વિશ્વાસ અને સુસંગતતા માટે અમે ChatGPTનું નવું જાહેરાત તંત્ર કેવી રીતે બનાવ્યું

પરંપરાગત જાહેરાત પ્રણાલીઓ વપરાશકર્તાના આશય દર્શાવતી અલગ-અલગ ઘટનાઓને પ્રતિભાવ આપવા માટે બનાવાયેલી છે. વપરાશકર્તા ઑનલાઇન કંઈક શોધે કે જુએ, ત્યારે જાહેરાત પ્રણાલીને તે શોધ વિનંતીઓ અને પેજ જોવાની ક્રિયાઓ ઘટના તરીકે મળે છે અને પ્રણાલી તેના આધારે મેળ ખાતી જાહેરાતો શોધે છે. ChatGPT માટે જાહેરાત તંત્ર બનાવવું અલગ હતું: વપરાશકર્તાનો આશય વાતચીત દરમિયાન વિકસે છે અને અનેક સંદેશાઓ સાથે બદલાય છે. ક્યારેક જાહેરાત માટે યોગ્ય ક્ષણ આવતી જ નથી. આ નવી પદ્ધતિને અનુરૂપ, અમે ખાસ તૈયાર કરેલી જાહેરાત પહોંચાડવાની પ્રણાલી બનાવી. આ નવા પ્રકારનું જાહેરાત તંત્ર ખાસ તૈયાર કરેલા, પોસ્ટ-ટ્રેન્ડ અત્યાધુનિક LLM પર આધારિત છે. તે શોધ (શ્રેષ્ઠ વિકલ્પો ઓળખવા), ક્રમ નક્કી કરવો (વપરાશકર્તાના જોડાણનું અનુમાન), સુસંગતતા (જાહેરાતની ઉપયોગિતાનું મૂલ્યાંકન) અને અંતિમ જાહેરાતની પસંદગી તથા કિંમત માટે હરાજી ચલાવવાનાં ટૂલને કાર્યરત કરે છે.

અમારી જાહેરાત પ્રણાલી વપરાશકર્તાના બદલાતા ધ્યેયોની સૂક્ષ્મતાઓને સમજવા ત્રણ મુખ્ય રચનાત્મક નિર્ણયો પર આધાર રાખે છે: 1) સ્થિતિ જાળવતાં જાહેરાત સત્રો અમલમાં મૂકવાં, એટલે કે એક વાતચીતના જુદા તબક્કાઓમાં અને અનેક વાતચીતોમાં માહિતી યાદ રાખવી, 2) ખાસ તૈયાર કરેલા, પોસ્ટ-ટ્રેન્ડ LLM પર આધાર રાખવો, જે ટૂલને કાર્યરત કરતી રચના દ્વારા વાતચીતનો સંદર્ભ અને અંતર્નિહિત આશય સમજે, પછી અસરકારક રીતે જાહેરાતો પસંદ કરે, ક્રમ આપે અને પહોંચાડે અને 3) જાહેરાતની પસંદગીની પ્રક્રિયાને ChatGPTના જવાબ બનાવવાથી અલગ, તેની પોતાની સેવામાં ચલાવવી, જેથી જાહેરાતો જવાબોને પ્રભાવિત ન કરે અને ChatGPTની અભિવ્યક્તિ તટસ્થ રહે. અમે સમગ્ર જાહેરાત ફ્લોનું સંયોજન કરવા પોસ્ટ-ટ્રેન્ડ LLM વાપરીએ છીએ. તે વપરાશકર્તાના વર્તમાન સંદેશ અને અગાઉની વાતચીત બંનેના આધારે યોગ્ય સમયે યોગ્ય જાહેરાત બતાવવાનું નક્કી કરે છે. આવી સ્વસુધારક જાહેરાત પ્રણાલી શરૂઆતથી ઊભી કરવામાં પહેલાં વર્ષો લાગતાં હતાં, જ્યારે ChatGPT જાહેરાત શરૂ થયાના 200 દિવસથી પણ ઓછા સમયમાં વાર્ષિકીકૃત આવકના દરે 1 અબજ ડૉલર સુધી પહોંચી; હવે શરૂઆતથી અત્યાર સુધીમાં 100,000થી વધુ જાહેરાતકર્તાઓએ ChatGPT પર જાહેરાતો ચલાવી છે.

પરંપરાગત જાહેરાત વિનંતી સામાન્ય રીતે સ્પષ્ટપણે વ્યાખ્યાયિત ઘટનાથી શરૂ થાય છે. વપરાશકર્તા શોધ વિનંતી મોકલે કે વેબપેજ ખોલે અને જાહેરાત પ્રણાલીને વિનંતી મળે છે. આ પ્રકારની પ્રણાલી પ્રમાણમાં સરળ છે: તે સંભવિત જાહેરાતો શોધે છે, તેમને ક્રમ આપે છે, તકની યોગ્ય કિંમત નક્કી કરવા હરાજી ચલાવે છે અને પરિણામે પસંદ થયેલી જાહેરાત વપરાશકર્તાને બતાવે છે. ChatGPTમાં સ્વાભાવિક રીતે આવી ચોક્કસ ક્ષણ ઊભી થતી નથી.

ChatGPTની વાતચીતમાં લોકો એક જવાબથી ઉકેલાઈ જતી શોધ વિનંતીને બદલે ધ્યેયો લઈને આવે છે. તેઓ પ્રવાસનું આયોજન કરતા હોય, પોતાના વ્યવસાય માટે સૉફ્ટવેર પસંદ કરતા હોય, ઘરમાં રાચરચીલું ગોઠવતા હોય કે નવો શોખ શીખતા હોય. આ બધું વાતચીતના એક જ સવાલ-જવાબમાં થતું નથી. આ પ્રક્રિયા દરમિયાન શું મહત્ત્વનું છે તે સ્પષ્ટ કરવામાં ChatGPT ઘણી વાર વપરાશકર્તાને મદદ કરે છે.

ઉદાહરણ તરીકે, અમારી ઇજનેરી ટીમે ChatGPTને પૂછ્યું કે દોડની સ્પર્ધા માટે કેવી રીતે તાલીમ લેવી: વાતચીત દોડવા વિશેના સામાન્ય પ્રશ્નથી શરૂ થાય છે. થોડા સવાલ-જવાબ પછી તેઓ તાલીમમાં મદદરૂપ થાય તેવાં પગરખાં વિશે પૂછે છે. દરેક નવી શરત ઉમેરાતાં વાતચીતનો વ્યાપારી અર્થ બદલાય છે—અને આ વૈયક્તિકરણ કરેલા સંદર્ભ અનેક સત્રોમાં વિકસતો રહે છે. પહેલા સંદેશના આધારે જ પગલું લેતી પ્રણાલી આશયને સંપૂર્ણપણે ખોટો સમજીને જાહેરાતો શોધી શકે, જેથી વપરાશકર્તાનો અનુભવ બગડી શકે અને તેમના કામમાં અવરોધ ઊભો થઈ શકે.

અમારી જાહેરાત પ્રણાલી બનાવવા માટે અમારે વિનંતી-પ્રતિભાવ આધારિત જાહેરાત રચનાથી આગળ વધવું પડ્યું અને શરૂઆતથી જાહેરાત તંત્ર બનાવવું પડ્યું, જેથી વપરાશકર્તાના વિશ્વાસ અને લાભને પ્રાથમિકતા આપીને સંભવિત આર્થિક તકો શોધી શકાય.

પરંપરાગત જાહેરાત પ્રણાલીની જેમ દરેક સંદેશને અલગ વિનંતી ગણવાથી અમારી ચૅટમાં કેટલાક જોખમો ઊભાં થઈ શક્યાં હોત: 1) વપરાશકર્તાના ધ્યેયને વધુ પડતું સરળ બનાવીને ખોટું સમજવું, 2) વપરાશકર્તાની વાસ્તવિક જરૂરિયાત સ્પષ્ટ થાય તે પહેલાં જ જાહેરાત ફ્લો શરૂ કરવો, 3) વપરાશકર્તાને ધ્યેય સુધી પહોંચવામાં મદદ કરવાને બદલે અવરોધરૂપ જાહેરાતો બતાવવી અને 4) વિનંતી બદલાય ત્યારે દર વખતે બિનકાર્યક્ષમ રીતે જાહેરાત ફ્લો ફરી ચલાવવો, જેથી બિનજરૂરી પ્રક્રિયાઓ અને ખર્ચ વધે. અલગ-અલગ ઘટનાઓ પર આધાર રાખવાને બદલે, શોધ, ક્રમ નિર્ધારણ અને જાહેરાત પહોંચાડવાની પ્રક્રિયાઓ ધરાવતી જાહેરાત પ્રણાલી સ્થિતિ જાળવતું સત્ર ચલાવે છે. એટલે કે, વાતચીતના પાત્ર તબક્કા દરમિયાન જાહેરાત સત્ર ચાલુ રહે છે અને માહિતી બદલાતી જાય તેમ તેને યાદ રાખે છે અને અદ્યતન કરે છે. ChatGPT વિનંતીનો પ્રારંભિક સંદર્ભ જાહેરાત સર્વરને મોકલે છે. જાહેરાત પ્રણાલી એક જ સંક્ષિપ્ત શોધ વિનંતી પર આધાર રાખવાને બદલે વિકસતી વાતચીતને અનુસરે છે અને તેને અનુરૂપ બદલાય છે.

જાહેરાત ફ્લો ChatGPTના જવાબોને અસર ન કરે તે સુનિશ્ચિત કરવા જાહેરાતની પસંદગીની પ્રક્રિયા ChatGPTની સામાન્ય જવાબ બનાવવાની પ્રક્રિયાની સમાંતરે ચાલે છે. જાહેરાતોની છટણી અને પસંદગી અલગ પ્રણાલી દ્વારા થાય છે. તે વાતચીતને પોતાની પાત્રતા, ગુણવત્તા અને જાહેરાત પહોંચાડવાની મર્યાદાઓ હેઠળ પ્રક્રિયામાં લે છે. રચનાની આ મહત્ત્વની સીમા—અલગ મોડલ અને અલગ કોડ વાપરતી અલગ સેવાઓ—મુખ્ય ChatGPT સર્વરોને જાહેરાતથી સ્વતંત્ર જવાબ બનાવવાની જવાબદારી આપે છે. દરમિયાન, જાહેરાત પ્રણાલી સ્વતંત્ર રીતે મૂલવે છે કે જાહેરાત માટે યોગ્ય તક છે કે નહીં અને હોય તો અલગ પ્રદર્શન પ્રક્રિયા દ્વારા પ્રાયોજિત જાહેરાત તૈયાર કરે છે.

વપરાશકર્તાના અનુભવને જાળવવા ઉપરાંત, આ અલગ વ્યવસ્થાની કેટલીક વ્યવહારુ અસરો પણ છે. ChatGPT જાહેરાત પ્રણાલી પર જરાય નિર્ભર નથી—આ સેવાઓ કોઈ રીતે એકબીજા સાથે ગૂંથાયેલી નથી અને સામગ્રી બનાવવા માટે એક જ મોડલનો ઉપયોગ કરતી નથી. તેથી જાહેરાત બતાવતી પ્રણાલી અનુપલબ્ધ હોય કે ધીમી ચાલતી હોય, તો પણ ChatGPTનો જાહેરાતથી સ્વતંત્ર જવાબ અસર વિના મળતો રહે છે. આનો અર્થ એ છે કે જાહેરાત પ્રણાલી ChatGPTને બંધ પાડી શકતી નથી કે ધીમું કરી શકતી નથી. આ અલગ વ્યવસ્થાનો બીજો ફાયદો એ છે કે તે ઉપયોગી જાહેરાતો માટે ખૂબ ઊંચાં ધોરણો જાળવે છે. કોઈ જાહેરાત ન આપવી એ પણ સામાન્ય અને સફળ પરિણામ છે. પ્રણાલી જાહેરાત ત્યારે જ પહોંચાડે છે જ્યારે તે વપરાશકર્તાઓ અને જાહેરાતકર્તાઓ માટે સ્પષ્ટપણે લાભદાયી હોય.

અમારા જાહેરાત તંત્રની રચનાનો બીજો મુખ્ય ઘટક પોસ્ટ-ટ્રેન્ડ LLM છે. તે વાતચીતનું અર્થઘટન કરે છે અને એજન્ટ-આધારિત લૂપ (સ્વાયત્ત રીતે વારંવાર પગલાં) લઈને જાહેરાતનો સમગ્ર ફ્લો ચલાવે છે—જાહેરાતો શોધવાથી માંડીને ક્રમ નક્કી કરવા, હરાજી કરવા અને અંતે જાહેરાત પહોંચાડવા સુધીનાં મુખ્ય કાર્યો માટે ટૂલને કાર્યરત કરે છે. અમે આ LLMને સંયોજક કહીએ છીએ.

જાહેરાત ફ્લોનું પહેલું પગલું વપરાશકર્તાનો આશય સમજીને જાહેરાતો શોધવાની પ્રક્રિયા શરૂ કરવાનું છે. તેમાં આગળ છટણી કરવા માટે સંભવિત જાહેરાતો ઝડપથી અને ઇરાદાપૂર્વક વ્યાપક સ્તરે એકત્ર કરાય છે. વાતચીત તબક્કાવાર મળવાથી જાહેરાતો શોધવા માટે વધુ સમૃદ્ધ માહિતી મળે છે, પરંતુ અસ્પષ્ટતા પણ વધે છે, કારણ કે જાહેરાત પ્રણાલીએ વર્તમાન આશયને જૂના સંદર્ભથી અલગ તારવવો પડે છે. સંયોજકે અગાઉના સંદેશાઓના ઉલ્લેખોનું અર્થઘટન કરવું પડે છે, વપરાશકર્તા ક્યારે કાલ્પનિક પરિસ્થિતિની વાત કરે છે તે ઓળખવું પડે છે અને ઉત્પાદન કે સેવાના દરેક ઉલ્લેખને ખરીદીની વિનંતી ગણવાનું ટાળવું પડે છે.

જાહેરાત સંયોજક ઉપલબ્ધ વાતચીત અને વપરાશકર્તાના સંદર્ભનો ઉપયોગ કરીને સારી જાહેરાતો શોધવા વારંવાર પ્રયત્ન કરે છે અને ક્યારે કયું ટૂલ કાર્યરત કરવું તે નક્કી કરે છે. તેનો મુખ્ય હેતુ તે વાતચીત અને સંદર્ભ માટે સૌથી યોગ્ય જાહેરાત શોધવાનો છે—જે વપરાશકર્તા અને જાહેરાતકર્તા બંનેને ઊંચો લાભ આપે. વપરાશકર્તા જાહેરાતોનું વૈયક્તિકરણ પસંદ કરે, તો સૌથી વધુ મેળ ખાતી જાહેરાતો શોધવા સંયોજક તેમની ભૂતકાળની વાતચીત વિશેની ઉપલબ્ધ બિનસંવેદનશીલ માહિતી પણ ધ્યાનમાં લે છે.

વાતચીત આગળ વધે અને જાહેરાત સંયોજકને વધુ નવી માહિતી મળે, ત્યારે તે નવા સંદર્ભ સાથે ટૂલને ફરી કાર્યરત કરીને વધુ સારી જાહેરાતો શોધી શકે છે અને ક્લાયન્ટને મોકલી શકે છે. આ નવી જાહેરાતો સમયસર મળે તો ક્લાયન્ટ તેનો ઉપયોગ કરી શકે છે.

સંયોજક વપરાશકર્તાઓને હંમેશાં પ્રથમ રાખીને, વપરાશકર્તા અને જાહેરાતકર્તાને મળતા લાભ વચ્ચે સંતુલન જાળવવા માટે રચાયેલ છે.

જાહેરાત પ્રણાલી અલગ-અલગ ટૂલની બનેલી છે અને વાતચીત માટે શ્રેષ્ઠ જાહેરાતો શોધવા સંયોજક તેમને વારંવાર કાર્યરત કરે છે. મુખ્ય રીતે, સંયોજક વાતચીતના ટૂંકા લેખિત સારાંશ બનાવે છે, જેને પછી અર્થાધારિત એમ્બેડિંગમાં ફેરવવામાં આવે છે—અર્થાત્ અર્થનાં એવાં સંગ્રહિત સ્વરૂપો જેમાંથી જાહેરાત પ્રણાલી સરળતાથી શોધ કરી શકે. આ એમ્બેડિંગથી તે સંભવિત જાહેરાતો શોધે છે, બજેટ, વપરાશકર્તાની સેટિંગ્સ અને અન્ય પ્રારંભિક તપાસોના આધારે પાત્રતા મુજબ છટણી કરે છે, ગુણવત્તા અને સુસંગતતા મૂલવે છે અને અંતિમ ક્રમ નક્કી કરે છે જેથી ચૅટના જવાબના અંતે ઉપયોગી જાહેરાત બતાવવાની તકો ઓળખી શકાય. તેથી પ્રદર્શિત થવા માટે દરેક જાહેરાતે પાત્રતા અને સુસંગતતાનાં ઊંચાં ધોરણો પૂરાં કરવાં જરૂરી છે.

સંયોજક LLM પહેલા સંબંધિત વ્યાપારી આશયને રજૂ કરતી એક કે વધુ શોધ વિનંતીઓ તૈયાર કરે છે. આમાં સીધો 1:1 મેળ ખાતી શોધ વિનંતીઓથી આગળ વધીને વ્યાપારી શક્યતાઓ વિસ્તારવા વાતચીતનો સંદર્ભ ફરી લખવાનો અને પછી અર્થાધારિત રજૂઆતો બનાવવાનો સમાવેશ થઈ શકે છે. સંયોજક અનેક સંદેશાઓવાળી વાતચીતનો સારાંશ બનાવીને શોધ પ્રણાલીને આપે છે, જેથી અમારા ડેટાબેઝમાંથી લક્ષિત રીતે જાહેરાતો શોધી શકાય.

વપરાશકર્તાના આશયની ઊંડી સમજ હોય ત્યારે જ જાહેરાતો દેખાય, તો તે વપરાશકર્તાઓ અને જાહેરાતકર્તાઓ બંને માટે વધુ સારી રહેશે. એકથી વધુ શોધ વિનંતીઓ આશયનાં વિવિધ પાસાં જાળવી શકે છે. ઉદાહરણ તરીકે, પ્રવાસના આયોજન વિશેની વાતચીતમાં પરિવહન, રહેવાની વ્યવસ્થા કે પ્રવૃત્તિઓને લગતી જુદી જરૂરિયાતો હોઈ શકે છે. આખી વાતચીતને એક જ શબ્દશઃ લખાણમાં સમેટવાને બદલે, શોધ પ્રણાલી આ ભેદ જાળવી શકે છે.

ઉદાહરણ તરીકે, ચાલો પદયાત્રા માટેના પગરખાં વિશેની સંભવિત વાતચીતનો ક્રમ જોઈએ:

1. યોસેમિટીના બે દિવસના પ્રવાસમાં મારે શું-શું જોવું જોઈએ?

2. આવતા અઠવાડિયે ઠંડી હશે?

3. [insert brand]ની નવી ઉત્પાદન શ્રેણીઓ કઈ છે?

વપરાશકર્તાએ પગરખાંની બ્રાન્ડ વિશેના પ્રશ્નને યોસેમિટીના પ્રવાસ સાથે જોડ્યો નથી, છતાં અમારી જાહેરાત પ્રણાલીમાં આ વાતચીતને બે શોધ વિનંતીઓ તરીકે રજૂ કરી શકાય છે, જેમ કે [shoes appropriate for hiking trip] અને [new [brand] product lines good for travel]. આ માત્ર પહેલો પ્રયાસ હોઈ શકે છે; સંયોજક એવી રીતે રચાયો છે કે અમારા જાહેરાત ભંડારમાંથી વપરાશકર્તા માટે ખૂબ ઉપયોગી જાહેરાતો મળે ત્યાં સુધી તે આ રજૂઆતોને વારંવાર સુધારતો રહે.

શોધ પ્રક્રિયામાં ઇરાદાપૂર્વક જાહેરાતના વિકલ્પોનો વિશાળ સમૂહ બનાવવામાં આવે છે. વિકલ્પો જુદી-જુદી શોધ વ્યૂહરચનાઓમાંથી મળી શકે છે અને પછી જાહેરાત બતાવવાની સમાન મર્યાદાઓ હેઠળ સ્પર્ધા કરી શકે છે. પ્રણાલી અને ઉત્પાદનની વિવિધ મર્યાદાઓને અનુરૂપ શ્રેષ્ઠ પરિણામ આપવા અમે અનેક અનુક્રમણિકાઓ બનાવીએ છીએ. ઉદાહરણ તરીકે, ઉત્પાદન ફીડની જાહેરાતોની અનુક્રમણિકા શ્રેષ્ઠ જાહેરાતો શોધતી વખતે ઉત્પાદનની હકારાત્મક કે નકારાત્મક સમીક્ષાઓ ધ્યાનમાં રાખે છે. જેની સાથે સમીક્ષાઓ જોડાયેલી ન હોય તેવી અન્ય જાહેરાતો માટે આ બાબત લાગુ પડતી નથી. દરેક અનુક્રમણિકા વપરાશકર્તાનો આશય રજૂ કરતા એમ્બેડિંગનો ઉપયોગ કરીને અંદાજિત નજીકના પડોશીની શોધ (ANN)ના કોઈ સ્વરૂપ માટે શ્રેષ્ઠ રીતે તૈયાર કરાયેલી છે. આ ANN શોધ મોટી અર્થાધારિત અનુક્રમણિકાઓમાં શોધવા માટેનું અંદાજ આધારિત અલ્ગોરિધમ છે. એટલે કે, તે મોટા ભાગના સુસંગત વિકલ્પો જાળવીને, “એકદમ સાચો” ઉકેલ શોધવાને બદલે સારા ઉકેલની નજીક પહોંચે છે અને જાહેરાતો ખૂબ ઝડપથી મેળવી આપે છે.

છટણીનો હેતુ એવી તમામ સંભવિત જાહેરાતોને વિચારણામાંથી દૂર કરવાનો છે જે સુસંગતતા, બોલી અને બજેટની દૃષ્ટિએ પ્રદર્શનનાં ધોરણો પૂરાં કરતી નથી. વિકલ્પ અને ગોઠવણી પ્રમાણે છટણીમાં આ તપાસો હોઈ શકે છે: જાહેરાત સામગ્રી અને ઝુંબેશની ઉપલબ્ધતા (તે સક્રિય છે કે નહીં), ઝુંબેશનું લક્ષ્યીકરણ (દા.ત. તેને કયા ભાષા-પ્રદેશોમાં ચલાવવાની મંજૂરી છે), નીતિની મર્યાદાઓ (શેની જાહેરાત કરી શકાય તેના પાલનના નિયમો), બજેટની ઉપલબ્ધતા (ખર્ચ કરવા માટે બજેટ બાકી છે કે નહીં), ખર્ચની ગતિ (બજેટ અત્યારે ખર્ચવું કે દિવસના બીજા સમયે), પ્રદર્શનની સુસંગતતા (આ જાહેરાત કેવા પ્રકારની વાતચીત માટે પાત્ર છે) અને જાહેરાતકર્તા તથા ઝુંબેશના સ્તરે પુનરાવર્તન દૂર કરવું (વ્યવસાયો વચ્ચે ન્યાયી ભાગીદારી સુનિશ્ચિત કરવા દરેક જાહેરાતકર્તાની યોગ્ય સંખ્યામાં જાહેરાતો પસંદ કરવી).

પાત્રતાની તપાસમાં પાસ થયેલા વિકલ્પો ગુણાંકનના તબક્કે જાય છે. ત્યાં સંયોજક જાહેરાત બતાવવા સંબંધિત બાબતો માટે વિવિધ ગુણાંકન પ્રણાલીઓનાં ટૂલ કાર્યરત કરે છે, જેમ કે અર્થની સુસંગતતા (શું જાહેરાત વપરાશકર્તાના ધ્યેય સાથે સુસંગત છે?), જોડાણનું અનુમાન (શું જાહેરાત જોવાય, તેના પર ક્લિક થાય અને જાહેરાતકર્તાને ઇચ્છિત પરિણામ મળે તેવી સંભાવના છે?) અને અગાઉનું પ્રદર્શન (શું અત્યાર સુધી વપરાશકર્તાઓને બતાવતી વખતે જાહેરાતે સારાં પરિણામ આપ્યાં છે?). હરાજી પહેલાં સુસંગતતા અને સલામતી સુનિશ્ચિત કરવા સંયોજક જાહેરાતોની છટણી પણ કરે છે. આ પ્રણાલીઓ વિકલ્પોની સંખ્યા ઘટાડીને હરાજી માટે તૈયાર નાનો સમૂહ બનાવે છે, પરંતુ અંતે કઈ જાહેરાત પહોંચાડાશે તે હજી નક્કી કરતી નથી.

સંયોજક તૈયાર કરેલા વિકલ્પોનું વાતચીતના સંદર્ભમાં મૂલ્યાંકન કરે છે અને અંતિમ હરાજીમાં સામેલ કરવા માટે કઈ સંભવિત જાહેરાતો પૂરતી યોગ્ય છે તે પસંદ કરે છે. સંયોજક સીધું નક્કી કરતો નથી કે કઈ જાહેરાત બતાવાશે, કે તેની કિંમત પણ નક્કી કરતો નથી. તે હરાજીના ટૂલ દ્વારા મૂલ્યાંકન માટે સંદર્ભને અનુરૂપ વિકલ્પો સૂચવે છે.

હરાજી જાહેરાત બતાવવા માટેની અંતિમ પ્રક્રિયાઓ લાગુ કરે છે. તેમાં હરાજીમાં પ્રવેશ (સુસંગતતા અને લાભની લઘુત્તમ મર્યાદા પાર કરવી), ખર્ચની ગતિ (જાહેરાતનું બજેટ વધુ સમાન રીતે ખર્ચવું), બોલી અને હરાજીનાં પરિબળોની ગણતરી, ગુણવત્તા અનુસાર ક્રમમાં સુધારો, કિંમત નક્કી કરવી અને અંતિમ પસંદગીનો સમાવેશ થાય છે.

હરાજી પછી બે કારણોસર જાહેરાત પહોંચાડવામાં નિષ્ફળતા મળી શકે છે. બંને ChatGPTના વાતચીતના માધ્યમ માટે વિશિષ્ટ છે.

1. ચૅટમાં જાહેરાત અયોગ્ય લાગી શકે છે: યોગ્યતા તપાસતાં મોડલે (જાહેરાત ક્યારે બતાવવી યોગ્ય છે તે નક્કી કરતા મોડલ) વાતચીતને જાહેરાત બતાવવા માટે સલામત ગણી હોય અને જાહેરાત પણ નીતિનું પાલન કરતી ગણાઈ હોય, છતાં અમુક વાતચીતના સંદર્ભમાં તે ક્યારેક અયોગ્ય લાગી શકે છે. સંયોજક આવી જાહેરાતો બતાવાતી અટકાવે છે.

2. જાહેરાતની વિનંતી સમયસર ન પહોંચી શકે: જો ChatGPT મોડલ જવાબ આપવા તૈયાર હોય, પણ જાહેરાત હજી મૂકવા તૈયાર ન હોય, તો જાહેરાતની વિનંતીની સમયમર્યાદા પૂરી થઈ જાય છે અને જાહેરાત પહોંચાડાતી નથી. તેથી જાહેરાત પ્રણાલીનો એક હેતુ શક્ય તેટલી ઝડપથી કામ કરવાનો છે. ChatGPT મોડલનો જવાબ આપવાનો સમય બદલાતો રહે છે અને જાહેરાતો લોડ થાય તેની રાહ જોવા માટે અમે ચૅટના જવાબોમાં વિલંબ કરતા નથી.

ઉપરની બધી તપાસો સફળ થાય, તો અમે જાહેરાતને પ્રદર્શિત કરવા માટે ફ્રન્ટએન્ડ પર મોકલીએ છીએ. અમે આને સર્વર તરફથી જાહેરાત પહોંચાડવી ગણીએ છીએ, પણ તેમ છતાં વપરાશકર્તાને જાહેરાત ન પણ બતાવીએ—અને આ ઇરાદાપૂર્વકની રચના છે.

ChatGPT જેવા સંવાદાત્મક ઉત્પાદનમાં, સર્વર તરફથી જાહેરાત સામગ્રી પહોંચાડાઈ હોય એટલે જાહેરાત દેખાશે જ એવી ખાતરી નથી; વર્તમાન જવાબમાં સામેલ થવા માટે જાહેરાત સમયસર પહોંચવી પણ જરૂરી છે. જાહેરાત સામગ્રીમાં શીર્ષક, વર્ણન, ગંતવ્ય લિંક અને પગલું લેવા માટેનું કોઈપણ આહ્વાન હોય છે. આ ઉપરાંત, જાહેરાત પ્રણાલી મોડલ દ્વારા બનાવેલી પ્રસ્તાવના પણ આપે છે. આ ટૂંકો, તટસ્થ પરિચય જાહેરાત વાતચીત સાથે કેવી રીતે સંબંધિત છે તે સમજાવે છે. પ્રસ્તાવનાને જાહેરાત સામગ્રીથી અલગ રાખવાથી જાહેરાતકર્તાનો સંદેશ જળવાય છે અને ChatGPTની અભિવ્યક્તિ તટસ્થ રહે છે.

ChatGPTના ફ્રન્ટએન્ડને પ્રસ્તાવના અને જાહેરાત સામગ્રી એકસાથે મળે છે. જો તે ChatGPTનો જવાબ સંપૂર્ણ બનતાં પહેલાં પહોંચી જાય, તો ફ્રન્ટએન્ડ ChatGPTના જવાબ નીચે સ્પષ્ટપણે પ્રાયોજિત તરીકે ચિહ્નિત જાહેરાત બતાવે છે. જો તે મોડી પહોંચે, તો તે જવાબ સાથે જાહેરાત બતાવવામાં આવતી નથી. સર્વર તરફથી જાહેરાત પહોંચાડવી અને વપરાશકર્તાને જાહેરાત દેખાવી, એ બંને વચ્ચે આ તફાવત છે.

અમારું જાહેરાત તંત્ર પરંપરાગત નોંધણી અને ડેટા પ્રક્રિયા વ્યવસ્થાનો ઉપયોગ કરે છે. તેના ત્રણ મુખ્ય લાભ છે: જાહેરાતકર્તાઓ તેમની હાલની પ્રણાલીઓને અમારા તંત્ર સાથે વધુ સરળતાથી જોડી શકે છે, અહેવાલોના ડેટાથી પોતાની વ્યૂહરચનાઓ સુધારી શકે છે અને અમારી ટીમ પ્રણાલીમાં સુધારાની જરૂર હોય તેવા ભાગો શોધી શકે છે. આ અહેવાલ અને સુધારણાનાં ટૂલ ઉપરાંત, જાહેરાત પહોંચાડવાની અમારી કામગીરીનું મૂલ્યાંકન કરવા અને અન્ય જાહેરાત મોડલને તાલીમ આપવા અમે ઉચ્ચ ગુણવત્તાવાળું મોડલ વાપરીએ છીએ. આથી સ્વસુધારણાનું શક્તિશાળી ચક્ર સર્જાય છે.

શું થયું તેની વિગતવાર માહિતી અમને જાહેરાત પ્રણાલીના દરેક ભાગને અલગથી સમજવામાં અને સુધારવામાં મદદ કરે છે. નોંધો પર પ્રક્રિયા કરતી પ્રણાલી આ પ્રકારનાં સૂક્ષ્મ પરિણામો પણ નોંધે છે:

• વાતચીતનો તે તબક્કો જાહેરાત માટે પાત્ર નહોતો.

• જાહેરાત સત્ર શરૂ થયું, પણ શોધ માટે વિનંતી થઈ નહીં.

• શોધમાં કોઈ વિકલ્પ મળ્યો નહીં.

• વિકલ્પો મળ્યા, પણ તેમની સંપૂર્ણ વિગતો મેળવવામાં અથવા પાત્રતાની તપાસમાં નિષ્ફળતા મળી.

• જાહેરાત પહોંચાડાઈ અને પછી વપરાશકર્તાએ તેની સાથે ક્રિયાપ્રતિક્રિયા કરી.

આ વિગતવાર માહિતી અમને જાહેરાત બતાવતી પ્રણાલીના દરેક ભાગને અલગથી સુધારવામાં મદદ કરે છે. તકોની ઓળખ સુધારવા માટે જે પુરાવા જોઈએ તે શોધ, વિકલ્પોની ગુણવત્તા, હરાજીમાં ભાગીદારી કે જાહેરાત પહોંચાડવાની વિશ્વસનીયતા સુધારવા માટેના પુરાવાથી અલગ હોય છે.

મોડલ-આધારિત મૂલ્યાંકનનો વિચાર એ છે કે અમારાં સૌથી શક્તિશાળી અને સર્વોચ્ચ રિઝનિંગ ક્ષમતાવાળાં મોડલ અમારી પ્રણાલીનાં પરિણામોનું નિરીક્ષણ અને મૂલ્યાંકન કરે, પછી પોસ્ટ-ટ્રેન્ડ LLMને વધુ સારું કામ કરવાની તાલીમ આપીને સુધારે. ઉદાહરણ તરીકે, જો અમારું સૌથી શક્તિશાળી મોડલ પ્રતિસાદ એકત્ર કરે અને નાનાં મોડલને શ્રેષ્ઠ રીતે કામ કરવાની તાલીમ આપે, તો અમે સંયોજન કે શોધ માટે નાનાં, વધુ કાર્યક્ષમ અથવા ઓછી રિઝનિંગ ક્ષમતાવાળાં મોડલ વાપરી શકીએ છીએ.

અમે માનવીય પ્રતિસાદ (વપરાશકર્તાઓ દ્વારા જાહેરાત પર ક્લિક કરવી અને તેને છુપાવવી), વપરાશકર્તા સર્વેક્ષણો અને અમારા જાહેરાત મેનેજર દ્વારા જાહેરાતકર્તાઓનો સીધો પ્રતિસાદ એકત્ર કરીએ છીએ અને તેના આધારે પગલાં લઈએ છીએ. નિર્માણ દરમિયાન અમારી ટીમ પણ પ્રતિસાદ માટે ઉપલબ્ધ રહે છે અને અમે ChatGPTના વપરાશકર્તાઓ તથા જાહેરાતકર્તાઓ બંનેની જરૂરિયાતો સીધી સાંભળીએ છીએ. આ માનવીય પ્રતિસાદ અમારી દિશાને મોડલના નિરીક્ષણ-આધારિત પ્રતિસાદ કરતાં પણ વધુ અસર કરે છે. તેના કારણે જ અમે ઝડપથી સુધારા કરીને ઉત્પાદન વિશે યોગ્ય નિર્ણયો લઈ શક્યા છીએ. મોડલ વપરાશકર્તાનો આશય સમજીને અને વિવેચનાત્મક રીતે વિચારીને કંઈક ઉપયોગી આપી શકે છે, પણ શું રુચિકર છે તે લોકો નક્કી કરે છે.

એક વર્ષ પહેલાં અમારી પાસે જાહેરાત પ્રણાલી નહોતી અને માત્ર થોડા લોકો આ પડકાર વિશે વિચારી રહ્યા હતા. આજે અમારી પાસે મજબૂત જાહેરાત પ્રણાલી છે, જે વાર્ષિકીકૃત ધોરણે 1 અબજ ડૉલરથી વધુની આવક સર્જે છે અને જેમાં LLM-આધારિત સંયોજક જાહેરાત ફ્લો ચલાવે છે. Codexએ અમારી કાર્યક્ષમતા અનેકગણી વધારવામાં પાયાની ભૂમિકા ભજવી. તેના કારણે અમે પ્રણાલીને શરૂઆતથી ઊભી કરીને અભૂતપૂર્વ ઝડપે ઉપયોગનો આ મોટો સીમાચિહ્ન હાંસલ કરી શક્યા. શરૂઆતથી જ અમે ટીમ અને વિકાસની કાર્યપ્રક્રિયાઓ એવી રીતે ગોઠવી કે Codexનો ઉપયોગ કરીને પ્રણાલી ઝડપથી બનાવી અને વિસ્તારી શકાય. Codex વિશ્વસનીય અને સલામત રીતે કોડ અમલમાં મૂકી શકે તે માટે અમે સુરક્ષાત્મક મર્યાદાઓ બનાવી. સાથે જ, અમે Codex માટે ડેટા માળખાનાં પ્લગઇન ગોઠવ્યાં, જેથી ઉપયોગી જાણકારી મેળવવાથી માંડીને પ્રણાલીમાં સુધારા લાગુ કરવા સુધીનું ચક્ર ઘણું ઝડપી બને. તેમાં ઉત્પાદનની નવી સુવિધાઓ, ગુણવત્તામાં સુધારા અને પ્રણાલીની વધુ સારી કામગીરીનો સમાવેશ થાય છે.

અમારી પ્રણાલીની મર્યાદાઓ (જે અમારા જાહેરાતના સિદ્ધાંતો⁠ પર આધારિત છે) અને LLM-આધારિત સંયોજકનું સંયોજન અમને દરેક વાતચીતને જાહેરાતની વિનંતી ગણ્યા વિના જાહેરાતને ઉપયોગી બનાવવાની ક્ષમતા આપે છે. આગળ જતાં, અમે વપરાશકર્તા અને જાહેરાતકર્તાને વધુ લાભ આપવા જાહેરાતનાં વધુ ગતિશીલ સ્વરૂપો સાથે પ્રયોગો ચાલુ રાખીશું—ઉદાહરણ તરીકે, વપરાશકર્તાઓને જાહેરાતો દ્વારા સીધા વ્યવસાયો સાથે વાત કરવાની ક્ષમતા આપવી. સતત પ્રતિસાદ ચક્રો સાથે OpenAIના મોડલ પર બનેલી આ તંત્રની સ્વસુધારક રચના સમય જતાં સુસંગતતા અને વૈયક્તિકરણ સુધારતા રહેવાની અમારી ક્ષમતાને વેગ આપશે.