Wayfair აუმჯობესებს კატალოგის სიზუსტეს OpenAI-ით

Wayfair-მა, რომელიც სახლის საქონლის ერთ-ერთი უმსხვილესი გლობალური რიტეილერია, მასშტაბურად გააუმჯობესა მიმწოდებლების მხარდაჭერის სამუშაო ნაკადები და პროდუქტის კატალოგის ხარისხი OpenAI მოდელების კრიტიკულ შიდა სისტემებში ინტეგრაციით. რაც 2024 წელს მცირე მასშტაბის რელიზების ღირებულების ტესტირებით დაიწყო, სრულფასოვან საწარმოო სისტემად ჩამოყალიბდა, რომელიც ამცირებს ხელით შრომას, აჩქარებს გადაწყვეტილებების მიღებას და აუმჯობესებს მონაცემთა ხარისხს მილიონობით პროდუქტში.

გენერაციული AI-ის ექსპერიმენტად ან წერტილოვან გადაწყვეტად განხილვის ნაცვლად, Wayfair-მა OpenAI მოდელები ძირითად საოპერაციო სამუშაო ნაკადებში ჩააშენა. კომპანიამ თავდაპირველად ყურადღება გაამახვილა იქ, სადაც სირთულე და მასშტაბირების საჭიროება ყველაზე მაღალი იყო: მიმწოდებელთა მხარდაჭერის მოთხოვნების სწორად გადამისამართება და გადაწყვეტა, ასევე დაახლოებით 30-მილიონიანი კატალოგის ფარგლებში ათიათასობით პროდუქტის ატრიბუტის თანმიმდევრულად გაუმჯობესება.

Wayfair-ის კატალოგის გუნდი მართავს ათობით მილიონ პროდუქტს თითქმის ათას სხვადასხვა პროდუქტის კლასში. პროდუქტის თანმიმდევრული და ზუსტი ატრიბუტების ტეგები — როგორიცაა ფერი, მასალა, ზომა ან კონკრეტული მახასიათებლები — კრიტიკულად მნიშვნელოვანია ძიებისთვის, რეკომენდაციებისა და მერჩენდაიზინგისთვის.    

"რაც უკეთესია ჩვენი მონაცემთა ხარისხი, მით მეტ ნდობას ვაშენებთ მომხმარებელთან. ეს აუცილებელია, რადგან მყიდველებს სწორი შესყიდვის გადაწყვეტილებების მიღებაში ეხმარება და პირდაპირ ამცირებს ძვირადღირებულ შემდგომ პრობლემებს, მაგალითად, არასწორად წარმოდგენილი პროდუქტების დაბრუნებას," თქვა ჯესიკა დ’არსიმ, Wayfair-ის კატალოგის მერჩენდაიზინგის ასოცირებულმა დირექტორმა. 

OpenAI-მდე ტეგირების გაუმჯობესება ძირითადად იმაზე იყო დამოკიდებული, რომ მიმწოდებლებსა და მომხმარებლებს Wayfair-ისთვის ეთქვათ, თუ რამე არასწორად ჩანდა. ხელით მუშაობა მოცულობას ვეღარ ეწეოდა. ცალკეული ტეგებისთვის შექმნილი ადრეული, მორგებული AI მოდელები ეფექტიანი იყო, მაგრამ შექმნისა და შენარჩუნების მხრივ ძვირი აღმოჩნდა. „დავიწყეთ ცალკეული ტეგებისთვის სპეციალურად შექმნილი მოდელების აგებით და ტექნიკურად ეს მუშაობდა,“ თქვა ქეროლინ ფილიპსმა, Wayfair-ის წამყვანმა მანქანური სწავლების მეცნიერმა. „მაგრამ როცა 47,000 ტეგს უყურებ, ეს მიდგომა უბრალოდ ვერ მასშტაბირდება.“

ერთჯერადი მოდელების ფარგლებს გასცდენად, Wayfair-მა შექმნა ტეგისგან დამოუკიდებელი სისტემა, რომელიც ერთ OpenAI მოდელზეა აგებული. „განმარტების აგენტი“ იღებს ვებსა და შიდა განმარტებებს, რათა თითოეული ტეგისთვის კონტექსტური მნიშვნელობა შექმნას. „რეალური ბოთლის ყელი მოდელის წარმადობა არ ყოფილა,“ თქვა ფილიპსმა. „ეს იყო ადამიანის დრო, რომელიც საჭირო იყო იმის განსასაზღვრად და დასაკოდად, თუ რეალურად რას ნიშნავდა თითოეული ტეგი.“ ეს კონტექსტი, Wayfair-ის მონაცემთა ეკოსისტემიდან შეკრებილ პროდუქტის მონაცემებთან ერთად, მიეწოდება ჩარჩოს, რომელსაც შეუძლია ატრიბუტების კლასიფიკაცია პროდუქტის კლასებს შორის. გუნდი ახლა ახალ ატრიბუტებზე მოდელის დაფარვას 70-ჯერ უფრო სწრაფად აფართოებს, ვიდრე სულ ერთი წლის წინ.

სისტემა უკვე მილიონზე მეტ პროდუქტზე მუშაობს საწარმოო გარემოში. და გაძლიერებული ატრიბუტების მქონე პროდუქტების პირველი ტალღა უკვე იმდენ ხანსაა აქტიური, რომ შესაძლებელი გახდა მონაცემთა ხარისხის გაუმჯობესების გავლენის გაზომვა მომხმარებლის გზაზე.  „როცა ატრიბუტების სისრულეს აუმჯობესებ, ეს აბსტრაქტული არ არის. ამას SEO-სა და PLA-ის შედეგებში ხედავ — იმაში, თუ როგორ აღმოაჩენენ მომხმარებლები პროდუქტებს,“ თქვა ფილიპსმა. კონტროლირებადმა A/B ტესტმა ტესტურ ჯგუფში ჩვენებების, დაწკაპუნებებისა და გვერდის რეიტინგის მნიშვნელოვანი და არსებითი ზრდა აჩვენა.

თუმცა, Wayfair-ს პროდუქტის მონაცემების კორექტირების გადაწყვეტილებები უბრალოდ მოდელისთვის არ გადაუბარებია. „ჩვენი მიზანია ნდობის შექმნა, რათა მომხმარებლები სრულად დარწმუნებულები იყვნენ იმაში, რასაც ყიდულობენ,“ თქვა ფილიპსმა. კომპანიამ შეიმუშავა სტრუქტურირებული ტესტირება პრაქტიკული აუდიტის პროცესით, რომლის ფარგლებშიც თანამშრომლები ნიმუშებს ფიზიკურად ამოწმებენ მოდელის შედეგის დასადასტურებლად, და მიმწოდებლებთან ერთად ცვლილებების ვალიდაციაზე მუშაობენ. ახლა, როცა მონაცემებზე დაფუძნებული ნდობა მაღალია, ავტომატიზებული სისტემები კონტენტს პირდაპირ ანაცვლებს და მიმწოდებელს ცვლილების შესახებ ატყობინებს. ხოლო როცა მაღალი სტანდარტი ვერ მიიღწევა ან ტეგი მაღალი რისკის მქონედ მიიჩნევა, Wayfair ცვლილების შეტანამდე ჯერ მიმწოდებლის დასტურს ითხოვს.

Wayfair ათიათასობით მიმწოდებელთან მუშაობს თავისი ვრცელი კატალოგის მხარდასაჭერად. მიმწოდებელთა მხარდაჭერის მოთხოვნების სამართავად, Wayfair-ის თანამშრომლები ისტორიულად თითოეულ შემოსულ ბილეთს ამოწმებდნენ, ხელით ადგენდნენ, რის მიღწევას ცდილობდნენ მიმწოდებლები, და საკითხებს სწორ შიდა პასუხისმგებელთან ამისამართებდნენ — პროცესი, რომელიც დიდ დროს ითხოვდა და შეცდომებისადმი მიდრეკილი იყო. „მიმწოდებელთა მოთხოვნები მარტივი არ არის,“ თქვა გრემ განსლმა, Wayfair-ის მიმწოდებელთა მხარდაჭერისა და ოპერაციების გუნდიდან. „ისინი ასობით ტიპის საკითხს მოიცავს და რეალურად არც ერთ თანამშრომელს არ შეუძლია ყველა მათგანის სრულად ფლობა.“

Wayfair-მა Wilma-ში, პროდუქტის სახელად, აგენტური შესაძლებლობები დაამატა, რათა ეს სამუშაო ნაკადები AI-ით გაეძლიერებინა. წარმოებაში გაშვებულ პირველ ფუნქციებს შორის არის OpenAI მოდელზე დაფუძნებული ბილეთების ტრიაჟი. სისტემა კითხულობს შემოსულ მოთხოვნებს, ავსებს გამოტოვებულ კონტექსტს და ბილეთებს შესაბამის გუნდთან ამისამართებს. Wilma სწრაფი დანერგვისთვის შეიქმნა; რადგან ის უკვე OpenAI API-ებთან ინტეგრირებულ სისტემაზე იყო აგებული, პროტოტიპიდან რეალურ გამოყენებამდე დაახლოებით ერთ თვეში გადავიდა. „Wilma თანამშრომლებს ბერკეტს აძლევს,“ თქვა განსლმა. „ის კითხულობს ბილეთს, ადგენს განზრახვას, ჩვენი მონაცემთა ბაზებიდან ავსებს კონტექსტს, საჭიროების შემთხვევაში კვლავ უკავშირდება მიმწოდებლებს და საკითხს სწორ მიმართულებას აძლევს.“

გადამისამართების მიღმა, Wayfair-მა დანერგა ათზე მეტი აგენტური AI ნაკადი კონკრეტული გადაჭრის გუნდებისთვის. მაგალითად, Replacement Part Operations გუნდისთვის შექმნილი კოპილოტი კითხულობს შემთხვევის რთულ ისტორიას, სთავაზობს შემდეგ ნაბიჯებს და ამზადებს პასუხების მონახაზებს, რომლებსაც შემდეგ თანამშრომლები ამოწმებენ. ეს ასისტენტები ისტორიულ მონაცემებზე არიან გაწვრთნილი, ამიტომ კონტექსტში სწავლობენ, როგორ გამოიყურება წარმატება. „მოდელებს შეუძლიათ მთელი მოგზაურობის კონტექსტის სინთეზი ისე, როგორც ამას ერთ თანამშრომელს გაუჭირდებოდა,“ თქვა განსლმა. „ეს უფრო ფართო ხილვადობა ხელს უწყობს მომხმარებლებისა და მიმწოდებლების უფრო მაღალ კმაყოფილებას.“

Wayfair აკვირდება, რამდენად ხშირად ემთხვევა AI-ის რეკომენდაციები ადამიან აგენტის საბოლოო გადაწყვეტილებას — მეტრიკა, რომელსაც „შესაბამისობის მაჩვენებელი“ ეწოდება. თითოეულ გუნდში, როცა შესაბამისობა სტაბილურად აღწევს წინასწარ განსაზღვრულ ზღვარს, სამუშაო ნაკადები შეიძლება დამხმარე („კოპილოტი“) რეჟიმიდან ნახევრად ავტონომიურ („ავტოპილოტი“) რეჟიმზე გადავიდეს. ეს ეტაპობრივი მიდგომა ნდობას აყალიბებს და დანერგვისას ხარისხის კონტროლს უზრუნველყოფს.

Wayfair იტყობინება გაზომვად გაუმჯობესებებზე მას შემდეგ, რაც შიდა სისტემებში OpenAI მოდელები ინტეგრირდა.

კატალოგის მიმართულებით, კომპანიამ შეამცირა არასწორი ან დაკარგული პროდუქტის ატრიბუტების ტეგების რაოდენობა, რომელსაც მომხმარებელი შეიძლება ხედავდეს — Wayfair-ის კატალოგში ყველაზე ხილვადი და ხშირად ნაყიდი მილიონზე მეტი პროდუქტის მასშტაბით 2.5 მილიონი პროდუქტის ტეგი უკვე გაასწორა. ისინი ელიან, რომ მომდევნო ექვს თვეში ამ გავლენას ოთხჯერ გაზრდიან.

მიმწოდებელთა მხარდაჭერაში ტრიაჟის, კოპილოტისა და ავტოპილოტის სისტემებმა მწარმოებლურობა გაზარდა თვეში 41,000 ბილეთის ავტომატიზაციით (ზოგიერთ სამუშაო ნაკადში ეს 70%-მდეა) და რეაგირების დრო შეამცირა თანამშრომელთა დატვირთვიდან რუტინული ხელით სამუშაოს ამოღებით. ეს მკვეთრად ამცირებს გადაწყვეტამდე დროს მრავალ სამუშაო ნაკადში, მნიშვნელოვნად ზრდის მიმწოდებელთა კმაყოფილებას და ამ ნაკადებში ბილეთების ხელახლა გახსნას ამცირებს.

უფრო ფართო ხილვადობამ, რომელსაც მოდელები ბილეთებსა და მიმწოდებლის განზრახვასთან დაკავშირებით იძლევა — იმაზე მეტად, ვიდრე ერთ თანამშრომელს ეკრანზე შეუძლია დაინახოს — ასევე ხელი შეუწყო კმაყოფილების ზრდას.

ოპერაციულად, გუნდები აღნიშნავენ:

• რთული მიმწოდებლის ბილეთების უფრო სწრაფ გადამისამართებას და გადაწყვეტას
• მიმწოდებლების გაზრდილ კმაყოფილებას
• ხელით მონაცემების შეყვანისა და კლასიფიკაციის სამუშაოს შემცირებას
• საკითხების უფრო ფართო დაფარვას ასობით თემაში ექსპერტიზის მოთხოვნის გარეშე
• კატალოგის ატრიბუტების უფრო მაღალ სანდოობას გამოქვეყნებამდე.

Wayfair-მა ასევე დანერგა 1,200-ზე მეტი ChatGPT Enterprise ადგილი დაახლოებით 12,000-კაციან სამუშაო ძალაში ad hoc ამოცანების, შიდა პრობლემების გადაჭრისა და გენერაციულ მოდელებთან ექსპერიმენტებისთვის.

Wayfair-ს ბიზნესის წინსვლისთვის მანქანურ სწავლებასა და AI პლატფორმებთან და LLM პროვაიდერებთან თანამშრომლობაში ინვესტირების ხანგრძლივი ისტორია აქვს. ახლა მოწინავე მოდელების, განსაკუთრებით მულტიმოდალური სისტემების, წინსვლა აფართოებს იმას, რის შექმნაც მის გუნდებს შეუძლიათ. ეს მნიშვნელოვანია სახლის რიტეილში, სადაც პროდუქტები ვიზუალურია, სტილისტურია და ხშირად სუბიექტური.

„გვახარებს იმ პრობლემების მასშტაბი, რომელთა მოგვარებაც ახლა შეგვიძლია,“ თქვა ქეროლინ ფილიპსმა. „ტრადიციული ალგორითმები მკაცრად განსაზღვრულ მონაცემთა ნაკრებებს მოითხოვს. ეს მოდელები გვაძლევს საშუალებას ვიმუშაოთ გაურკვევლობასა და კონტექსტთან ისე, როგორც ადრე მასშტაბურად შეუძლებელი იყო.“ 

მომავლისკენ გახედვისას, თანამშრომლების მოთხოვნა ChatGPT Enterprise-ზე ძლიერი იყო. Wayfair-ის გუნდები მას პრაქტიკულ ინსტრუმენტად ხედავენ, რომელიც მათ უფრო სწრაფად მუშაობაში ეხმარება.

მომხმარებელთა მოლოდინებიც სწრაფად იცვლება. სულ უფრო მეტი მყიდველი ეჩვევა AI-ის ყოველდღიურ ცხოვრებაში გამოყენებას და ისინი ონლაინ დათვალიერების, შედარებისა და ყიდვისას მსგავს შესაძლებლობებსაც უკვე ელიან.

„სახლისთვის ყიდვისას მომხმარებლებს ხშირად ზუსტად არ აქვთ ის სიტყვები, რასაც ეძებენ,“ თქვა ფიონა ტანმა. „ბუნებრივი ენა და მულტიმოდალური სისტემები ამ ხარვეზის გადალახვაში გვეხმარება.“

Wayfair-ის ლიდერებისთვის მიზანი უცვლელია: გააძლიერონ ადამიანის ექსპერტიზა და ამავე დროს მასშტაბურად გაზარდონ შიდა შესაძლებლობები. „ჩვენ ვაშენებთ სამყაროსთვის, სადაც AI შოპინგის გზის ნაწილია — იქნება ეს ჩვენს საიტზე, მხარდაჭერის საშუალებით თუ სასაუბრო ინტერფეისებით,“ დაასკვნა ფიონა ტანმა.