Ինչպես ստեղծեցինք ChatGPT‑ի նոր գովազդային համակարգը՝ հանուն վստահության ու համապատասխանության

Ավանդական գովազդային համակարգերը կառուցված են օգտատիրոջ մտադրության առանձին դրսևորումներին արձագանքելու համար։ Օգտատերն առցանց ինչ-որ բան է որոնում կամ դիտում, գովազդային համակարգն այդ հարցումներն ու էջերի դիտումները ստանում է որպես իրադարձություններ և դրանց հիման վրա փնտրում համապատասխան գովազդներ։ ChatGPT‑ի համար գովազդային համակարգ ստեղծելն այլ մոտեցում էր պահանջում․ օգտատիրոջ մտադրությունը ձևավորվում է զրույցների ընթացքում և փոխվում նույն զրույցի մի քանի քայլերի ընթացքում, երբեմն՝ առանց գովազդ ցուցադրելու հարմար պահի։ Այս նոր մոտեցումն ապահովելու համար մենք ստեղծեցինք հատուկ նախագծված գովազդի մատուցման համակարգ։ Այս նոր տեսակի գովազդային համակարգը հիմնված է հատուկ հարմարեցված, ուսուցումից հետո լրացուցիչ պատրաստված առաջադեմ LLM-ի վրա։ Այն գործիքներ է կանչում որոնման (լավագույն տարբերակները գտնելու), դասակարգման (օգտատիրոջ ներգրավվածությունը կանխատեսելու), համապատասխանության գնահատման (գովազդի օգտակարությունը որոշելու), ինչպես նաև վերջնական ընտրության և գնագոյացման նպատակով աճուրդներ անցկացնելու համար։

Մեր գովազդային համակարգը հաշվի է առնում օգտատիրոջ փոփոխվող նպատակների նրբությունները՝ նախագծման երեք առանցքային որոշումների շնորհիվ․ 1) վիճակը պահպանող գովազդային աշխատաշրջաններ, որոնցում տեղեկությունը հիշվում է թե՛ նույն զրույցի տարբեր քայլերի, թե՛ մի քանի զրույցների ընթացքում, 2) հատուկ հարմարեցված, ուսուցումից հետո լրացուցիչ պատրաստված LLM, որը գործիքների կանչերի ճարտարապետությամբ մեկնաբանում է զրույցի համատեքստն ու հիմքում ընկած մտադրությունը, ապա արդյունավետ ընտրում, դասակարգում և առաքում գովազդները, 3) գովազդի ընտրության գործընթացի գործարկում ChatGPT‑ի պատասխանի գեներացումից առանձին ծառայությունում, որպեսզի գովազդները չազդեն պատասխանների վրա, և ChatGPT‑ի խոսքը մնա չեզոք։ Մենք օգտագործում ենք ուսուցումից հետո լրացուցիչ պատրաստված մեր LLM-ը՝ գովազդի ամբողջ գործընթացը համակարգելու համար։ Այն օգտատիրոջ ընթացիկ հաղորդագրության և զրույցի պատմության հիման վրա որոշում է, թե որ գովազդը երբ է տեղին ցուցադրել։ Նման ինքնակատարելագործվող գովազդային համակարգը զրոյից գործարկելը նախկինում տարիներ էր տևում, մինչդեռ ChatGPT‑ի գովազդները տարեկան հաշվարկով 1 միլիարդ դոլարի եկամտային տեմպի հասան գործարկումից 200 օր էլ չանցած։ Այժմ գործարկումից ի վեր ChatGPT‑ում գովազդ է տեղադրել ավելի քան 100 000 գովազդատու։

Սովորական գովազդային հարցումը հիմնականում սկսվում է հստակ սահմանված իրադարձությունից։ Օգտատերը որոնման հարցում է ուղարկում կամ վեբէջ բացում, և գովազդային համակարգը հարցում է ստանում։ Այսպիսի համակարգը բավական պարզ է․ այն որոնում է գովազդի հնարավոր թեկնածուներին, դասակարգում նրանց, աճուրդով որոշում տեղադրման հնարավորության պատշաճ գինը և ընտրված գովազդը ցուցադրում օգտատիրոջը։ ChatGPT‑ի աշխատանքի ընթացքում նման հստակ պահ ինքնաբերաբար չի առաջանում։

ChatGPT‑ի հետ զրույցին մարդիկ գալիս են նպատակներով, այլ ոչ թե մեկ պատասխան պահանջող որոնման հարցմամբ։ Նրանք կարող են ուղևորություն պլանավորել, իրենց բիզնեսի համար ծրագրային ապահովում ընտրել, տուն կահավորել կամ նոր հոբբի սովորել։ Այս ամենը զրույցի մեկ քայլով չի կատարվում։ Ընթացքում ChatGPT‑ն հաճախ օգնում է օգտատիրոջը պարզել, թե ինչն է կարևոր։

Օրինակ՝ մեր ինժեներական թիմը ChatGPT‑ին հարցրեց, թե ինչպես մարզվել վազքի մրցմանը պատրաստվելու համար․ զրույցը սկսվում է վազքի մասին ընդհանուր հարցից։ Մի քանի հաղորդագրություն անց նրանք հարցնում են մարզումների համար օգտակար կոշիկների մասին։ Յուրաքանչյուր նոր սահմանափակման հետ փոխվում է զրույցի առևտրային իմաստը, իսկ այս անհատական համատեքստը զարգանում է մի քանի աշխատաշրջանների ընթացքում։ Միայն առաջին հաղորդագրության հիման վրա գործող համակարգը կարող էր բոլորովին սխալ հասկանալ մտադրությունը՝ վատացնելով օգտատիրոջ փորձառությունը և խանգարելով նրան։

Մեր գովազդային համակարգը կառուցելու համար հարկ եղավ դուրս գալ հարցում-պատասխան գովազդային ճարտարապետության սահմաններից և զրոյից ստեղծել համակարգ, որը կգտնի տնտեսական հնարավորություններ՝ առաջնահերթություն տալով օգտատիրոջ վստահությանն ու նրա համար արժեքին։

Յուրաքանչյուր հաղորդագրություն առանձին հարցում դարձնելը, ինչպես ավանդական գովազդային համակարգում, մեր զրուցային միջավայրում մի քանի ռիսկ կստեղծեր․ 1) օգտատիրոջ նպատակը չափազանց պարզեցնելով՝ սխալ մեկնաբանել այն, 2) գովազդի գործընթացը սկսել չափազանց վաղ՝ մինչև օգտատիրոջ իրական կարիքը պարզ դառնալը, 3) ցուցադրել գովազդներ, որոնք օգնելու փոխարեն խանգարում են օգտատիրոջ առաջընթացին, և 4) հարցման ամեն փոփոխության հետ անարդյունավետորեն վերագործարկել գովազդի գործընթացը՝ ստեղծելով աղմուկ ու ավելորդ ծախսեր։ Առանձին իրադարձությունների շուրջ կառուցվելու փոխարեն՝ գովազդային համակարգը (որը ներառում է որոնում, դասակարգում և առաքում), պահպանում է աշխատաշրջանի վիճակը։ Այսինքն՝ գովազդային աշխատաշրջանը գործում է գովազդի համար թույլատրելի հաղորդագրությունների փոխանակման ամբողջ ընթացքում՝ հիշելով և թարմացնելով զարգացող տեղեկությունը։ ChatGPT‑ն հարցման սկզբնական համատեքստն ուղարկում է գովազդային սերվերին։ Գովազդային համակարգը հետևում և հարմարվում է զարգացող զրույցին՝ մեկ պարզեցված հարցման վրա հենվելու փոխարեն։

Գովազդի ընտրության գործընթացն ընթանում է ChatGPT‑ի սովորական պատասխանի գեներացմանը զուգահեռ, որպեսզի չազդի ChatGPT‑ի պատասխանների վրա։ Գովազդները զտվում և ընտրվում են առանձին համակարգով, որը մշակում է զրույցը՝ թույլատրելիության, որակի և առաքման սեփական սահմանափակումներով։ Այս կարևոր ճարտարապետական սահմանը՝ տարբեր ծառայություններ, առանձին մոդելներ ու առանձին կոդ, թույլ է տալիս ChatGPT‑ի հիմնական սերվերներին գեներացնել ոչ գովազդային պատասխանը։ Միաժամանակ գովազդային համակարգն անկախ գնահատում է՝ կա՞ արդյոք գովազդի համար հարմար հնարավորություն, և եթե կա, մատուցման առանձին գործընթացով պատրաստում է հովանավորվող տեղադրում։

Օգտատիրոջ փորձառությունը պաշտպանելուց բացի՝ այս տարանջատումն ունի նաև գործնական հետևանքներ։ ChatGPT‑ն կախված չէ գովազդային համակարգից․ ծառայությունները որևէ կերպ միահյուսված չեն և բովանդակության գեներացման ընդհանուր մոդել չեն օգտագործում։ Ուստի, եթե գովազդի մատուցման համակարգն անհասանելի է կամ դանդաղ է աշխատում, ChatGPT‑ի ոչ գովազդային պատասխանի ձևավորումը շարունակվում է անխափան։ Այսինքն՝ գովազդային համակարգը չի կարող խափանել կամ դանդաղեցնել ChatGPT‑ի աշխատանքը։ Այս տարանջատման մյուս առավելությունն այն է, որ գովազդի օգտակարության նկատմամբ պահանջները մնում են շատ բարձր։ Որևէ գովազդ չվերադարձնելը սովորական և հաջող արդյունք է։ Համակարգը գովազդ է առաքում միայն այն դեպքում, երբ այն ակնհայտորեն օգտակար է օգտատերերին և գովազդատուներին։

Մեր գովազդային համակարգի մյուս առանցքային ճարտարապետական բաղադրիչը ուսուցումից հետո լրացուցիչ պատրաստված LLM-ն է։ Այն մեկնաբանում է զրույցները և ագենտային ցիկլով ղեկավարում գովազդի ամբողջ գործընթացը՝ գործիքների միջոցով կանչելով համակարգի հիմնական գործառույթները՝ որոնումից ու դասակարգումից մինչև աճուրդ և, ի վերջո, առաքում։ Այս LLM-ին մենք անվանում ենք համակարգող։

Գովազդի գործընթացը սկսվում է օգտատիրոջ մտադրությունը հասկանալուց՝ որոնումը մեկնարկելու համար։ Սա հնարավոր գովազդների արագ և միտումնավոր լայն որոնում է, որին հետագայում հաջորդում է զտումը։ Զրույցը մաս առ մաս ստանալը որոնման խնդիրն ավելի հարուստ, բայց նաև ավելի անորոշ է դարձնում, քանի որ գովազդային համակարգը պետք է տարբերակի ընթացիկ մտադրությունն արդեն հնացած համատեքստից։ Համակարգողը պետք է մեկնաբանի նախորդ հաղորդագրություններին հղումները, ճանաչի ենթադրական խոսքը և ապրանքի կամ ծառայության ամեն հիշատակում չընկալի որպես գնում կատարելու հարցում։

Գովազդի համակարգողն օգտագործում է զրույցի և օգտատիրոջ մասին հասանելի համատեքստը՝ կրկնվող քայլերով փնտրելով լավ գովազդներ և ամեն անգամ ընտրելով, թե որ գործիքը երբ կանչել։ Հիմնական նպատակն այդ զրույցին ու համատեքստին ամենահամապատասխան գովազդը գտնելն է (որը հավասարակշռում է օգտատիրոջ և գովազդատուի համար բարձր արժեքը)։ Եթե օգտատերն ընտրում է անհատականացված գովազդները, համակարգողը հաշվի է առնում նաև նրա նախորդ զրույցների մասին հասանելի ոչ զգայուն տեղեկությունները՝ ամենահամապատասխան գովազդները գտնելու համար։

Զրույցի զարգացմանը զուգահեռ գովազդի համակարգողը ստանում է ավելի թարմ տեղեկություններ և կարող է նորացված համատեքստով գործիքների նոր կանչեր կատարել՝ ավելի լավ գովազդներ գտնելու և հաճախորդային հավելվածին վերադարձնելու համար։ Հավելվածն էլ կարող է օգտագործել նոր գովազդները, եթե դրանք ժամանակին հասնեն։

Համակարգողը նախագծված է օգտատիրոջ և գովազդատուի համար արժեքը հավասարակշռելու համար՝ միշտ առաջնահերթություն տալով օգտատերերին։

Գովազդային համակարգը բաղկացած է առանձին գործիքներից, որոնք համակարգողը հաջորդաբար կանչում է՝ զրույցի համար լավագույն գովազդները գտնելու նպատակով։ Ընդհանուր առմամբ, համակարգողը զրույցները վերածում է կարճ տեքստային ամփոփումների, որոնք այնուհետև դառնում են իմաստային վեկտորներ (իմաստի պահպանված ներկայացումներ, որոնք գովազդային համակարգն ավելի հեշտ է զննում)։ Այդ վեկտորներով այն որոնում է գովազդի թեկնածուներ, զտում դրանք ըստ թույլատրելիության (հիմնվելով բյուջեի, օգտատիրոջ կարգավորումների և այլ նախնական ստուգումների վրա), գնահատում որակն ու համապատասխանությունը և վերջնական դասակարգմամբ որոշում, թե որոնք են արժեքավոր՝ զրույցի պատասխանի վերջում տեղադրելու համար։ Ուստի տեղադրման թույլտվություն ստանալու համար յուրաքանչյուր գովազդ պետք է բավարարի թույլատրելիության և համապատասխանության բարձր պահանջներին։

Համակարգող LLM-ը նախ պատրաստում է մեկ կամ մի քանի հարցում, որոնք ներկայացնում են առնչվող առևտրային մտադրությունը։ Սա կարող է ներառել զրույցի համատեքստի վերաշարադրում՝ առևտրային հնարավորությունները բառացի որոնման հարցումներից ավելի լայն դիտարկելու համար, ապա՝ իմաստային ներկայացումների ստեղծում։ Համակարգողը բազմաքայլ զրույցը վերածում է որոնման համակարգի համար նախատեսված ամփոփման՝ մեր տվյալների բազայից գովազդները նպատակային որոնելու համար։

Գովազդի տեղադրումը թե՛ օգտատերերի, թե՛ գովազդատուների համար ավելի լավ արդյունք կտա, եթե գովազդները հայտնվեն միայն օգտատիրոջ մտադրությունը խորությամբ հասկանալու դեպքում։ Մի քանի հարցումների միջոցով կարելի է պահպանել մտադրության տարբեր կողմերը։ Օրինակ՝ ուղևորություն պլանավորելու մասին զրույցը կարող է պարունակել տրանսպորտի, կացարանի կամ զբաղմունքների հետ կապված տարբեր կարիքներ։ Որոնման համակարգը կարող է պահպանել այս տարբերությունները՝ ամբողջ զրույցը մեկ բառացի տողի մեջ սեղմելու փոխարեն։

Որպես օրինակ՝ դիտարկենք արշավային կոշիկների մասին հնարավոր զրույցի այս հաջորդականությունը․

1. Ի՞նչ արժե տեսնել Յոսեմիթիում երկօրյա ուղևորության ընթացքում։

2. Հաջորդ շաբաթ ցուրտ կլինի՞։

3. [insert brand] ապրանքանիշի նոր ապրանքատեսակնե՞ր։

Թեև օգտատերը կոշիկի ապրանքանիշի մասին հարցը չի կապել Յոսեմիթի ուղևորության հետ, մեր գովազդային համակարգում այս զրույցը կարող է ներկայացվել երկու հարցմամբ, օրինակ՝ [shoes appropriate for hiking trip] և [new [brand] product lines good for travel]։ Սա կարող է լինել միայն առաջին փորձը․ համակարգողը նախագծված է այս ներկայացումները շարունակաբար վերամշակելու համար, մինչև մեր գովազդային պաշարում գտնի օգտատիրոջ համար իսկապես արժեքավոր գովազդներ։

Որոնման ընթացքում միտումնավոր ձևավորվում է գովազդների տարբերակների լայն խումբ։ Թեկնածուները կարող են ստացվել որոնման տարբեր ռազմավարություններից և հետագայում մրցակցել մատուցման նույն սահմանափակումների ներքո։ Մենք ստեղծում ենք մի քանի ինդեքս, որոնք օպտիմալացված են համակարգային և արտադրանքային տարբեր սահմանափակումների համար (oրինակ՝ ապրանքների հոսքից գովազդների ինդեքսը լավագույն գովազդները որոնելիս հաշվի է առնում ապրանքների դրական կամ բացասական կարծիքները։ Սա կիրառելի չէ այլ գովազդների դեպքում, որոնց հետ կարող են կարծիքներ կապված չլինել)։ Յուրաքանչյուր ինդեքս օպտիմալացված է մոտավոր մոտակա հարևանի որոնման (ANN) որևէ տարբերակի համար՝ օգտագործելով օգտատիրոջ մտադրությունը ներկայացնող վեկտորներ։ ANN որոնումը մեծ իմաստային ինդեքսներում որոնելու մոտարկման ալգորիթմ է։ Այն շատ արագ է գտնում գովազդները՝ մոտենալով լավ լուծման, այլ ոչ թե փնտրելով «միակ ճիշտ» լուծումը, և միաժամանակ պահպանում է համապատասխան թեկնածուների մեծ մասը։

Զտման նպատակն է դիտարկումից հանել գովազդի բոլոր այն թեկնածուներին, որոնք չեն բավարարում համապատասխանության, գնառաջարկների և բյուջեի առումով տեղադրման պահանջներին։ Կախված թեկնածուից և կազմաձևից՝ զտումը կարող է ներառել հետևյալ ստուգումները․ գովազդային նյութերի և արշավի հասանելիություն, (արդյոք արշավը կամ գովազդային նյութերն ակտիվ են), արշավի թիրախավորում (օրինակ, թե որ տարածաշրջաններում է թույլատրվում գործարկել արշավը), քաղաքականության սահմանափակումներ (գովազդվող բովանդակության նկատմամբ կիրառվող պահանջներ), բյուջեի առկայություն (արդյոք արշավի բյուջեում դեռ ծախսելու միջոցներ կան), ծախսերի բաշխման տեմպ (արդյոք բյուջեն պետք է ծախսել հիմա, թե օրվա այլ ժամի), տեղադրման համատեղելիություն (ինչպիսի զրույցներում կարող է ցուցադրվել տվյալ գովազդը), և կրկնությունների բացառում գովազդատուի ու արշավի մակարդակում (յուրաքանչյուր գովազդատուից համապատասխան քանակի գովազդներ ընտրելով՝ տարբեր բիզնեսների արդար մասնակցությունն ապահովելու համար)։

Թույլատրելիության ստուգումներն անցած թեկնածուները տեղափոխվում են միավորային գնահատման փուլ։ Այստեղ համակարգողը գործիքների միջոցով դիմում է գնահատման տարբեր համակարգերի՝ հաշվի առնելու մատուցման համար կարևոր գործոնները, այդ թվում՝ իմաստային համապատասխանությունը (արդյոք գովազդը համապատասխանում է օգտատիրոջ նպատակին), կանխատեսվող ներգրավվածությունը (որքանով է հավանական, որ գովազդը կդիտվի, դրա վրա կսեղմեն, և այն կհանգեցնի գովազդատուի ցանկալի արդյունքին) և նախկին արդյունավետությունը (արդյոք գովազդը մինչ այժմ լավ արդյունքներ է տվել օգտատերերին ցուցադրվելիս)։ Համակարգողը նաև զտում է գովազդները՝ աճուրդից առաջ ապահովելու դրանց համապատասխանությունն ու անվտանգությունը։ Այս համակարգերը կրճատում են թեկնածուների թիվը՝ ձևավորելով աճուրդին պատրաստ ավելի փոքր խումբ, սակայն դեռ չեն որոշում, թե վերջնականապես որ գովազդն է մատուցվելու։

Համակարգողը պատրաստված թեկնածուներին գնահատում է զրույցի համատեքստում և ընտրում, թե որոնք են բավականաչափ նպատակահարմար՝ վերջնական աճուրդին մասնակցելու համար։ Համակարգողն անմիջականորեն չի որոշում, թե որ գովազդն է մատուցվելու, և գին չի սահմանում։ Այն առաջադրում է համատեքստին համապատասխան թեկնածուներ, որոնց գնահատում է աճուրդի գործիքը։

Աճուրդի ընթացքում կիրառվում են մատուցման վերջնական մեխանիզմները, այդ թվում՝ աճուրդին մասնակցելու թույլատրելիության ստուգումը (համապատասխանության և արժեքի նվազագույն շեմի հաղթահարում), բյուջեի ծախսման տեմպի կարգավորումը (գովազդային բյուջեի ավելի հավասարաչափ ծախսում), գնառաջարկների և աճուրդի հատկանիշների հաշվարկը, որակի հաշվառմամբ դասակարգումը, գնագոյացումը և վերջնական ընտրությունը։

Աճուրդից հետո գովազդը կարող է չառաքվել երկու պատճառով, որոնք երկուսն էլ բնորոշ են ChatGPT‑ի զրուցային միջավայրին։

1. Գովազդը կարող է անտեղի թվալ զրույցում․ թեև անվտանգության ապահովման մոդելները (որոնք որոշում են, թե երբ է նպատակահարմար գովազդ ցուցադրել) զրույցը համարել են գովազդի տեղադրման համար անվտանգ, իսկ գովազդը ճանաչվել է քաղաքականության պահանջներին համապատասխան, որոշ զրույցներում այն, այնուամենայնիվ, կարող է անտեղի լինել։ Համակարգողն արգելափակում է նման գովազդների ցուցադրումը։

2. Գովազդի հարցումը կարող է ժամանակին չհասնել․ եթե ChatGPT‑ի մոդելը պատրաստ է պատասխանել, բայց գովազդը դեռ պատրաստ չէ տեղադրման, հարցման սպասման ժամկետը լրանում է, և գովազդը չի առաքվում։ Ուստի գովազդային համակարգի նպատակներից մեկը հնարավորինս արագ աշխատելն է։ ChatGPT‑ի մոդելի պատասխանելու ժամանակը փոփոխական է, և մենք չենք ուշացնում զրույցի պատասխանները՝ սպասելով գովազդների բեռնմանը։

Եթե վերը նշված բոլոր ստուգումներն անցած են, գովազդն ուղարկում ենք օգտատիրոջ միջերես՝ արտապատկերելու համար։ Սա համարում ենք գովազդի սերվերային առաքում, սակայն այն դեռ կարող է չցուցադրվել օգտատիրոջը, և դա նախատեսված է համակարգի կառուցվածքով։

ChatGPT‑ի նման զրուցային արտադրանքում գովազդային նյութի սերվերային առաքումը չի երաշխավորում, որ գովազդը կցուցադրվի․ այն պետք է նաև ժամանակին հասնի՝ ընթացիկ հաղորդագրության փոխանակման մեջ ներառվելու համար։ Գովազդային նյութը ներառում է վերնագիր, նկարագրություն, նպատակային հղում և գործողության կոչ, եթե կա այդպիսին։ Գովազդային համակարգը նաև վերադարձնում է մոդելի գեներացրած կարճ, չեզոք նախաբան, որը բացատրում է, թե ինչպես է գովազդը կապված զրույցի հետ։ Նախաբանը գովազդային նյութից առանձին պահելը պահպանում է գովազդատուի ուղերձը՝ միաժամանակ ապահովելով ChatGPT‑ի խոսքի չեզոքությունը։

ChatGPT‑ի օգտատիրոջ միջերեսը նախաբանն ու գովազդային նյութը ստանում է մեկ փաթեթով։ Եթե փաթեթը հասնում է մինչև ChatGPT‑ի պատասխանի ամբողջական գեներացումը, միջերեսը գովազդը ցուցադրում է պատասխանի տակ՝ հստակ նշելով, որ այն հովանավորվող է։ Եթե այն ուշ է հասնում, հաղորդագրությունների այդ փոխանակման ընթացքում գովազդը չի ցուցադրվում։ Սա է տարբերությունը գովազդի սերվերային առաքման և օգտատիրոջը գովազդի ցուցադրման միջև։

Մեր գովազդային համակարգն օգտագործում է գրանցամատյանների և տվյալների մշակման ավանդական շղթաներ, որոնք ունեն երեք հիմնական առավելություն․ գովազդատուներն ավելի հեշտ են ինտեգրում իրենց առկա համակարգերը մեր համակարգի հետ, հաշվետվությունների տվյալներով բարելավում են իրենց ռազմավարությունները, իսկ մեր թիմը գտնում է համակարգի բարելավման ենթակա մասերը։ Հաշվետվությունների և օպտիմալացման այս գործիքներից բացի՝ մենք կիրառում ենք բարձրորակ մոդել՝ առաքումը գնահատելու և գովազդային այլ մոդելներ ուսուցանելու համար՝ ստեղծելով ինքնակատարելագործման հզոր ցիկլ։

Տեղի ունեցածի մանրամասն վերլուծություններն օգնում են մեզ հասկանալ և առանձին բարելավել գովազդային համակարգի յուրաքանչյուր մասը։ Գրանցամատյանների մշակման համակարգը նաև արձանագրում է մանրամասն արդյունքներ, օրինակ՝

• Հաղորդագրությունների տվյալ փոխանակման ընթացքում գովազդը թույլատրելի չէր։

• Գովազդային աշխատաշրջանը մեկնարկել է, բայց որոնում չի պահանջվել։

• Որոնումը թեկնածուներ չի վերադարձրել։

• Թեկնածուներ գտնվել են, բայց դրանց ամբողջական տվյալների բեռնումը չի հաջողվել կամ դրանք չեն անցել թույլատրելիության ստուգումը։

• Գովազդն առաքվել է, և հետագայում օգտատերը փոխազդել է դրա հետ։

Այս մանրամասն վերլուծություններն օգնում են մեզ առանձին բարելավել գովազդի մատուցման համակարգի յուրաքանչյուր մասը։ Հնարավորությունների հայտնաբերումը բարելավելու համար անհրաժեշտ տվյալները տարբերվում են որոնումը, թեկնածուների որակը, աճուրդին մասնակցությունը կամ առաքման հուսալիությունը բարելավելու համար անհրաժեշտ տվյալներից։

Մոդելահեն գնահատման գաղափարն այն է, որ մեր ամենահզոր՝ առավել զարգացած հիմնավորման մոդելները դիտարկում և գնահատում են համակարգի արդյունքները, ապա բարելավում ուսուցումից հետո լրացուցիչ պատրաստված LLM-ը՝ այն ուսուցանելով ավելի լավ աշխատել։ Օրինակ՝ համակարգման կամ որոնման համար կարող ենք օգտագործել ավելի փոքր ու արդյունավետ կամ դատողության ավելի սահմանափակ հիմնավորման մոդելներ, եթե մեր ամենահզոր մոդելը հավաքում է հետադարձ կապը և այս փոքր կատարողներին ուսուցանում հնարավորինս լավ աշխատել։

Մենք հավաքում և գործի ենք դնում մարդկանց հետադարձ կապը (օգտատերերի սեղմումներն ու գովազդները թաքցնելը), ինչպես նաև օգտատերերի հարցումների արդյունքները և գովազդատուների անմիջական արձագանքները մեր Ads Manager-ի միջոցով։ Մշակման ընթացքում մեր թիմը ևս բաց է արձագանքների համար․ մենք անմիջականորեն լսում ենք, թե ինչ են ցանկանում թե՛ ChatGPT‑ի օգտատերերը, թե՛ գովազդատուները։ Այս հետադարձ կապն ավելի մեծ ազդեցություն ունի մեր ուղղության վրա, քան մոդելի դիտարկումներից ստացվածը, և այն գործոններից է, որոնք մեզ թույլ են տվել արագ փորձարկումներով հասնել արտադրանքի վերաբերյալ ճիշտ որոշումների։ Մոդելը կարող է հասկանալ օգտատիրոջ մտադրությունը և քննադատաբար մտածել՝ արժեքավոր արդյունք տալու համար, բայց ճաշակը ձևավորում են մարդիկ։

Մեկ տարի առաջ մենք գովազդային համակարգ չունեինք, և միայն մի քանի հոգի էր մտածում այս ոլորտի խնդիրների մասին։ Այժմ ունենք կայուն գովազդային համակարգ, որն ընթացիկ տեմպերով ապահովում է տարեկան ավելի քան 1 միլիարդ դոլարի եկամուտ, իսկ գովազդի գործընթացը ղեկավարում է LLM-ի վրա հիմնված համակարգողը։ Codex-ը վճռորոշ կերպով բազմապատկեց մեր հնարավորությունները՝ թույլ տալով զրոյից գործարկել համակարգը և աննախադեպ արագությամբ հասնել օգտագործման այս կարևոր հանգրվանին։ Հենց սկզբից թիմն ու մշակման աշխատանքային հոսքերը կազմակերպեցինք այնպես, որ Codex-ի միջոցով արագ կառուցենք և մասշտաբավորենք համակարգը։ Codex-ի համար ստեղծեցինք պաշտպանիչ մեխանիզմներ՝ կոդը հուսալիորեն և անվտանգ թողարկելու նպատակով։ Զուգահեռաբար Codex-ի համար կարգավորեցինք տվյալների ենթակառուցվածքի փլագիններ, որպեսզի էապես կրճատենք վերլուծական բացահայտումներից մինչև համակարգում բարելավումների ներդրման ժամանակը՝ ներառյալ նոր գործառույթները, որակի բարձրացումը և համակարգի ավելի լավ արտադրողականությունը։

Մեր համակարգի սահմանները (հիմնված են մեր գովազդային սկզբունքների⁠ վրա) և LLM-ի վրա հիմնված համակարգողը միասին թույլ են տալիս գովազդը դարձնել օգտակար՝ առանց ամեն զրույց գովազդի հարցում համարելու։ Առաջիկայում կշարունակենք փորձարկել ավելի դինամիկ գովազդային ձևաչափեր՝ օգտատերերի համար արժեքը մեծացնելու նպատակով (օրինակ՝ հնարավորություն տալով գովազդների միջոցով անմիջապես խոսել բիզնեսների հետ), ինչպես նաև մեծացնելով գովազդատուների համար արժեքը։ Համակարգի ինքնակատարելագործվող ճարտարապետությունը, որը հիմնված է OpenAI-ի մոդելների և շարունակական հետադարձ կապի ցիկլերի վրա, մեզ թույլ կտա ժամանակի ընթացքում ավելի արագ բարելավել համապատասխանությունն ու անհատականացումը։