Näin rakensimme ChatGPT:n mainosjärjestelmän luottamusta ja osuvuutta varten

Perinteiset mainosjärjestelmät on rakennettu reagoimaan yksittäisiin käyttäjän tarkoitusta ilmaiseviin tapahtumiin. Käyttäjä hakee tai katselee jotakin verkossa, mainosjärjestelmä vastaanottaa haut ja sivukatselut tapahtumina ja etsii niiden perusteella sopivia mainoksia. Mainosjärjestelmän rakentaminen ChatGPT:lle oli erilaista: käyttäjän tarkoitus kehittyy keskustelujen aikana ja muuttuu keskustelun eri vuoroissa, eikä mainonnalle aina synny sopivaa hetkeä. Tämän uuden toimintatavan tueksi rakensimme räätälöidyn mainosten toimitusjärjestelmän. Tämä uudenlainen mainosjärjestelmä perustuu räätälöityyn, jatkokoulutettuun edistyneeseen suureen kielimalliin. Se tekee työkalukutsuja hakua (parhaiden vaihtoehtojen tunnistamista), järjestämistä (käyttäjän vuorovaikutuksen ennakointia), osuvuuden arviointia (mainoksen hyödyllisyyden arviointia) sekä lopullisen mainosvalinnan ja hinnoittelun ratkaisevia huutokauppoja varten.

Mainosjärjestelmämme huomioi käyttäjän muuttuvien tavoitteiden vivahteet kolmen keskeisen suunnitteluratkaisun avulla: 1) tilalliset mainosistunnot, joissa tiedot muistetaan keskusteluvuorojen ja eri keskustelujen välillä, 2) räätälöity, jatkokoulutettu suuri kielimalli, joka tulkitsee keskustelun kontekstia ja sen taustalla olevaa tarkoitusta työkalukutsuarkkitehtuurin avulla ja valitsee, järjestää ja toimittaa mainoksia tehokkaasti, sekä 3) mainosten valintaprosessin suorittaminen omassa palvelussaan erillään ChatGPT:n vastausten tuottamisesta, jotta mainokset eivät vaikuta vastauksiin ja ChatGPT:n ilmaisu pysyy neutraalina. Jatkokoulutettu suuri kielimallimme orkestroi koko mainosprosessia. Se määrittää sekä käyttäjän nykyisen keskusteluvuoron että keskusteluhistorian perusteella, mikä mainos kannattaa näyttää ja milloin. Tällaisen itseään kehittävän mainosjärjestelmän käynnistäminen vei aiemmin vuosia. ChatGPT Ads saavutti kuitenkin miljardin dollarin vuositasolle lasketun liikevaihtotason alle 200 päivässä julkaisusta. Nyt jo yli 100 000 mainostajaa on näyttänyt mainoksia ChatGPT:ssä julkaisun jälkeen.

Tavallinen mainospyyntö saa yleensä alkunsa tarkasti määritellystä tapahtumasta. Käyttäjä lähettää hakukyselyn tai avaa verkkosivun, ja mainosjärjestelmä vastaanottaa pyynnön. Tällainen järjestelmä on melko yksinkertainen: se hakee mahdollisia mainosehdokkaita, asettaa ne järjestykseen, määrittää mainosmahdollisuudelle sopivan hinnan huutokaupalla ja näyttää valitun mainoksen käyttäjälle. ChatGPT:ssä tällaista selkeää hetkeä ei synny luonnostaan.

Ihmiset tulevat ChatGPT‑keskusteluun tavoitteineen eivätkä vain hakukyselyn kanssa, johon riittää yksi vastaus. He saattavat suunnitella matkaa, valita ohjelmistoa yritykselleen, sisustaa kotia tai opetella uutta harrastusta. Kaikki tämä ei tapahdu yhden keskusteluvuoron aikana. ChatGPT auttaa usein käyttäjää selventämään matkan varrella, mikä on tärkeää.

Esimerkiksi kehitystiimimme kysyi ChatGPT:ltä, miten juoksukilpailuun kannattaa harjoitella. Keskustelu alkaa yleisellä juoksua koskevalla kysymyksellä. Useita keskusteluvuoroja myöhemmin tiimi kysyy harjoitteluun sopivista kengistä. Keskustelun kaupallinen merkitys muuttuu jokaisen uuden reunaehdon myötä, ja tämä henkilökohtainen konteksti kehittyy useiden istuntojen aikana. Ensimmäisen viestin perusteella toimiva järjestelmä voisi kohdistaa haun täysin väärään tarkoitukseen, mikä saattaisi heikentää käyttökokemusta ja häiritä käyttäjän etenemistä.

Mainosjärjestelmämme rakentaminen edellytti irtautumista pyyntö–vastaus-arkkitehtuurista. Meidän oli rakennettava järjestelmä alusta alkaen niin, että se löytää kaupallisia mahdollisuuksia mutta asettaa käyttäjän luottamuksen ja hyödyn etusijalle.

Jos jokainen viesti olisi muutettu erilliseksi pyynnöksi perinteisen mainosjärjestelmän tapaan, keskustelukäyttöön olisi liittynyt riskejä: 1) käyttäjän tavoite olisi voitu ymmärtää väärin liiallisen yksinkertaistamisen vuoksi, 2) mainosprosessi olisi voitu käynnistää liian aikaisin, ennen käyttäjän todellisen tarpeen selviämistä, 3) mainokset olisivat voineet haitata käyttäjän etenemistä sen tukemisen sijaan ja 4) mainosprosessi olisi ajettu tehottomasti uudelleen aina pyynnön muuttuessa, mikä olisi aiheuttanut hälyä ja turhia kustannuksia. Yksittäisten tapahtumien varaan rakentamisen sijaan hausta, järjestämisestä ja toimituksesta koostuva mainosjärjestelmä ylläpitää tilallista istuntoa. Mainosistunto on siis käynnissä mainontaan soveltuvan keskusteluvuoron ajan ja muistaa sekä päivittää tietoja niiden muuttuessa. ChatGPT lähettää alkuperäisen pyynnön kontekstin mainospalvelimelle. Mainosjärjestelmä seuraa kehittyvää keskustelua ja mukautuu siihen sen sijaan, että tukeutuisi yhteen pelkistettyyn kyselyyn.

Mainosten valintaprosessi toimii ChatGPT:n tavallisen vastausten tuottamisen rinnalla, jotta mainosprosessi ei vaikuta ChatGPT:n vastauksiin. Mainokset suodatetaan ja valitaan erillisessä järjestelmässä, joka käsittelee keskustelua omien kelpoisuus-, laatu- ja toimitusrajoitteidensa mukaisesti. Tämä tärkeä arkkitehtoninen raja – eri palvelut, joilla on erilliset mallit ja koodi – antaa ChatGPT:n ydinpalvelimien keskittyä mainonnasta riippumattoman vastauksen tuottamiseen. Samaan aikaan mainosjärjestelmä arvioi itsenäisesti, onko mainonnalle sopivaa tilaisuutta, ja jos on, valmistelee sponsoroidun mainospaikan erillisessä näyttöprosessissa.

Käyttökokemuksen suojaamisen lisäksi tällä erottelulla on käytännön vaikutuksia. ChatGPT ei ole riippuvainen mainosjärjestelmästä: palvelut eivät ole millään tavalla sidoksissa toisiinsa eivätkä käytä yhteistä sisällöntuotantomallia. Jos mainosten näyttöjärjestelmä ei ole käytettävissä tai toimii hitaasti, se ei siis vaikuta ChatGPT:n mainonnasta riippumattomaan vastaukseen. Mainosjärjestelmä ei näin ollen voi kaataa tai hidastaa ChatGPT:tä. Erottelun toinen etu on, että mainosten hyödyllisyydelle asetettu vaatimustaso pysyy hyvin korkeana. Myös se, ettei mainosta palauteta lainkaan, on tavallinen ja onnistunut lopputulos. Järjestelmä toimittaa mainoksen vain, jos siitä on selvästi hyötyä sekä käyttäjille että mainostajille.

Mainosjärjestelmämme toinen keskeinen arkkitehtuurikomponentti on jatkokoulutettu suuri kielimalli, joka tulkitsee keskusteluja ja ohjaa koko mainosprosessia agenttisessa silmukassa. Se tekee työkalukutsuja mainosjärjestelmän ydintoimintoihin hausta järjestämiseen, huutokauppaan ja lopulta mainoksen toimitukseen. Kutsumme tätä suurta kielimallia orkestroijaksi.

Mainosprosessin aluksi selvitetään käyttäjän tarkoitus, jotta hakuprosessi voidaan käynnistää. Haussa kootaan nopeasti ja tarkoituksella laajasti mahdollisia mainoksia myöhempää suodatusta varten. Kun keskustelu saadaan käyttöön vähitellen, hakutehtävästä tulee rikkaampi mutta monitulkintaisempi: mainosjärjestelmän on erotettava käyttäjän nykyinen tarkoitus vanhentuneesta kontekstista. Orkestroijan on tulkittava viittaukset aiempiin viesteihin, tunnistettava, milloin käyttäjä puhuu hypoteettisesti, ja vältettävä tulkitsemasta jokaista tuote- tai palvelumainintaa ostoaikeeksi.

Mainosten orkestroija etsii hyviä mainoksia vaiheittain käytettävissä olevan keskustelun ja käyttäjäkontekstin perusteella. Se valitsee toistuvasti, mitä työkalua kutsuu ja milloin. Tavoitteena on löytää keskusteluun ja kontekstiin sopivin mainos, joka tasapainottaa käyttäjälle ja mainostajalle koituvan suuren hyödyn. Jos käyttäjä ottaa mainosten personoinnin käyttöön, orkestroija huomioi myös saatavilla olevat, ei-arkaluonteiset tiedot käyttäjän aiemmista keskusteluista löytääkseen parhaiten sopivat mainokset.

Keskustelun edetessä mainosten orkestroija saa ajantasaisempaa tietoa. Se voi tehdä uuden sarjan työkalukutsuja päivitetyn kontekstin perusteella, löytää parempia mainoksia ja palauttaa ne asiakassovellukselle. Sovellus voi käyttää uusia mainoksia, jos ne saapuvat ajoissa.

Orkestroija on suunniteltu tasapainottamaan käyttäjän ja mainostajan saama hyöty niin, että käyttäjä on aina etusijalla.

Mainosjärjestelmä koostuu yksittäisistä työkaluista, joita orkestroija kutsuu toistuvasti löytääkseen keskusteluun parhaiten sopivat mainokset. Pääpiirteissään orkestroija muuntaa keskustelut lyhyiksi tekstitiivistelmiksi, joista muodostetaan semanttisia upotuksia eli merkitysten tallennettuja esityksiä, joita mainosjärjestelmän on helpompi käsitellä. Se hakee mainosehdokkaita näiden upotusten avulla, suodattaa ehdokkaat kelpoisuuden mukaan budjetin, käyttäjän asetusten ja muiden alustavien tarkistusten perusteella, arvioi niiden laadun ja osuvuuden ja asettaa ne lopulliseen järjestykseen. Näin se tunnistaa hyödyllisimmät mainokset sijoitettavaksi keskusteluvastauksen loppuun. Jokaisen mainoksen on siis täytettävä tiukat kelpoisuus- ja osuvuusvaatimukset, jotta se voidaan näyttää.

Orkestroijana toimiva suuri kielimalli valmistelee ensin yhden tai useamman kyselyn, jotka kuvaavat olennaista kaupallista tarkoitusta. Tähän voi sisältyä keskustelukontekstin uudelleenmuotoilua, jolla kaupallisia mahdollisuuksia laajennetaan suoria hakukyselyjä pidemmälle, ja sen jälkeen semanttisten esitysten luomista. Orkestroija tiivistää usean vuoron keskustelun hakujärjestelmää varten, jotta mainoksia voidaan hakea tietokannastamme kohdennetusti.

Mainoksista on enemmän hyötyä sekä käyttäjille että mainostajille, jos niitä näytetään vain silloin, kun käyttäjän tarkoitus ymmärretään syvällisesti. Useiden kyselyjen avulla käyttäjän tarkoituksen eri puolet voidaan säilyttää. Esimerkiksi matkan suunnittelua koskevassa keskustelussa voi ilmetä erillisiä liikkumiseen, majoitukseen tai aktiviteetteihin liittyviä tarpeita. Hakujärjestelmä voi säilyttää nämä erot sen sijaan, että koko keskustelu tiivistettäisiin yhdeksi kirjaimelliseksi merkkijonoksi.

Tarkastellaan esimerkkinä mahdollista vaelluskenkiin liittyvää keskusteluketjua:

1. Mitä kannattaisi nähdä kahden päivän retkellä Yosemiteen?

2. Onko ensi viikolla kylmä?

3. Uusia [insert brand] tuotevalikoimia?

Vaikka käyttäjä ei ole yhdistänyt kenkämerkkiä koskevaa kysymystään Yosemiten-matkaan, mainosjärjestelmämme voisi esittää keskustelun kahtena kyselynä, kuten [shoes appropriate for hiking trip] ja [new [brand] product lines good for travel]. Tämä voi olla vasta ensimmäinen yritys. Orkestroija on suunniteltu tarkentamaan näitä esityksiä toistuvasti, kunnes se löytää valikoimastamme käyttäjälle erittäin hyödyllisiä mainoksia.

Haussa kootaan tarkoituksella laaja joukko mainosvaihtoehtoja. Ehdokkaita voidaan löytää eri hakustrategioilla, ja ne voivat myöhemmin kilpailla keskenään samoilla näyttöehdoilla. Rakennamme useita indeksejä, jotka on optimoitu järjestelmän ja tuotteen eri rajoitteita varten. Esimerkiksi tuotesyötemainosten indeksi on suunniteltu huomioimaan myönteiset ja kielteiset tuotearvostelut, kun se hakee parhaita mahdollisia mainoksia. Tämä ei ole olennaista muille mainoksille, joihin ei välttämättä liity arvosteluja. Kukin indeksi on optimoitu jotakin likimääräisen lähimmän naapurin haun (ANN) versiota varten. Haku käyttää käyttäjän tarkoitusta kuvaavia upotuksia. ANN-haku on suurten semanttisten indeksien hakuun tarkoitettu approksimaatioalgoritmi. Mainokset haetaan siis hyvin nopeasti: ”oikean” ratkaisun etsimisen sijaan päästään lähelle hyvää ratkaisua ja säilytetään silti useimmat olennaiset ehdokkaat.

Suodatuksen tavoitteena on poistaa harkinnasta kaikki mainosehdokkaat, jotka eivät täytä näyttämisen vaatimuksia osuvuuden, hintatarjousten ja budjetin osalta. Ehdokkaan ja määritysten mukaan suodatuksessa voidaan tarkistaa mainosaineiston ja kampanjan saatavuus (ovatko kampanja tai mainosaineistot aktiivisia), kampanjan kohdennus (esimerkiksi millä kieli- ja alueasetuksilla kampanja saa toimia), käytäntöjen asettamat rajoitukset (mitä saa mainostaa), budjetin saatavuus (onko kampanjalla vielä budjettia käytettävissä), kulutuksen ajoitus (kannattaako kampanjan käyttää budjettia nyt vai myöhemmin päivällä), yhteensopivuus mainospaikan kanssa (millaisiin keskusteluihin mainos sopii) sekä päällekkäisyyksien poisto mainostaja- ja kampanjatasolla (sopivan mainosmäärän valitseminen mainostajaa kohti, jotta yritykset voivat osallistua tasapuolisesti).

Kelpoisuustarkistukset läpäisevät ehdokkaat siirtyvät pisteytysvaiheeseen, jossa orkestroija tekee työkalukutsuja eri pisteytysjärjestelmiin. Niillä arvioidaan näyttämiseen vaikuttavia tekijöitä: semanttista osuvuutta (vastaako mainos käyttäjän tavoitetta?), ennakoitua vuorovaikutusta (katsotaanko ja klikataanko mainosta todennäköisesti, ja johtaako se mainostajan toivomaan tulokseen?) sekä aiempaa tuloksellisuutta (onko mainos tuottanut hyviä tuloksia, kun sitä on tähän mennessä näytetty käyttäjille?). Orkestroija suodattaa mainoksia myös osuvuuden ja turvallisuuden varmistamiseksi ennen huutokauppaa. Nämä järjestelmät rajaavat ehdokkaat pienemmäksi, huutokauppaan valmiiksi joukoksi, mutta eivät vielä ratkaise, mikä mainos lopulta toimitetaan.

Orkestroija arvioi valmistellut ehdokkaat keskustelun kontekstissa ja valitsee, mitkä niistä ovat riittävän lupaavia lopulliseen huutokauppaan. Orkestroija ei suoraan päätä, mikä mainos näytetään, eikä aseta hintaa. Se nimeää kontekstiin sopivia ehdokkaita huutokauppatyökalun arvioitaviksi.

Huutokauppa toteuttaa lopulliset näyttämistä ohjaavat mekanismit: huutokauppaan hyväksymisen (osuvuuden ja hyödyn vähimmäiskynnyksen ylittäminen), kulutuksen ajoituksen (mainosbudjetin tasaisempi käyttö), hintatarjousten ja huutokaupan piirteiden laskennan, laadulla painotetun järjestämisen, hinnoittelun ja lopullisen valinnan.

Huutokaupan jälkeen mainos voi jäädä toimittamatta kahdesta syystä, jotka molemmat liittyvät nimenomaan ChatGPT:n keskustelevaan luonteeseen.

1. Mainos voi tuntua keskusteluun sopimattomalta: vaikka mainonnan sopivuutta valvovat mallit eli mallit, jotka päättävät, milloin mainoksen näyttäminen on asianmukaista, olisivat arvioineet keskustelun turvalliseksi mainonnalle ja mainos olisi todettu käytäntöjen mukaiseksi, se voi silti tuntua sopimattomalta tiettyjen keskustelujen yhteydessä. Orkestroija estää näiden mainosten näyttämisen.

2. Mainospyyntö ei välttämättä valmistu ajoissa: jos ChatGPT‑malli on valmis vastaamaan mutta mainos ei ole vielä valmis näytettäväksi, mainospyyntö aikakatkaistaan eikä mainosta toimiteta. Siksi yksi mainosjärjestelmän tavoitteista on toimia mahdollisimman nopeasti. ChatGPT‑mallin vastausaika vaihtelee, emmekä viivytä keskusteluvastauksia odottaaksemme mainosten latautumista.

Jos kaikki edellä mainitut tarkistukset läpäistään, lähetämme mainoksen käyttöliittymälle renderöitäväksi. Pidämme tätä mainoksen palvelinpuolen toimituksena, mutta mainosta ei silti välttämättä näytetä käyttäjälle. Tämä on tarkoituksellista.

ChatGPT:n kaltaisessa keskustelevassa tuotteessa mainosaineiston toimitus palvelimelta ei takaa mainoksen näyttämistä. Mainoksen on myös saavuttava ajoissa, jotta se voidaan sisällyttää meneillään olevaan keskusteluvuoroon. Mainosaineisto sisältää otsikon, kuvauksen, kohdelinkin ja mahdollisen toimintakehotuksen. Lisäksi mainosjärjestelmä palauttaa mallin luoman saatesanan: lyhyen ja neutraalin johdannon, joka kertoo, miten mainos liittyy keskusteluun. Saatesanan pitäminen erillään mainosaineistosta säilyttää mainostajan viestin ja pitää samalla ChatGPT:n ilmaisun neutraalina.

ChatGPT:n käyttöliittymä vastaanottaa saatesanan ja mainosaineiston yhtenä kokonaisuutena. Jos kokonaisuus saapuu ennen kuin ChatGPT:n vastaus on kokonaan luotu, käyttöliittymä näyttää mainoksen vastauksen alapuolella selvästi sponsoroiduksi merkittynä. Jos se saapuu liian myöhään, mainosta ei näytetä kyseisellä keskusteluvuorolla. Tämä erottaa palvelinpuolen mainostoimituksen käyttäjälle näkyvästä mainosnäytöstä.

Mainosjärjestelmämme käyttää perinteisiä lokitus- ja dataputkia. Niistä on kolme keskeistä hyötyä: mainostajien on helpompi integroida nykyiset järjestelmänsä järjestelmäämme, mainostajat voivat kehittää strategioitaan raportointitietojen avulla ja tiimimme voi tunnistaa järjestelmän kehityskohteita. Näiden raportointi- ja optimointityökalujen lisäksi käytämme laadukasta mallia mainosten toimituksen arviointiin ja muiden mainosmallien kouluttamiseen. Näin syntyy tehokas itsensä kehittämisen silmukka.

Tapahtumien yksityiskohtaiset erittelyt auttavat meitä ymmärtämään ja parantamaan mainosjärjestelmän kutakin osaa erikseen. Lokien käsittelyjärjestelmä tallentaa myös tarkkoja lopputuloksia, kuten:

• Keskusteluvuoro ei soveltunut mainontaan.

• Mainosistunto alkoi, mutta hakua ei pyydetty.

• Haku ei palauttanut ehdokkaita.

• Ehdokkaita haettiin, mutta niiden tietojen täydentäminen epäonnistui tai ne eivät täyttäneet kelpoisuusehtoja.

• Mainos toimitettiin, ja käyttäjä reagoi siihen myöhemmin.

Nämä yksityiskohtaiset erittelyt auttavat meitä parantamaan mainosten näyttöjärjestelmän kutakin osaa erikseen. Mainontamahdollisuuksien tunnistamisen parantamiseen tarvitaan erilaista näyttöä kuin haun, ehdokkaiden laadun, huutokauppaan osallistumisen tai toimitusvarmuuden parantamiseen.

Mallipohjaisen arvioinnin ajatuksena on, että vahvimmat ja päättelykyvyltään parhaat mallimme tarkkailevat ja arvioivat järjestelmämme tuloksia ja kehittävät sitten jatkokoulutettua suurta kielimallia kouluttamalla sitä suoriutumaan paremmin. Voimme esimerkiksi käyttää orkestrointiin tai hakuun pienempiä, tehokkaampia malleja tai vähemmän päättelyä käyttäviä malleja, jos tehokkain mallimme kerää palautetta ja kouluttaa nämä pienet suorittajat tekemään työnsä mahdollisimman hyvin.

Keräämme ihmisiltä palautetta ja toimimme sen pohjalta. Palautetta saadaan käyttäjien klikkauksista ja mainosten piilottamisista, käyttäjäkyselyistä sekä mainostajien suorasta palautteesta Ads Managerin kautta. Tiimimme on myös tavoitettavissa palautetta varten kehitystyön aikana, ja kuuntelemme suoraan sekä ChatGPT:n käyttäjien että mainostajien toiveita. Tämä palaute ohjaa suuntaamme vielä enemmän kuin mallin havaintoihin perustuva palaute. Osaltaan sen ansiosta pystyimme etenemään nopeasti kohti oikeita tuotepäätöksiä. Malli saattaa ymmärtää käyttäjän tarkoituksen ja ajatella kriittisesti tarjotakseen jotakin hyödyllistä, mutta ihmiset määrittävät, mikä on hyvän maun mukaista.

Vuosi sitten meillä ei ollut mainosjärjestelmää, ja vain muutama ihminen pohti tätä aihepiiriä. Nyt meillä on vankka mainosjärjestelmä, jonka tuotto vastaa vuositasolle laskettuna yli miljardia dollaria ja jonka mainosprosessia ohjaa suureen kielimalliin perustuva orkestroija. Codex moninkertaisti ratkaisevasti suorituskykymme. Sen avulla saimme järjestelmän käyntiin ja saavutimme tämän merkittävän käytön virstanpylvään ennennäkemättömän nopeasti. Järjestimme alusta alkaen tiimin toiminnan ja kehitystyönkulut niin, että Codexin avulla voitiin rakentaa ja skaalata järjestelmää nopeasti. Rakensimme Codexille suojamekanismit, jotta se voi viedä koodia tuotantoon luotettavasti ja turvallisesti. Samalla otimme käyttöön datainfrastruktuurin laajennuksia Codexille. Niillä lyhensimme huomattavasti aikaa havaintojen keräämisestä järjestelmän parannusten toteuttamiseen, mukaan lukien uudet tuoteominaisuudet, laadun parantaminen ja parempi suorituskyky.

Järjestelmämme rajat, jotka perustuvat mainontaperiaatteisiimme⁠, ja suureen kielimalliin perustuva orkestroijamme auttavat yhdessä tekemään mainonnasta hyödyllistä ilman, että jokaista keskustelua käsitellään mainospyyntönä. Jatkossa kokeilemme yhä dynaamisempia mainosmuotoja, jotka lisäävät hyötyä sekä käyttäjille että mainostajille. Voisimme esimerkiksi antaa käyttäjille mahdollisuuden keskustella suoraan yritysten kanssa mainosten kautta. Järjestelmän itseään kehittävä arkkitehtuuri perustuu OpenAI:n malleihin ja jatkuviin palautesilmukoihin. Sen ansiosta voimme parantaa osuvuutta ja personointia yhä nopeammin ajan myötä.