OpenAI સાથે Wayfair કેટલોગ ચોકસાઈ અને સપોર્ટ ઝડપ વધારે છે

વિશ્વના સૌથી મોટા હોમ ગુડ્સ રિટેલર્સમાંની એક Wayfair એ સપ્લાયર સપોર્ટ વર્કફ્લો અને મોટા પાયે પ્રોડક્ટ કેટલોગની ગુણવત્તા સુધારવા માટે મહત્વપૂર્ણ આંતરિક સિસ્ટમ્સમાં OpenAI મોડેલ્સને એકીકૃત કર્યા છે. 2024માં નાનાપાયે રિલીઝોના value-testing તરીકે જે શરૂઆત થઈ હતી, તે હવે સંપૂર્ણ પ્રોડક્શન સિસ્ટમમાં વિકસિત થઈ છે, જે મેન્યુઅલ પ્રયત્ન ઘટાડે છે, નિર્ણય પ્રક્રિયાને ઝડપી બનાવે છે અને લાખો પ્રોડક્ટ્સમાં ડેટાની ગુણવત્તા સુધારે છે.

જનરેટિવ AI ને પ્રયોગ અથવા પોઇન્ટ સોલ્યુશન તરીકે જોવા કરતાં, Wayfair એ OpenAI મોડેલ્સને મુખ્ય ઑપરેશનલ વર્કફ્લોમાં સમાવી દીધા. કંપનીએ પહેલાં ત્યાં ધ્યાન આપ્યું જ્યાં જટિલતા અને મોટા પાયાની જરૂરિયાત સૌથી વધુ હતી: સપ્લાયર સપોર્ટ વિનંતીઓને રૂટ અને ઉકેલવી તથા અંદાજે 30 મિલિયન આઇટમ્સના કેટલોગમાં દસીઓ હજાર પ્રોડક્ટ એટ્રિબ્યુટ્સને સતત રીતે સુધારવા.

Wayfair ની કેટલોગ ટીમ લગભગ હજાર જેટલી જુદી જુદી પ્રોડક્ટ વર્ગોમાં દસીઓ મિલિયન પ્રોડક્ટ્સનું સંચાલન કરે છે. શોધ, ભલામણો અને મર્ચેન્ડાઇઝિંગ માટે રંગ, સામગ્રી, કદ અથવા વિશિષ્ટ લક્ષણો જેવા સુસંગત અને ચોક્કસ પ્રોડક્ટ એટ્રિબ્યુટ ટૅગ્સ જરૂરી છે.    

"અમારા ડેટાની ગુણવત્તા જેટલી સારી હોય, એટલો વધુ વિશ્વાસ અમે ગ્રાહક સાથે બાંધીએ છીએ. આ જરૂરી છે, કારણ કે તે ખરીદદારોને યોગ્ય ખરીદી નિર્ણય લેવામાં સશક્ત બનાવે છે, જે ખોટી રીતે રજૂ થયેલા પ્રોડક્ટ્સથી થતા રિટર્ન્સ જેવા મોંઘા આગળના મુદ્દાઓને સીધા ઘટાડે છે," એમ Wayfair માં એસોસિએટ ડિરેક્ટર ઑફ કેટલોગ મર્ચેન્ડાઇઝિંગ Jessica D'Arcy એ જણાવ્યું. 

OpenAI પહેલાં, ટૅગિંગમાં સુધારો મુખ્યત્વે સપ્લાયર્સ અને ગ્રાહકો Wayfair ને કંઈક ખોટું લાગતું હતું તે જણાવે તેના પર આધારિત હતો. મેન્યુઅલ પ્રયત્ન વોલ્યુમ સાથે પગલાં મેળવી શકતો નહોતો. અલગ અલગ ટૅગ્સ માટેના શરૂઆતના કસ્ટમ AI મોડેલ્સ અસરકારક હતા, પરંતુ બનાવવામાં અને જાળવવામાં ખર્ચાળ સાબિત થયા. “અમે શરૂઆત વ્યક્તિગત ટૅગ્સ માટે bespoke મોડેલ્સ બનાવીને કરી હતી, અને ટેક્નિકલ રીતે તે કામ કરતું હતું,” એમ Wayfair ની સ્ટાફ મશીન લર્નિંગ સાયન્ટિસ્ટ Carolyn Phillips એ કહ્યું. “પણ જ્યારે તમે 47,000 ટૅગ્સ જોઈ રહ્યા હો, ત્યારે એ અભિગમ સ્કેલ થતો નથી.”

એક-એક કામ માટેના મોડેલ્સથી આગળ વધવા, Wayfair એ એક જ OpenAI મોડલ પર આધારિત, ટૅગ-અગ્નોસ્ટિક સિસ્ટમ બનાવી. એક “definition agent” વેબ અને આંતરિક વ્યાખ્યાઓને ઇન્જેસ્ટ કરીને દરેક ટૅગ માટે સંદર્ભિત અર્થ તૈયાર કરે છે. “ખરું bottleneck મોડલનું પ્રદર્શન નહોતું,” એમ Phillips એ કહ્યું. “ખરેખર પડકાર તો દરેક ટૅગનો અર્થ શું છે તે વ્યાખ્યાયિત અને encode કરવા માટે લાગતો માનવીય સમય હતો.” આ સંદર્ભ, Wayfair ના ડેટા ઇકોસિસ્ટમભરમાંથી સંકલિત પ્રોડક્ટ ડેટા સાથે મળીને, એવા ફ્રેમવર્કમાં જાય છે જે પ્રોડક્ટ વર્ગો પાર એટ્રિબ્યુટ્સનું વર્ગીકરણ કરી શકે. ટીમ હવે નવા એટ્રિબ્યુટ્સ માટે મોડલ કવરેજ એ ઝડપે વિસ્તારી રહી છે જે ફક્ત એક વર્ષ પહેલાં કરતાં 70 ગણું વધુ છે.

આ સિસ્ટમ હવે 1 મિલિયનથી વધુ પ્રોડક્ટ્સ પર પ્રોડક્શનમાં ચલાવવામાં આવી છે. અને સુધારેલા એટ્રિબ્યુટ્સ ધરાવતા પ્રોડક્ટ્સની પહેલી લહેર હવે એટલી લાંબી લાઇવ રહી છે કે ગ્રાહક યાત્રા પર ડેટાની ગુણવત્તા સુધારવાના પ્રભાવને માપી શકાય.  “જ્યારે તમે એટ્રિબ્યુટ પૂર્ણતા સુધારો છો, ત્યારે તે કોઈ અમૂર્ત બાબત રહેતી નથી. તમે તે SEO અને PLA પ્રદર્શન માં દેખાતું જુઓ છો—ગ્રાહકો પ્રોડક્ટ્સ કેવી રીતે શોધે છે તેમાં,” એમ Phillips એ કહ્યું. નિયંત્રિત A/B ટેસ્ટે treatment group માં impressions, clicks અને page rank માં નોંધપાત્ર અને મહત્વપૂર્ણ વધારો બતાવ્યો.

પરંતુ, Wayfair એ પ્રોડક્ટ ડેટામાં સુધારો કરવાના નિર્ણયો સીધા મોડલને સોંપી દીધા નહોતાં. “અમારું લક્ષ્ય વિશ્વાસ બાંધવાનું છે જેથી ગ્રાહકો તેઓ શું ખરીદી રહ્યા છે તેમાં સંપૂર્ણ આત્મવિશ્વાસ ધરાવે,” એમ Phillips એ કહ્યું. કંપનીએ એક વ્યવહારુ audit પ્રક્રિયા સાથે સંરચિત ટેસ્ટિંગ વિકસાવ્યું, જેમાં સહયોગીઓ model output માન્ય કરવા માટે નમૂનાઓની ભૌતિક તપાસ કરે છે, અને ફેરફારો માન્ય કરવા સપ્લાયર્સ સાથે કામ કર્યું. હવે, જ્યારે ડેટા આધારિત વિશ્વાસ ઊંચો હોય, ત્યારે ઑટોમેટેડ સિસ્ટમ્સ કન્ટેન્ટને સીધું ઓવરરાઇટ કરશે અને સપ્લાયરને ફેરફારની જાણ કરશે. અને જ્યારે ઉચ્ચ ધોરણ પૂર્ણ ન થાય અથવા ટૅગને ઊંચા જોખમવાળો માનવામાં આવે, ત્યારે Wayfair ફેરફાર કરતાં પહેલાં સપ્લાયરની પુષ્ટિ માગે છે.

Wayfair તેના વ્યાપક કેટલોગને સપોર્ટ કરવા દસીઓ હજાર સપ્લાયર્સ સાથે કામ કરે છે. સપ્લાયર સપોર્ટ વિનંતીઓ સંભાળવા માટે, Wayfair ના સહયોગીઓએ ઐતિહાસિક રીતે દરેક આવતી ટિકિટની સમીક્ષા કરી, સપ્લાયર્સ શું હાંસલ કરવા ઇચ્છે છે તે મેન્યુઅલી ઓળખ્યું અને મુદ્દાઓને યોગ્ય આંતરિક માલિક સુધી રૂટ કર્યા—જે સમયખાઉ અને ભૂલપ્રવણ પ્રક્રિયા હતી. “સપ્લાયર વિનંતીઓ સરળ નથી,” એમ Wayfair ખાતે સપ્લાયર સપોર્ટ અને ઑપરેશન્સના Graham Ganssle એ જણાવ્યું. “તેમાં સેકડો મુદ્દા પ્રકારો આવરી લેવાય છે, અને વાસ્તવિક રીતે કોઈ એક સહયોગી એ બધામાં નિષ્ણાત બની શકતો નથી.”

Wayfair એ Wilma નામના પ્રોડક્ટમાં AI દ્વારા આ વર્કફ્લોને વધારવા એજન્ટિક સુવિધાઓ ઉમેર્યાં. પ્રોડક્શનમાં આવેલી પહેલી સુવિધાઓમાંની એક OpenAI મોડલથી સંચાલિત ટિકિટ ટ્રાયાજ છે. સિસ્ટમ આવતી વિનંતીઓ વાંચે છે, ગેરહાજર સંદર્ભ ભરે છે અને ટિકિટ્સને યોગ્ય ટીમ સુધી રૂટ કરે છે. Wilma ને ઝડપી રીતે ડિપ્લોય કરી શકાય તે માટે ડિઝાઇન કરવામાં આવ્યું હતું; OpenAI APIs સાથે પહેલેથી જ સંકલિત સિસ્ટમ પર બનેલું હોવાથી, તે આશરે એક મહિને પ્રોટોટાઇપથી લાઇવ થઈ ગયું. “Wilma સહયોગીઓને વધારે ક્ષમતા આપે છે,” એમ Ganssle એ કહ્યું. “તે ટિકિટ વાંચે છે, ઇન્ટેન્ટ ઓળખે છે, અમારી ડેટાબેસમાંથી સંદર્ભ ભરે છે, જરૂર પડે તો સપ્લાયર્સ સાથે ફરી સંપર્ક કરે છે, અને મુદ્દાને યોગ્ય દિશામાં મોકલે છે.”

રૂટિંગથી આગળ, Wayfair એ ચોક્કસ resolution teams માટે ડઝન જેટલા એજન્ટિક AI ફ્લોઝ ડિપ્લોય કર્યા છે. ઉદાહરણ તરીકે, Replacement Part Operations ટીમ માટેનું co-pilot જટિલ કેસ ઇતિહાસ વાંચે છે, આગળના પગલાં સૂચવે છે અને ડ્રાફ્ટ પ્રતિસાદ સૂચવે છે, જેને માનવીય સહયોગીઓ સમીક્ષા કરે છે. આ સહાયકો ઐતિહાસિક ડેટા પર તાલીમબદ્ધ છે જેથી તેઓ સંદર્ભમાં સફળતા કેવી દેખાય છે તે શીખે. “મોડેલ્સ સમગ્ર યાત્રામાંથી સંદર્ભને એવી રીતે સંકલિત કરી શકે છે જે એક જ સહયોગી માટે કરવું મુશ્કેલ છે,” એમ Ganssle એ કહ્યું. “આ વ્યાપક દૃશ્યતા ગ્રાહક અને સપ્લાયર સંતોષ બંનેમાં વધારો કરે છે.”

Wayfair ટ્રૅક કરે છે કે AI ની ભલામણો માનવીય એજન્ટના અંતિમ નિર્ણય સાથે કેટલી વાર મેળ ખાતી હોય છે—આ મેટ્રિકને “alignment rate” કહે છે. દરેક ટીમની અંદર, જ્યારે alignment સતત પૂર્વનિર્ધારિત થ્રેશોલ્ડ સુધી પહોંચે, ત્યારે વર્કફ્લોઝ સહાયક (“co-pilot”) મોડથી અર્ધ-સ્વાયત્ત (“autopilot”) મોડ તરફ જઈ શકે છે. આ તબક્કાવાર અભિગમ વિશ્વાસ બાંધે છે અને rollout દરમિયાન ગુણવત્તા નિયંત્રણ સુનિશ્ચિત કરે છે.

Wayfair જણાવે છે કે આંતરિક સિસ્ટમ્સમાં OpenAI મોડેલ્સને એકીકૃત કર્યા પછી માપી શકાય એવા સુધારા થયા છે.

કેટલોગ તરફ, કંપનીએ ગ્રાહકને દેખાઈ શકે તેવા ખોટા અથવા ગાયબ પ્રોડક્ટ એટ્રિબ્યુટ ટૅગ્સની સંખ્યા ઘટાડીને, Wayfair કેટલોગમાં સૌથી વધુ દેખાતા અને ખરીદાતા દસ લાખથી વધુ પ્રોડક્ટ્સમાં 2.5M પ્રોડક્ટ ટૅગ્સ સુધાર્યા છે. તેઓ આવતા છ મહિનામાં આ અસરને ચાર ગણું કરવાની અપેક્ષા રાખે છે.

સપ્લાયર સપોર્ટમાં, ટ્રાયાજ, co-pilot અને auto-pilot સિસ્ટમ્સે દર મહિને 41,000 ટિકિટ્સ ઑટોમેટ કરીને થ્રૂપુટ વધાર્યો છે (કેટલાક વર્કફ્લોમાં આ 70% સુધી છે) અને સહયોગીઓના કામના ભારમાંથી નિયમિત મેન્યુઅલ કામ દૂર કરીને turnaround time ઘટાડ્યો છે. આ અનેક વર્કફ્લોઝ માટે ઉકેલ સુધીનો સમય નાટકીય રીતે ઘટાડે છે, સપ્લાયર સંતોષમાં નોંધપાત્ર વધારો કરે છે અને આ વર્કફ્લોઝમાં ટિકિટ ફરી ખૂલવાની સંખ્યા ઘટાડે છે.

મોડેલ્સ ટિકિટ્સ અને સપ્લાયર ઇન્ટેન્ટમાં જે વ્યાપક દૃશ્યતા આપે છે—એક જ સહયોગી સ્ક્રીન પર જોઈ શકે તેનાથી પણ આગળ—તે સંતોષમાં થયેલા આ વધારામાં યોગદાન આપે છે.

ઑપરેશનલ રીતે, ટીમો જણાવે છે:

• જટિલ સપ્લાયર ટિકિટ્સનું વધુ ઝડપી રૂટિંગ અને ઉકેલ
• વધેલો સપ્લાયર સંતોષ
• મેન્યુઅલ ડેટા એન્ટ્રી અને વર્ગીકરણ કામમાં ઘટાડો
• સૈંકડો વિષયોમાં નિષ્ણાતીની જરૂરિયાત વિના વધુ વ્યાપક મુદ્દા આવરણ
• પ્રકાશન પહેલાં કેટલોગ એટ્રિબ્યુટ્સમાં વધુ આત્મવિશ્વાસ.

Wayfair એ તેના અંદાજે 12,000 કર્મચારીઓના workforce માં ad hoc કાર્યો, આંતરિક સમસ્યા ઉકેલ અને જનરેટિવ મોડેલ્સ સાથેના પ્રયોગને સપોર્ટ કરવા માટે 1,200 થી વધુ ChatGPT Enterprise seats પણ ડિપ્લોય કરી છે.

Wayfair પાસે મશીન લર્નિંગમાં રોકાણ કરવાનો અને તેના વ્યવસાયને આગળ વધારવા AI platforms અને LLM providers સાથે સહયોગ કરવાનો લાંબો ઇતિહાસ છે. હવે, અત્યાધુનિક મોડેલ્સમાં, ખાસ કરીને multimodal systems માં થયેલી પ્રગતિ, તેની ટીમો શું બનાવી શકે છે તે વિસ્તારી રહી છે. હોમ રિટેલમાં આ મહત્વનું છે, જ્યાં પ્રોડક્ટ્સ દૃશ્ય, શૈલી આધારિત અને ઘણીવાર આત્મનિષ્ઠ હોય છે.

“અમે હવે જે સમસ્યાઓ હલ કરી શકીએ છીએ તેની વ્યાપકતા અંગે ઉત્સાહિત છીએ,” એમ Carolyn Phillips એ કહ્યું. “પરંપરાગત algorithms ને કડક રીતે વ્યાખ્યાયિત datasets ની જરૂર પડે છે. આ મોડેલ્સ અમને અસ્પષ્ટતા અને સંદર્ભ સાથે એવી રીતે કામ કરવાની મંજૂરી આપે છે જે પહેલાં સ્કેલ કરી શકાતી નહોતી.” 

આગળ જોતા, ChatGPT Enterprise માટે કર્મચારીઓમાં માંગ મજબૂત રહી છે. Wayfair ની ટીમો તેને એક વ્યવહારુ સાધન તરીકે જુએ છે જે તેમને વધુ ઝડપથી આગળ વધવામાં મદદ કરે છે.

ગ્રાહકોની અપેક્ષાઓ પણ ઝડપથી બદલાઈ રહી છે. વધુ ખરીદદારો તેમના દૈનિક જીવનમાં AI નો ઉપયોગ કરવા અનુકૂળ બની રહ્યા છે, અને જ્યારે તેઓ ઑનલાઇન બ્રાઉઝ, સરખામણી અને ખરીદી કરે છે ત્યારે તેઓ સમાન ક્ષમતાઓની અપેક્ષા રાખવા માંડી રહ્યા છે.

“ઘર માટે ખરીદી કરતી વખતે, ગ્રાહકોને ઘણીવાર તેઓ શું શોધી રહ્યા છે તેના ચોક્કસ શબ્દો હોતા નથી,” એમ Fiona Tan એ કહ્યું. “નેચરલ લેંગ્વેજ અને multimodal systems આ ખાધ પૂરી કરવામાં મદદ કરે છે.”

Wayfair ના નેતાઓ માટે, આંતરિક ક્ષમતાને સ્કેલ કરતી વખતે માનવીય નિષ્ણાતીને વધારવાનું લક્ષ્ય યથાવત છે. “અમે એવા વિશ્વ માટે બનાવી રહ્યા છીએ જ્યાં AI ખરીદી યાત્રાનો એક ભાગ છે—એ અમારા સાઇટ પર હોય, સપોર્ટ દ્વારા હોય કે conversational interfaces દ્વારા,” એમ Fiona Tan એ અંતમાં કહ્યું.