Wayfair با OpenAI دقت کاتالوگ و سرعت پشتیبانی را افزایش می‌دهد

Wayfair، یکی از بزرگ‌ترین خرده‌فروشان کالاهای خانگی در جهان، مدل‌های OpenAI را در سیستم‌های داخلی حیاتی ادغام کرده است تا گردش‌کارهای پشتیبانی از تأمین‌کنندگان و کیفیت کاتالوگ محصولات را در مقیاس وسیع بهبود دهد. آنچه در سال ۲۰۲۴ به‌عنوان انتشارهای کوچک‌مقیاس برای آزمون ارزش آغاز شد، به یک سیستم تولیدی کامل تکامل یافته است که تلاش دستی را کاهش می‌دهد، تصمیم‌گیری را تسریع می‌کند و کیفیت داده را در سراسر میلیون‌ها محصول بهبود می‌بخشد.

Wayfair به‌جای اینکه هوش مصنوعی مولد را به‌عنوان یک آزمایش یا راهکار نقطه‌ای تلقی کند، مدل‌های OpenAI را در گردش‌کارهای عملیاتی اصلی تعبیه کرد. این شرکت ابتدا بر جایی تمرکز کرد که پیچیدگی و نیاز به مقیاس بیشترین بود: مسیریابی و رسیدگی به درخواست‌های پشتیبانی تأمین‌کنندگان و بهبود سازگارِ ده‌ها هزار ویژگی محصول در سراسر یک کاتالوگِ حدوداً ۳۰ میلیون قلم کالا.

تیم کاتالوگ Wayfair ده‌ها میلیون محصول را در نزدیک به هزار ردهٔ مختلف محصول مدیریت می‌کند. برچسب‌های ویژگی‌های محصولِ سازگار و دقیق — مانند رنگ، جنس، اندازه یا ویژگی‌های خاص — برای جستجو، توصیه‌ها و کالاسازی ضروری هستند.    

Jessica D'Arc، مدیر بخش کاتالوگ در Wayfair گفت: «هرچه کیفیت داده‌های ما بهتر باشد، اعتماد بیشتری با مشتری ایجاد می‌کنیم. این موضوع ضروری است، زیرا به خریداران قدرت می‌دهد تا تصمیم‌های خرید درست بگیرند و به‌طور مستقیم مشکلات پرهزینهٔ بعدی مانند بازگشت کالا به‌دلیل معرفی نادرست محصولات را کاهش می‌دهد». 

پیش از OpenAI، بهبودهای برچسب‌گذاری عمدتاً به این متکی بود که تأمین‌کنندگان و مشتریان به Wayfair بگویند چیزی اشتباه به نظر می‌رسد. تلاش دستی نمی‌توانست با حجم کار همگام شود.  مدل‌های سفارشی اولیه هوش مصنوعی برای برچسب‌های تکی مؤثر بودند، اما ساخت و نگهداری آن‌ها پرهزینه بود. Carolyn Phillips، دانشمند یادگیری ماشینِ کادر Wayfair، گفت: «ما با ساخت مدل‌های سفارشی برای برچسب‌های تکی شروع کردیم و از نظر فنی هم کار می‌کرد». «اما وقتی ۴۷۰۰۰ برچسب را در نظر دارید، آن رویکرد دیگر مقیاس‌پذیر نیست».

برای فراتر رفتن از مدل‌های یک‌باره، Wayfair یک سیستم مستقل از برچسب ایجاد کرد که بر پایه‌ی یک مدل واحد OpenAI ساخته شده است. یک «عامل تعریف» وب و تعاریف داخلی را دریافت می‌کند تا برای هر برچسب، معنای زمینه‌ای تولید کند. Phillips گفت: «گلوگاه واقعی عملکرد مدل نبود». «مسئله زمان انسانیِ لازم برای تعریف کردن و کدگذاریِ معنای واقعیِ هر برچسب بود.» این زمینه، همراه با داده‌های محصولِ تجمیع‌شده از سراسر اکوسیستم دادهٔ Wayfair، وارد چارچوبی می‌شود که می‌تواند ویژگی‌ها را در میان رده‌های مختلف محصول طبقه‌بندی کند. تیم اکنون در حال گسترش پوشش مدل به ویژگی‌های جدید با سرعتی ۷۰ برابرِ سرعتی است که فقط یک سال پیش داشتند.

این سیستم اکنون در محیط تولید روی بیش از ۱ میلیون محصول اجرا شده است. و نخستین موج از محصولات با ویژگی‌های بهبودیافته اکنون به‌اندازهٔ کافی در دسترس بوده‌اند تا بتوان تأثیر بهبود کیفیت داده بر مسیر مشتری را ارزیابی کرد.  Phillips گفت: «وقتی کامل‌بودن ویژگی‌ها را بهبود می‌دهید، این انتزاعی نیست. Phillips گفت: «شما می‌بینید که این موضوع در عملکرد SEO و PLA نمایان می‌شود—اینکه مشتریان چگونه محصولات را کشف می‌کنند». یک آزمون کنترل‌شدهٔ A/B نشان داد که در گروه مداخله افزایش قابل‌توجه و معناداری در تعداد نمایش‌ها، کلیک‌ها و رتبهٔ صفحه رخ داده است.

با این حال، Wayfair تصمیم‌گیری دربارهٔ اصلاح داده‌های محصول را صرفاً به مدل واگذار نکرد. Phillips گفت: «هدف ما این است که اعتماد ایجاد کنیم تا مشتریان کاملاً نسبت به آنچه می‌خرند اطمینان داشته باشند.» این شرکت فرایند آزمایش ساختاریافته‌ای را طراحی کرد که بر پایهٔ یک ممیزی عملی انجام می‌شود؛ در این فرایند، همکاران به‌صورت فیزیکی نمونه‌ها را بررسی می‌کنند تا خروجی مدل را اعتبارسنجی کنند، و همچنین با تأمین‌کنندگان همکاری می‌کنند تا تغییرات را تأیید کنند. اکنون، وقتی اطمینان مبتنی بر داده بالا باشد، سیستم‌های خودکار محتوا را مستقیماً بازنویسی می‌کنند و تأمین‌کننده را از این تغییر مطلع می‌کنند. و همچنین، وقتی استاندارد بالایی برآورده نشود یا برچسب پرخطر تلقی شود، Wayfair پیش از اعمال تغییر ابتدا تأییدیه تأمین‌کننده را دریافت می‌کند.

Wayfair با ۱۰۰۰۰ تأمین‌کننده همکاری می‌کند تا از کاتالوگ جامع آن‌ها پشتیبانی کند. برای مدیریت درخواست‌های پشتیبانی تأمین‌کنندگان، کارکنان Wayfair در گذشته هر درخواست دریافتی را بررسی می‌کردند، به‌صورت دستی تشخیص می‌دادند که تأمین‌کنندگان قصد انجام چه کاری دارند، و سپس مسئله را به مسئول داخلی مناسب ارجاع می‌دادند — فرایندی زمان‌بر و مستعد خطا. Graham Ganssle۷ مسئول پشتیبانی و عملیات تأمین‌کنندگان در Wayfair گفت: «درخواست‌های تأمین‌کنندگان ساده نیستند.» «آن‌ها صدها نوع مسئله را در بر می‌گیرند و هیچ همکار واحدی به‌طور واقع‌بینانه نمی‌تواند بر همه آن‌ها مسلط شود».

Wayfair ویژگی‌های عامل‌محور را به محصولی به نام Wilma اضافه کرد تا این گردش‌کارها را با هوش مصنوعی تقویت کند. یکی از اولین قابلیت‌ها در محیط تولید، تریاژ تیکت است که با پشتیبانی از یک مدل OpenAI انجام می‌شود. سیستم درخواست‌های ورودی را می‌خواند، زمینه‌های از دست‌رفته را تکمیل می‌کند و تیکت‌ها را به تیم مناسب هدایت می‌کند. Wilma طوری طراحی شده بود که به‌سرعت قابل استقرار باشد؛ با تکیه بر سیستمی که از قبل با APIهای OpenAI یکپارچه شده بود، از نمونه اولیه به نسخه زنده در حدود یک ماه رسید. “Wilma به همکاران اهرم می‌دهد,” گفت Ganssle. “این تیکت را می‌خواند، قصد را شناسایی می‌کند، زمینه را از پایگاه‌های داده‌ی ما تکمیل می‌کند، در صورت لزوم دوباره با تأمین‌کنندگان تماس می‌گیرد و مسئله را در مسیر درست هدایت می‌کند.”

فراتر از ارجاع درخواست‌ها، Wayfair برای تیم‌های مختلف حل مسئله، دوازده جریان کاری مبتنی بر عامل‌های هوش مصنوعی را به کار گرفته است. مثلاً، یک همکار هوش مصنوعی برای تیم عملیات قطعات جایگزین طراحی شده است که سوابق پیچیدهٔ پرونده‌ها را می‌خواند، گام‌های بعدی را پیشنهاد می‌کند و پیش‌نویس پاسخ‌هایی ارائه می‌دهد که کارکنان انسانی آن‌ها را بررسی می‌کنند. این دستیارها بر اساس داده‌های تاریخی آموزش دیده‌اند، بنابراین یاد می‌گیرند که موفقیت در زمینه مربوطه به چه شکل است. Ganssle گفت: «مدل‌ها می‌توانند در سراسر کل مسیر، بافت را به شکلی ترکیب کنند که انجام آن برای یک کارمند واحد دشوار است». «آن دید گسترده‌تر به افزایش رضایت مشتری و تأمین‌کننده کمک می‌کند.»

Wayfair بررسی می‌کند که هر چند وقت یک‌بار توصیه‌های هوش مصنوعی با تصمیم نهایی عامل انسانی مطابقت دارند—معیاری که «نرخ همسویی» نامیده می‌شود. در هر تیم، وقتی هم‌راستایی به‌طور مداوم به یک آستانه از پیش تعیین‌شده برسد، گردش‌های کاری می‌توانند از حالت‌های کمکی («کمک خلبان») به حالت‌های نیمه‌خودکار («خلبان خودکار») تغییر کنند. این رویکرد مرحله‌ای اعتماد ایجاد می‌کند و کنترل‌های کیفیت را در طول راه‌اندازی تضمین می‌کند.

Wayfair از زمان ادغام مدل‌های OpenAI در سامانه‌های داخلی خود، بهبودهای قابل‌اندازه‌گیری را گزارش کرده است.

‫در بخش کاتالوگ، این شرکت تعداد برچسب‌های نادرست یا از قلم افتادهٔ ویژگی‌های محصول را که ممکن است مشتریان مشاهده کنند کاهش داده است؛ به‌طوری‌که ۲.۵ میلیون برچسب محصول را در بیش از یک میلیون مورد از پرنمایش‌ترین و پرفروش‌ترین محصولات موجود در کاتالوگ Wayfair اصلاح کرده است.‬ آن‌ها انتظار دارند این تأثیر را در شش ماه آینده چهار برابر کنند.

در پشتیبانی تأمین‌کنندگان، سیستم‌های تریاژ، همکارِ خلبان، و خلبانِ خودکار با خودکارسازی ۴۱۰۰۰ تیکت در ماه (که در برخی جریان‌های کاری تا ۷۰٪ است) توان عملیاتی را افزایش داده‌اند و با حذف کار دستی روتین از حجم کار کارشناسان، زمان‌های رسیدگی را کاهش داده‌اند. ‫این کار زمان رسیدگی و حل مسئله را در چندین جریان کاری به‌طور چشمگیری کاهش می‌دهد، رضایت تأمین‌کنندگان را به‌طور قابل‌توجهی افزایش می‌دهد و تعداد بازگشایی دوبارهٔ درخواست‌ها در همان جریان‌های کاری را کاهش می‌دهد.‬

‫دید گسترده‌تری که مدل‌ها نسبت به درخواست‌ها و قصد تأمین‌کنندگان فراهم می‌کنند—فراتر از آنچه یک کارمند به‌تنهایی روی صفحهٔ خود می‌تواند ببیند—به این افزایش رضایت کمک کرده است.‬

از نظر عملیاتی، تیم‌ها موارد زیر را گزارش می‌دهند:

• هدایت و حل‌وفصل سریع‌تر بلیط‌های پیچیده تأمین‌کنندگان
• افزایش رضایت تأمین‌کنندگان
• کاهش ورود دستی داده‌ها و کارهای طبقه‌بندی
• پوشش گسترده‌تر مسائل بدون نیاز به تخصص در میان صدها موضوع
• اعتماد به نفس بیشتر به ویژگی‌های کاتالوگ پیش از انتشار.

Wayfair همچنین بیش از ۱۲۰۰ جایگاه ChatGPT Enterprise را در میان نیروی کار تقریباً ۱۲۰۰۰ نفره خود به کار گرفته است تا از وظایف موردی، حل مسئله داخلی و آزمایش با الگوهای تولیدی پشتیبانی کند.

Wayfair سابقه‌ای طولانی در سرمایه‌گذاری در یادگیری ماشین و همکاری با پلتفرم‌های هوش مصنوعی و ارائه‌دهندگان الگوهای زبانی بزرگ (LLM) برای پیشبرد کسب‌وکار خود دارد. اکنون، پیشرفت‌ها در مدل‌های پیشرو، به‌ویژه سامانه‌های چندوجهی، در حال گسترش آن چیزی هستند که تیم‌های آن می‌توانند بسازند. این موضوع در خرده‌فروشی خانگی اهمیت دارد، جایی که محصولات بصری، سبک‌محور و اغلب ذهنی هستند.

Carolyn Phillips گفت: «‫ما از گسترهٔ مشکلاتی که اکنون می‌توانیم حل کنیم، هیجان‌زده‌ایم».‬ «الگوریتم‌های سنتی به مجموعه داده‌های کاملاً تعریف‌شده نیاز دارند. این مدل‌ها به ما اجازه می‌دهند ابهام و زمینه را به شیوه‌ای بررسی کنیم که پیش‌تر مقیاس‌پذیر نبود.» 

با نگاه به آینده، تقاضای کارمندان برای ChatGPT Enterprise قوی بوده است. تیم‌ها در Wayfair آن را ابزاری کاربردی می‌دانند که به آن‌ها کمک می‌کند سریع‌تر پیش بروند.

انتظارات مشتریان نیز به‌سرعت در حال تغییر است. خریداران بیشتری به راحتی از هوش مصنوعی در زندگی روزمرهٔ خود استفاده می‌کنند و به‌تدریج انتظار دارند هنگام مرور، مقایسه و خرید آنلاین نیز قابلیت‌های مشابهی در اختیار داشته باشند.‬

Fiona Tan گفت: «در خانه، مشتری‌ها اغلب دقیقاً کلمات مناسب برای چیز مدنظر را ندارند». «سامانه‌های زبان طبیعی و چندوجهی به پر کردن آن شکاف کمک می‌کنند».

برای رهبران Wayfair، هدف همچنان تقویت تخصص انسانی در کنار مقیاس‌پذیر کردن قابلیت داخلی است. Fiona Tan در خاتمه گفت: «ما برای دنیایی می‌سازیم که در آن AI بخشی از مسیر خرید است—چه در سایت ما، چه از طریق پشتیبانی، یا از طریق رابط‌های مکالمه‌ای».