে তা প্রসারিত করছে. হোম রিটেইলে এটি গুরুত্বপূর্ণ, যেখানে পণ্যগুলো ভিজ্যুয়াল, স্টাইলিশ এবং প্রায়শই ব্যক্তিনির্ভর.

“এখন আমরা যে সমস্যাগুলোর পরিসর সমাধান করতে পারি, তা নিয়ে আমরা আনন্দিত,” বলেছেন ক্যারোলিন ফিলিপস. “প্রথাগত অ্যালগরিদমের জন্য কঠোরভাবে সংজ্ঞায়িত ডেটাসেট প্রয়োজন. এই মডেলগুলো আমাদেরকে দ্ব্যর্থকতা এবং প্রসঙ্গের মধ্য দিয়ে এমনভাবে কাজ করতে দেয়, যা আগে স্কেলযোগ্য ছিল না.” 

সামনের দিকে তাকালে, ChatGPT Enterprise-এর জন্য কর্মচারীদের চাহিদা শক্তিশালী ছিল. Wayfair-এর দলগুলো এটিকে একটি ব্যবহারিক টুল হিসেবে দেখে, যা তাদের দ্রুতগতিতে কাজ করতে সাহায্য করে.

গ্রাহকের প্রত্যাশাও দ্রুত পরিবর্তিত হচ্ছে. আরও বেশি ক্রেতা তাদের দৈনন্দিন জীবনে AI ব্যবহার করতে স্বাচ্ছন্দ্যবোধ করছেন এবং তারা অনলাইনে ব্রাউজ, তুলনা ও কেনাকাটা করার সময়ও অনুরূপ সক্ষমতা প্রত্যাশা করতে শুরু করছেন.

“বাড়িতে, গ্রাহকদের প্রায়ই তারা যা খুঁজছেন তার জন্য সঠিক শব্দ থাকে না,” বলেছেন ফিওনা ট্যান. “প্রাকৃতিক ভাষা এবং মাল্টিমোডাল সিস্টেমগুলো সেই ফাঁকটি পূরণ করতে সাহায্য করে.”

Wayfair নেতাদের জন্য, লক্ষ্যটি হলো অভ্যন্তরীণ সক্ষমতা স্কেল করার পাশাপাশি মানব দক্ষতাকে আরও সমৃদ্ধ করা. “আমরা এমন এক বিশ্বের জন্য তৈরি করছি যেখানে AI কেনাকাটার যাত্রার অংশ—তা আমাদের সাইটে হোক, সহায়তার মাধ্যমে হোক, বা কথোপকথনমূলক ইন্টারফেসের মাধ্যমে হোক,” উপসংহারে বললেন ফিওনা ট্যান.