Wayfair OpenAI ಜೊತೆ ಕ್ಯಾಟಲಾಗ್ ನಿಖರತೆ ಹಾಗೂ ಬೆಂಬಲ ವೇಗ ಹೆಚ್ಚಿಸುತ್ತದೆ

ವಿಶ್ವದ ಅತಿದೊಡ್ಡ ಗೃಹೋಪಯೋಗಿ ವಸ್ತುಗಳ ರಿಟೇಲರ್‌ಗಳಲ್ಲಿ ಒಂದಾದ Wayfair, ಪೂರೈಕೆದಾರರ ಬೆಂಬಲ ವರ್ಕ್‌ಫ್ಲೋಗಳು ಮತ್ತು ಉತ್ಪನ್ನ ಕ್ಯಾಟಲಾಗ್ ಗುಣಮಟ್ಟವನ್ನು ದೊಡ್ಡ ಮಟ್ಟದಲ್ಲಿ ಸುಧಾರಿಸಲು ಪ್ರಮುಖ ಆಂತರಿಕ ವ್ಯವಸ್ಥೆಗಳಲ್ಲಿ OpenAI ಮಾಡೆಲ್‌ಗಳನ್ನು ಒಗ್ಗೂಡಿಸಿದೆ. 2024ರಲ್ಲಿ ಮೌಲ್ಯ-ಪರೀಕ್ಷೆಯ ಸಣ್ಣ ಪ್ರಮಾಣದ ಬಿಡುಗಡೆಗಳಾಗಿ ಆರಂಭವಾದುದು, ಈಗ ಲಕ್ಷಾಂತರ ಉತ್ಪನ್ನಗಳಾದ್ಯಂತ ಕೈಯಾರೆ ಮಾಡುವ ಪ್ರಯತ್ನವನ್ನು ಕಡಿಮೆ ಮಾಡುವ, ನಿರ್ಧಾರ-ಮಾಡುವಿಕೆಯನ್ನು ವೇಗಗೊಳಿಸುವ ಮತ್ತು ಡೇಟಾ ಗುಣಮಟ್ಟವನ್ನು ಸುಧಾರಿಸುವ ಪೂರ್ಣ ಉತ್ಪಾದನಾ ವ್ಯವಸ್ಥೆಯಾಗಿ ವಿಕಸಿಸಿದೆ.

ಜನರೇಟಿವ್ AI ಅನ್ನು ಪ್ರಯೋಗ ಅಥವಾ ಪಾಯಿಂಟ್ ಪರಿಹಾರವಾಗಿ ಪರಿಗಣಿಸುವ ಬದಲು, Wayfair OpenAI ಮಾಡೆಲ್‌ಗಳನ್ನು ಮೂಲ ಕಾರ್ಯಾಚರಣಾ ವರ್ಕ್‌ಫ್ಲೋಗಳಲ್ಲಿ ಅಳವಡಿಸಿತು. ಕಂಪನಿಯು ಮೊದಲು ಸಂಕೀರ್ಣತೆ ಮತ್ತು ವ್ಯಾಪಕವಾಗಿ ವಿಸ್ತರಿಸುವ ಅಗತ್ಯ ಅತ್ಯಧಿಕವಾಗಿದ್ದ ಕ್ಷೇತ್ರಗಳ ಮೇಲೆ ಕೇಂದ್ರೀಕರಿಸಿತು: ಪೂರೈಕೆದಾರರ ಸಪೋರ್ಟ್ ವಿನಂತಿಗಳನ್ನು ರೌಟ್ ಮಾಡುವುದು ಮತ್ತು ಪರಿಹರಿಸುವುದು ಮತ್ತು ಸುಮಾರು 30,000,000 ಐಟಂಗಳ ಕ್ಯಾಟಲಾಗ್‌ನಾದ್ಯಂತ ಹತ್ತಾರು ಸಾವಿರ ಉತ್ಪನ್ನ ಗುಣಲಕ್ಷಣಗಳನ್ನು ಸತತವಾಗಿ ಸುಧಾರಿಸುವುದು.

Wayfair‌ನ ಕ್ಯಾಟಲಾಗ್ ತಂಡವು ಸುಮಾರು ಸಾವಿರ ವಿಭಿನ್ನ ಉತ್ಪನ್ನ ವರ್ಗಗಳಾದ್ಯಂತ ಹತ್ತಾರು ಮಿಲಿಯನ್ ಉತ್ಪನ್ನಗಳನ್ನು ನಿರ್ವಹಿಸುತ್ತದೆ. ಸ್ಥಿರ ಮತ್ತು ನಿಖರವಾದ ಉತ್ಪನ್ನ ಗುಣಲಕ್ಷಣ ಟ್ಯಾಗ್‌ಗಳು — ಉದಾಹರಣೆಗೆ ಬಣ್ಣ, ವಸ್ತು, ಗಾತ್ರ ಅಥವಾ ನಿರ್ದಿಷ್ಟ ವೈಶಿಷ್ಟ್ಯಗಳು — ಹುಡುಕಾಟ, ಶಿಫಾರಸುಗಳು ಮತ್ತು ಮರ್ಚೆಂಡೈಸಿಂಗ್‌ಗಾಗಿ ಅತ್ಯಗತ್ಯ.    

ನಮ್ಮ ಡೇಟಾ ಗುಣಮಟ್ಟ ಎಷ್ಟು ಉತ್ತಮವಾಗಿರುತ್ತದೋ, ಅಷ್ಟೇ ಹೆಚ್ಚು ನಾವು ಗ್ರಾಹಕರೊಂದಿಗೆ ನಂಬಿಕೆಯನ್ನು ಬೆಳೆಸುತ್ತೇವೆ. ಇದು ಅತ್ಯಗತ್ಯ, ಏಕೆಂದರೆ ಇದು ಖರೀದಿದಾರರಿಗೆ ಸರಿಯಾದ ಖರೀದಿ ನಿರ್ಧಾರಗಳನ್ನು ಕೈಗೊಳ್ಳಲು ಶಕ್ತಿಗೊಳಿಸುತ್ತದೆ. ಇದರಿಂದ ತಪ್ಪಾಗಿ ಪ್ರತಿನಿಧಿಸಲಾದ ಉತ್ಪನ್ನಗಳಿಂದಾಗುವ ದುಬಾರಿ ನಂತರದ ಸಮಸ್ಯೆಗಳು, ಉದಾಹರಣೆಗೆ ರಿಟರ್ನ್‌ಗಳು, ನೇರವಾಗಿ ಕಡಿಮೆಯಾಗುತ್ತವೆ ಎಂದು Wayfair ನ ಕ್ಯಾಟಲಾಗ್ ಮರ್ಚೆಂಡೈಸಿಂಗ್‌ನ ಸಹ ನಿರ್ದೇಶಕಿ ಜೆಸಿಕಾ ಡಿ'ಆರ್ಸಿ ಹೇಳಿದರು. 

OpenAI ಗಿಂತ ಮೊದಲು, ಟ್ಯಾಗಿಂಗ್ ಸುಧಾರಣೆಗಳು ಮುಖ್ಯವಾಗಿ ಪೂರೈಕೆದಾರರು ಮತ್ತು ಗ್ರಾಹಕರು Wayfair ಗೆ ಏನೋ ತಪ್ಪಾಗಿದೆ ಎಂದು ಸೂಚಿಸುವುದರ ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿದ್ದವು. ಹಸ್ತಚಾಲಿತ ಪ್ರಯತ್ನವು ಪ್ರಮಾಣಕ್ಕೆ ತಕ್ಕಂತೆ ಸಾಗಲು ಸಾಧ್ಯವಾಗಲಿಲ್ಲ.  ಪ್ರತ್ಯೇಕ ಟ್ಯಾಗ್‌ಗಳಿಗಾಗಿ ಆರಂಭಿಕ ಕಸ್ಟಮ್ AI ಮಾಡೆಲ್‌ಗಳು ಪರಿಣಾಮಕಾರಿಯಾಗಿದ್ದವು, ಆದರೆ ಅವುಗಳನ್ನು ನಿರ್ಮಿಸುವುದು ಮತ್ತು ನಿರ್ವಹಿಸುವುದು ದುಬಾರಿಯೆಂದು ತೋರಿಸಿತು. “ನಾವು ಪ್ರತ್ಯೇಕ ಟ್ಯಾಗ್‌ಗಳಿಗಾಗಿ ಕಸ್ಟಮ್ ಮಾಡೆಲ್‌ಗಳನ್ನು ನಿರ್ಮಿಸುವುದರಿಂದ ಆರಂಭಿಸಿದ್ದೇವೆ, ಮತ್ತು ತಾಂತ್ರಿಕವಾಗಿ ಅದು ಕೆಲಸ ಮಾಡಿತು,” ಎಂದು Wayfair ನ ಸಿಬ್ಬಂದಿ ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ ವಿಜ್ಞಾನಿ ಕ್ಯಾರೊಲಿನ್ ಫಿಲಿಪ್ಸ್ ಹೇಳಿದರು. “ಆದರೆ ನೀವು 47,000 ಟ್ಯಾಗ್‌ಗಳನ್ನು ನೋಡುತ್ತಿರುವಾಗ, ಆ ವಿಧಾನವು ಪ್ರಮಾಣದಲ್ಲಿ ಕೆಲಸ ಮಾಡುವುದಿಲ್ಲ.”

ಒಮ್ಮೆ-ಮಾತ್ರದ ಮಾಡೆಲ್‌ಗಳನ್ನು ಮೀರಲು, Wayfair ಒಂದೇ OpenAI ಮಾಡೆಲ್ ಮೇಲೆ ನಿರ್ಮಿತ ಟ್ಯಾಗ್-ಅಗ್ನಾಸ್ಟಿಕ್ ವ್ಯವಸ್ಥೆಯನ್ನು ರಚಿಸಿತು. ಒಂದು “ಡೆಫಿನಿಶನ್ ಏಜೆಂಟ್” ವೆಬ್ ಮತ್ತು ಆಂತರಿಕ ವ್ಯಾಖ್ಯಾನಗಳನ್ನು ಒಳಗೆತ್ತಿಕೊಂಡು ಪ್ರತಿ ಟ್ಯಾಗ್‌ಗೆ ಸಂದರ್ಭೋಚಿತ ಅರ್ಥವನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ. “ನಿಜವಾದ ಅಡಚಣೆ ಮಾಡೆಲ್ ಕಾರ್ಯಕ್ಷಮತೆ ಅಲ್ಲ,” ಎಂದು ಫಿಲಿಪ್ಸ್ ಹೇಳಿದರು. “ಪ್ರತಿಯೊಂದು ಟ್ಯಾಗ್ ನಿಜವಾಗಿ ಏನು ಅರ್ಥವಾಗುತ್ತದೆ ಎಂಬುದನ್ನು ವ್ಯಾಖ್ಯಾನಿಸಿ ಎನ್‌ಕೋಡ್ ಮಾಡಲು ಬೇಕಾದ ಮಾನವ ಸಮಯವೇ ಅದು.” ಈ ಸಂದರ್ಭ, Wayfair ಡೇಟಾ ಇಕೋಸಿಸ್ಟಮ್‌ನಾದ್ಯಂತ ಸಂಗ್ರಹಿಸಲಾದ ಉತ್ಪನ್ನ ಡೇಟಾದೊಂದಿಗೆ, ಉತ್ಪನ್ನ ವರ್ಗಗಳಾದ್ಯಂತ ಗುಣಲಕ್ಷಣಗಳನ್ನು ವರ್ಗೀಕರಿಸಬಹುದಾದ ಒಂದು ಫ್ರೇಮ್‌ವರ್ಕ್‌ಗೆ ಇನ್‌ಪುಟ್ ಆಗುತ್ತದೆ. ತಂಡವು ಈಗ ಹೊಸ ಗುಣಲಕ್ಷಣಗಳಿಗೆ ಮಾಡೆಲ್ ಕವರೇಜ್ ಅನ್ನು ವಿಸ್ತರಿಸುತ್ತಿದ್ದು, ಕೇವಲ ಒಂದು ವರ್ಷ ಹಿಂದೆಗೆ ಹೋಲಿಸಿದರೆ 70x ವೇಗದಲ್ಲಿ ಮಾಡುತ್ತಿದೆ.

ಈಗ ಸಿಸ್ಟಮ್ ಪ್ರೊಡಕ್ಷನ್‌ನಲ್ಲಿ 10,00,000 ಕ್ಕೂ ಹೆಚ್ಚು ಉತ್ಪನ್ನಗಳ ಮೇಲೆ ಚಾಲನೆಯಲ್ಲಿದೆ. ಮತ್ತು ಸುಧಾರಿತ ಗುಣಲಕ್ಷಣಗಳೊಂದಿಗೆ ಉತ್ಪನ್ನಗಳ ಮೊದಲ ತರಂಗವು ಈಗ ಲೈವ್ ಆಗಿ ಸಾಕಷ್ಟು ಸಮಯ ಕಳೆದಿರುವುದರಿಂದ, ಗ್ರಾಹಕ ಪ್ರಯಾಣದ ಮೇಲೆ ಡೇಟಾ ಗುಣಮಟ್ಟವನ್ನು ಸುಧಾರಿಸುವುದರಿಂದ ಆಗುವ ಪರಿಣಾಮವನ್ನು ಅಳೆಯಲು ಸಾಧ್ಯವಾಗಿದೆ.  “ನೀವು ಗುಣಲಕ್ಷಣದ ಸಂಪೂರ್ಣತೆಯನ್ನು ಸುಧಾರಿಸಿದಾಗ, ಅದು ಅಮೂರ್ತವಲ್ಲ. SEO ಮತ್ತು PLA ಕಾರ್ಯಕ್ಷಮತೆಯಲ್ಲಿ ಅದು ಕಾಣಿಸಿಕೊಳ್ಳುವುದನ್ನು ನೀವು ನೋಡುತ್ತೀರಿ - ಗ್ರಾಹಕರು ಉತ್ಪನ್ನಗಳನ್ನು ಹೇಗೆ ಕಂಡುಹಿಡಿಯುತ್ತಾರೆ ಎಂಬುದರಲ್ಲಿ,” ಎಂದು ಫಿಲಿಪ್ಸ್ ಹೇಳಿದರು. ನಿಯಂತ್ರಿತ A/B ಪರೀಕ್ಷೆಯು ಚಿಕಿತ್ಸೆ ಗುಂಪಿನಲ್ಲಿ ಇಂಪ್ರೆಶನ್‌ಗಳು, ಕ್ಲಿಕ್‌ಗಳು ಮತ್ತು ಪುಟ ರ್ಯಾಂಕ್‌ನಲ್ಲಿ ಗಮನಾರ್ಹ ಮತ್ತು ಮಹತ್ವದ ಹೆಚ್ಚಳವನ್ನು ತೋರಿಸಿತು.

ಆದಾಗ್ಯೂ, Wayfair ಉತ್ಪನ್ನ ಡೇಟಾವನ್ನು ಸರಿಪಡಿಸುವ ಕುರಿತು ನಿರ್ಧಾರಗಳನ್ನು ಮಾಡೆಲ್‌ಗೆ ಸರಳವಾಗಿ ಹಸ್ತಾಂತರಿಸಲಿಲ್ಲ. “ನಮ್ಮ ಉದ್ದೇಶವು ನಂಬಿಕೆಯನ್ನು ಬೆಳೆಸುವುದು, ಇದರಿಂದ ಗ್ರಾಹಕರು ಅವರು ಖರೀದಿಸುತ್ತಿರುವುದರ ಬಗ್ಗೆ ಸಂಪೂರ್ಣವಾಗಿ ಆತ್ಮವಿಶ್ವಾಸ ಹೊಂದಿರುತ್ತಾರೆ,” ಎಂದು ಫಿಲಿಪ್ಸ್ ಹೇಳಿದರು. ಕಂಪನಿಯು ಕೈಯಾರೆ ನಡೆಸುವ ಆಡಿಟ್ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಬಳಸಿ ಸಂರಚಿತ ಪರೀಕ್ಷೆಯನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಿತು, ಇದರಲ್ಲಿ ಸಹೋದ್ಯೋಗಿಗಳು ಮಾಡೆಲ್ ಔಟ್‌ಪುಟ್ ಅನ್ನು ದೃಢೀಕರಿಸಲು ಮಾದರಿಗಳನ್ನು ಭೌತಿಕವಾಗಿ ಪರಿಶೀಲಿಸುತ್ತಾರೆ ಮತ್ತು ಬದಲಾವಣೆಗಳನ್ನು ದೃಢೀಕರಿಸಲು ಪೂರೈಕೆದಾರರೊಂದಿಗೆ ಕೆಲಸ ಮಾಡಿತು. ಈಗ, ಡೇಟಾ-ಆಧಾರಿತ ವಿಶ್ವಾಸಾರ್ಹತೆ ಹೆಚ್ಚು ಇರುವಾಗ, ಸ್ವಯಂಚಾಲಿತ ವ್ಯವಸ್ಥೆಗಳು ವಿಷಯವನ್ನು ನೇರವಾಗಿ ಮೇಲ್ಬರೆಯುತ್ತವೆ ಮತ್ತು ಬದಲಾವಣೆಯ ಬಗ್ಗೆ ಪೂರೈಕೆದಾರರಿಗೆ ತಿಳಿಸುತ್ತವೆ. ಮತ್ತು, ಉನ್ನತ ಮಾನದಂಡವನ್ನು ಪೂರೈಸದಾಗ ಅಥವಾ ಟ್ಯಾಗ್ ಅನ್ನು ಹೈ-ರಿಸ್ಕ್ ಎಂದು ಪರಿಗಣಿಸಿದಾಗ, ಬದಲಾವಣೆ ಮಾಡುವ ಮೊದಲು Wayfair ಮೊದಲು ಪೂರೈಕೆದಾರರ ದೃಢೀಕರಣವನ್ನು ಪಡೆಯಲು ಪ್ರಯತ್ನಿಸುತ್ತದೆ.

Wayfair ತಮ್ಮ ಸಮಗ್ರ ಕ್ಯಾಟಲಾಗ್‌ಗೆ ಬೆಂಬಲ ನೀಡಲು ಹತ್ತಾರು ಸಾವಿರ ಪೂರೈಕೆದಾರರೊಂದಿಗೆ ಕೆಲಸ ಮಾಡುತ್ತದೆ. ಪೂರೈಕೆದಾರರ ಬೆಂಬಲ ವಿನಂತಿಗಳನ್ನು ನಿರ್ವಹಿಸಲು, Wayfair ಸಹೋದ್ಯೋಗಿಗಳು ಇತಿಹಾಸದಲ್ಲಿ ಪ್ರತಿಯೊಂದು ಒಳಬರುವ ಟಿಕೆಟ್ ಅನ್ನು ಪರಿಶೀಲಿಸಿ, ಪೂರೈಕೆದಾರರು ಏನು ಸಾಧಿಸಲು ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರು ಎಂಬುದನ್ನು ಹಸ್ತಚಾಲಿತವಾಗಿ ಗುರುತಿಸಿ ಮತ್ತು ಸಮಸ್ಯೆಗಳನ್ನು ಸರಿಯಾದ ಆಂತರಿಕ ಮಾಲೀಕರಿಗೆ ರವಾನಿಸುತ್ತಿದ್ದರು—ಇದು ಸಮಯ ತೆಗೆದುಕೊಳ್ಳುವ ಮತ್ತು ದೋಷಗಳಿಗೆ ಒಳಗಾಗುವ ಪ್ರಕ್ರಿಯೆ. “ಪೂರೈಕೆದಾರರ ವಿನಂತಿಗಳು ಸರಳವಲ್ಲ,” ಎಂದು Wayfair ನ ಪೂರೈಕೆದಾರ ಬೆಂಬಲ ಮತ್ತು ಕಾರ್ಯಾಚರಣೆಗಳ ವಿಭಾಗದ ಗ್ರಾಹಮ್ ಗ್ಯಾನ್ಸಲ್ ಹೇಳಿದರು. “ಅವು ನೂರಾರು ಇಷ್ಯೂ ಟೈಪ್‌ಗಳನ್ನು ಒಳಗೊಂಡಿವೆ, ಮತ್ತು ಯಾವುದೇ ಒಬ್ಬ ಅಸೋಸಿಯೇಟ್ ವಾಸ್ತವಿಕವಾಗಿ ಅವೆಲ್ಲವನ್ನೂ ಸಂಪೂರ್ಣವಾಗಿ ಪಟ್ಟುಹಿಡಿಯಲು ಸಾಧ್ಯವಿಲ್ಲ.”

Wayfair AI ಯೊಂದಿಗೆ ಈ ವರ್ಕ್‌ಫ್ಲೋಗಳನ್ನು ವೃದ್ಧಿಸಲು Wilma ಎಂಬ ಉತ್ಪನ್ನಕ್ಕೆ ಏಜೆಂಟಿಕ್ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಸೇರಿಸಿತು. ಉತ್ಪಾದನೆಯಲ್ಲಿ ಮೊದಲ ವೈಶಿಷ್ಟ್ಯಗಳಲ್ಲಿ ಒಂದಾಗಿದೆ OpenAI ಮಾಡೆಲ್‌ನಿಂದ ಚಾಲಿತವಾದ ಟಿಕೆಟ್ ಟ್ರಯಾಜ್. ಸಿಸ್ಟಮ್ ಒಳಬರುವ ವಿನಂತಿಗಳನ್ನು ಓದುತ್ತದೆ, ಕಾಣೆಯಾದ ಸಂದರ್ಭವನ್ನು ತುಂಬುತ್ತದೆ ಮತ್ತು ಟಿಕೆಟ್‌ಗಳನ್ನು ಸೂಕ್ತ ತಂಡಕ್ಕೆ ರೂಟ್ ಮಾಡುತ್ತದೆ. Wilma ಅನ್ನು ವೇಗವಾಗಿ ನಿಯೋಜಿಸಬಹುದಾಗುವಂತೆ ವಿನ್ಯಾಸಗೊಳಿಸಲಾಗಿತ್ತು; OpenAI APIs ಗಳೊಂದಿಗೆ ಈಗಾಗಲೇ ಏಕೀಕೃತಗೊಂಡಿರುವ ವ್ಯವಸ್ಥೆಯ ಮೇಲೆ ನಿರ್ಮಿಸಲ್ಪಟ್ಟಿದ್ದರಿಂದ, ಇದು ಪ್ರೋಟೋಟೈಪ್‌ನಿಂದ ಲೈವ್‌ಗೆ ಸುಮಾರು ಒಂದು ತಿಂಗಳಲ್ಲಿ ಸಾಗಿತು. “Wilma ಸಹೋದ್ಯೋಗಿಗಳಿಗೆ ಹತೋಟಿ ನೀಡುತ್ತದೆ,” ಎಂದು ಗ್ಯಾನ್ಸಲ್ ಹೇಳಿದರು. “ಇದು ಟಿಕೆಟ್ ಅನ್ನು ಓದುತ್ತದೆ, ಉದ್ದೇಶವನ್ನು ಗುರುತಿಸುತ್ತದೆ, ನಮ್ಮ ಡೇಟಾಬೇಸ್‌ಗಳಿಂದ ಸಂದರ್ಭವನ್ನು ಭರ್ತಿ ಮಾಡುತ್ತದೆ, ಅಗತ್ಯವಿದ್ದರೆ ಪೂರೈಕೆದಾರರನ್ನು ಮತ್ತೆ ಸಂಪರ್ಕಿಸುತ್ತದೆ ಮತ್ತು ಸಮಸ್ಯೆಯನ್ನು ಸರಿಯಾದ ದಿಕ್ಕಿನಲ್ಲಿ ಮುನ್ನಡೆಸುತ್ತದೆ.”

ರೌಟಿಂಗ್‌ನ ಹೊರತಾಗಿ, Wayfair ನಿರ್ದಿಷ್ಟ ಪರಿಹಾರ ತಂಡಗಳಿಗಾಗಿ ಡಜನ್‌ಗಟ್ಟಲೆ ಏಜೆಂಟಿಕ್ AI ಫ್ಲೋಗಳನ್ನು ನಿಯೋಜಿಸಿದೆ. ಉದಾಹರಣೆಗೆ, ಬದಲಿ ಭಾಗ ಕಾರ್ಯಾಚರಣೆಗಳ ತಂಡಕ್ಕಾಗಿ ಒಂದು ಸಹ-ಪೈಲಟ್ ಸಂಕೀರ್ಣ ಪ್ರಕರಣ ಇತಿಹಾಸವನ್ನು ಓದುತ್ತದೆ, ಮುಂದಿನ ಹಂತಗಳನ್ನು ಪ್ರಸ್ತಾಪಿಸುತ್ತದೆ ಮತ್ತು ಮಾನವ ಸಹೋದ್ಯೋಗಿಗಳು ಪರಿಶೀಲಿಸುವ ಡ್ರಾಫ್ಟ್ ಪ್ರತಿಕ್ರಿಯೆಗಳನ್ನು ಸೂಚಿಸುತ್ತದೆ. ಈ ಸಹಾಯಕಗಳನ್ನು ಐತಿಹಾಸಿಕ ಡೇಟಾದ ಮೇಲೆ ತರಬೇತುಗೊಳಿಸಲಾಗಿದೆ, ಆದ್ದರಿಂದ ಅವು ಸಂದರ್ಭದಲ್ಲೇ ಯಶಸ್ಸು ಹೇಗಿರುತ್ತದೆ ಎಂಬುದನ್ನು ಕಲಿಯುತ್ತವೆ. “ಮಾಡೆಲ್‌ಗಳು ಸಂಪೂರ್ಣ ಪ್ರಯಾಣದಾದ್ಯಂತ ಸನ್ನಿವೇಶವನ್ನು ಸಂಶ್ಲೇಷಿಸಬಹುದು, ಇದು ಒಬ್ಬನೇ ಸಹಾಯಕನಿಗೆ ಮಾಡಲು ಕಷ್ಟ,” ಎಂದು ಗ್ಯಾನ್ಸಲ್ ಹೇಳಿದರು. “ಆ ವಿಶಾಲವಾದ ದೃಶ್ಯತೆ ಹೆಚ್ಚಿನ ಗ್ರಾಹಕ ಮತ್ತು ಪೂರೈಕೆದಾರ ತೃಪ್ತಿಗೆ ಕೊಡುಗೆ ನೀಡುತ್ತದೆ.”

Wayfair AI ಯ ಶಿಫಾರಸುಗಳು ಮಾನವ ಏಜೆಂಟ್‌ನ ಅಂತಿಮ ನಿರ್ಧಾರಕ್ಕೆ ಎಷ್ಟು ಬಾರಿ ಹೊಂದಿಕೆಯಾಗುತ್ತವೆ ಎಂಬುದನ್ನು ಟ್ರ್ಯಾಕ್ ಮಾಡುತ್ತದೆ—ಇದು “ಜೋಡಣೆ ದರ” ಎಂದು ಕರೆಯಲಾಗುವ ಒಂದು ಮೆಟ್ರಿಕ್. ಪ್ರತಿ ತಂಡದೊಳಗೆ, ಹೊಂದಾಣಿಕೆ ಸತತವಾಗಿ ಪೂರ್ವನಿರ್ಧರಿತ ಮಿತಿಯನ್ನು ತಲುಪಿದಾಗ, ಕಾರ್ಯಪ್ರವಾಹಗಳು ಸಹಾಯಕ (“ಕೋ-ಪೈಲಟ್”) ಮೋಡ್‌ಗಳಿಂದ ಅರೆ-ಸ್ವಾಯತ್ತ (“ಆಟೋಪೈಲಟ್”) ಮೋಡ್‌ಗಳಿಗೆ ಬದಲಾಗಬಹುದು. ಈ ಹಂತ ಹಂತದ ವಿಧಾನವು ವಿಶ್ವಾಸವನ್ನು ಬೆಳೆಸುತ್ತದೆ ಮತ್ತು ಅನಾವರಣದ ವೇಳೆ ಗುಣಮಟ್ಟ ನಿಯಂತ್ರಣಗಳನ್ನು ಖಚಿತಪಡಿಸುತ್ತದೆ.

Wayfair ಆಂತರಿಕ ವ್ಯವಸ್ಥೆಗಳಲ್ಲಿ OpenAI ಮಾಡೆಲ್‌ಗಳನ್ನು ಏಕೀಕರಿಸಿದ ನಂತರ ಅಳೆಯಬಹುದಾದ ಸುಧಾರಣೆಗಳನ್ನು ವರದಿ ಮಾಡಿದೆ.

ಕ್ಯಾಟಲಾಗ್ ಬದಿಯಲ್ಲಿ, ಕಂಪನಿಯು ಗ್ರಾಹಕರು ನೋಡಬಹುದಾದ ತಪ್ಪಾದ ಅಥವಾ ಕಾಣೆಯಾದ ಉತ್ಪನ್ನ ಗುಣಲಕ್ಷಣ ಟ್ಯಾಗ್‌ಗಳ ಸಂಖ್ಯೆಯನ್ನು ಕಡಿಮೆ ಮಾಡಿತು. Wayfair ಕ್ಯಾಟಲಾಗ್‌ನಲ್ಲಿನ ಅತ್ಯಂತ ಗೋಚರ ಮತ್ತು ಖರೀದಿಸಲ್ಪಡುವ ಉತ್ಪನ್ನಗಳಲ್ಲಿ 10,00,000 ಕ್ಕಿಂತ ಹೆಚ್ಚು ಉತ್ಪನ್ನಗಳಲ್ಲಿ 2.5M ಉತ್ಪನ್ನ ಟ್ಯಾಗ್‌ಗಳನ್ನು ಸರಿಪಡಿಸಲಾಗಿದೆ. ಅವರು ಮುಂದಿನ ಆರು ತಿಂಗಳಲ್ಲಿ ಈ ಪರಿಣಾಮವನ್ನು ನಾಲ್ಕು ಪಟ್ಟು ಹೆಚ್ಚಿಸುವ ನಿರೀಕ್ಷೆಯಲ್ಲಿದ್ದಾರೆ.

ಸಪ್ಲೈಯರ್ ಬೆಂಬಲದಲ್ಲಿ, ಟ್ರಯಾಜ್, ಕೋ-ಪೈಲಟ್ ಮತ್ತು ಆಟೋ-ಪೈಲಟ್ ವ್ಯವಸ್ಥೆಗಳು ತಿಂಗಳಿಗೆ 41,000 ಟಿಕೆಟ್‌ಗಳನ್ನು ಸ್ವಯಂಚಾಲಿತಗೊಳಿಸುವ ಮೂಲಕ (ಕೆಲವು ಕಾರ್ಯಪ್ರವಾಹಗಳಲ್ಲಿ ಅದು 70% ವರೆಗೆ) ಥ್ರೂಪುಟ್ ಅನ್ನು ಹೆಚ್ಚಿಸಿವೆ. ಅಸೋಸಿಯೇಟ್‌ಗಳ ಕೆಲಸದ ಭಾರದಿಂದ ನಿಯಮಿತ ಕೈಯಾರೆ ಕೆಲಸವನ್ನು ತೆಗೆದುಹಾಕುವ ಮೂಲಕ ಟರ್ನ್‌ಅರೌಂಡ್ ಸಮಯಗಳನ್ನು ಕಡಿಮೆ ಮಾಡಲಾಗಿದೆ. ಇದು ಅನೇಕ ಕಾರ್ಯಪ್ರವಾಹಗಳಿಗೆ ಪರಿಹಾರಕ್ಕೆ ಬೇಕಾಗುವ ಸಮಯವನ್ನು ಗಣನೀಯವಾಗಿ ಕಡಿಮೆ ಮಾಡುತ್ತದೆ, ಪೂರೈಕೆದಾರರ ತೃಪ್ತಿಯನ್ನು ಹೆಚ್ಚಿಸುತ್ತದೆ ಮತ್ತು ಆ ಕಾರ್ಯಪ್ರವಾಹಗಳಲ್ಲಿ ಟಿಕೆಟ್ ಮರು-ತೆರೆಯುವಿಕೆಯನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ.

ಟಿಕೆಟ್‌ಗಳು ಮತ್ತು ಪೂರೈಕೆದಾರರ ಉದ್ದೇಶದ ಬಗ್ಗೆ—ಒಬ್ಬನೇ ಅಸೋಸಿಯೇಟ್ ಪರದೆಯಲ್ಲಿ ನೋಡಬಹುದಾದುದಕ್ಕಿಂತಲೂ ಮೀರಿದ—ಮಾಡೆಲ್‌ಗಳು ಒದಗಿಸುವ ವಿಶಾಲವಾದ ದೃಶ್ಯತೆ ಆ ತೃಪ್ತಿಯ ಹೆಚ್ಚಳಕ್ಕೆ ಕಾರಣವಾಗಿದೆ.

ಕಾರ್ಯಾತ್ಮಕವಾಗಿ, ತಂಡಗಳು ಇವನ್ನು ವರದಿ ಮಾಡುತ್ತವೆ:

• ಸಂಕೀರ್ಣ ಪೂರೈಕೆದಾರರ ಟಿಕೆಟ್‌ಗಳ ವೇಗವಾದ ರೌಟಿಂಗ್ ಮತ್ತು ಪರಿಹಾರ
• ಹೆಚ್ಚಿದ ಪೂರೈಕೆದಾರ ತೃಪ್ತಿ
• ಹಸ್ತಚಾಲಿತ ಡೇಟಾ ನಮೂದು ಮತ್ತು ವರ್ಗೀಕರಣ ಕೆಲಸದಲ್ಲಿ ಕಡಿತ
• ನೂರಾರು ವಿಷಯಗಳಲ್ಲಿ ಪರಿಣತಿ ಅಗತ್ಯವಿಲ್ಲದೆ ವಿಶಾಲ ಸಮಸ್ಯೆಗಳ ವ್ಯಾಪ್ತಿಯನ್ನು ಒಳಗೊಂಡಿದೆ
• ಪ್ರಕಟಿಸುವ ಮೊದಲು ಕ್ಯಾಟಲಾಗ್ ಗುಣಲಕ್ಷಣಗಳಲ್ಲಿ ಹೆಚ್ಚು ಆತ್ಮವಿಶ್ವಾಸ.

ಅಡ್ಹಾಕ್ ಕಾರ್ಯಗಳು, ಆಂತರಿಕ ಸಮಸ್ಯೆ ಪರಿಹಾರ ಮತ್ತು ಜನರೇಟಿವ್ ಮಾದರಿಗಳೊಂದಿಗೆ ಪ್ರಯೋಗಗಳನ್ನು ಬೆಂಬಲಿಸಲು Wayfair ತನ್ನ ಸುಮಾರು 12,000-ವ್ಯಕ್ತಿಗಳ ವರ್ಕ್‌ಫೋರ್ಸ್‌ನಾದ್ಯಂತ 1,200 ಕ್ಕೂ ಹೆಚ್ಚು ChatGPT Enterprise ಸೀಟ್‌ಗಳನ್ನು ಸಹ ನಿಯೋಜಿಸಿದೆ.

Wayfair ಯಂತ್ರ ಕಲಿಕೆಯಲ್ಲಿ ಹೂಡಿಕೆ ಮಾಡುವ ಮತ್ತು ತಮ್ಮ ವ್ಯವಹಾರವನ್ನು ಮುಂದುವರಿಸಲು AI ಪ್ಲಾಟ್‌ಫಾರ್ಮ್‌ಗಳು ಮತ್ತು LLM ಪೂರೈಕೆದಾರರೊಂದಿಗೆ ಸಹಯೋಗ ಮಾಡುವ ದೀರ್ಘ ಇತಿಹಾಸವನ್ನು ಹೊಂದಿದೆ. ಈಗ, ಅತ್ಯಾಧುನಿಕ ಮಾಡೆಲ್‌ಗಳಲ್ಲಿನ ಪ್ರಗತಿಗಳು, ವಿಶೇಷವಾಗಿ ಮಲ್ಟಿಮೋಡಲ್ ವ್ಯವಸ್ಥೆಗಳು, ಅದರ ತಂಡಗಳು ಏನು ನಿರ್ಮಿಸಬಹುದು ಎಂಬುದನ್ನು ವಿಸ್ತರಿಸುತ್ತಿವೆ. ಮನೆ ರಿಟೇಲ್‌ನಲ್ಲಿ ಅದು ಮುಖ್ಯವಾಗುತ್ತದೆ, ಅಲ್ಲಿ ಉತ್ಪನ್ನಗಳು ದೃಶ್ಯಾತ್ಮಕ, ಶೈಲಿಯುತ ಮತ್ತು ಸಾಮಾನ್ಯವಾಗಿ ವೈಯಕ್ತಿಕ ಅಭಿಪ್ರಾಯಾಧಾರಿತವಾಗಿರುತ್ತವೆ.

“ನಾವು ಈಗ ನಿಭಾಯಿಸಬಹುದಾದ ಸಮಸ್ಯೆಗಳ ವ್ಯಾಪ್ತಿಯ ಬಗ್ಗೆ ಉತ್ಸುಕರಾಗಿದ್ದೇವೆ,” ಎಂದು ಕ್ಯಾರೊಲಿನ್ ಫಿಲಿಪ್ಸ್ ಹೇಳಿದರು. “ಸಾಂಪ್ರದಾಯಿಕ ಅಲ್ಗಾರಿದಮ್‌ಗಳಿಗೆ ಕಟ್ಟುನಿಟ್ಟಾಗಿ ವ್ಯಾಖ್ಯಾನಿಸಲಾದ ಡೇಟಾಸೆಟ್‌ಗಳು ಅಗತ್ಯವಿರುತ್ತವೆ. ಈ ಮಾಡೆಲ್‌ಗಳು ಅಸ್ಪಷ್ಟತೆ ಮತ್ತು ಸಂದರ್ಭದ ಮೂಲಕ ಹಿಂದೆ ಪ್ರಮಾಣೀಕರಿಸಲು ಸಾಧ್ಯವಾಗದ ರೀತಿಯಲ್ಲಿ ಕೆಲಸ ಮಾಡಲು ನಮಗೆ ಅವಕಾಶ ನೀಡುತ್ತವೆ." 

ಮುಂದೆ ನೋಡಿದರೆ, ChatGPT Enterprise ಗೆ ನೌಕರರ ಬೇಡಿಕೆ ಬಲವಾಗಿದೆ. Wayfair ತಂಡಗಳು ಇದನ್ನು ವೇಗವಾಗಿ ಚಲಿಸಲು ಸಹಾಯ ಮಾಡುವ ಪ್ರಾಯೋಗಿಕ ಸಾಧನವೆಂದು ನೋಡುತ್ತವೆ.

ಗ್ರಾಹಕರ ನಿರೀಕ್ಷೆಗಳೂ ಕೂಡ ವೇಗವಾಗಿ ಬದಲಾಗುತ್ತಿವೆ. ಹೆಚ್ಚು ಖರೀದಿದಾರರು ತಮ್ಮ ದೈನಂದಿನ ಜೀವನದಲ್ಲಿ AI ಬಳಸುವುದರಲ್ಲಿ ಆರಾಮವಾಗುತ್ತಿದ್ದಾರೆ ಮತ್ತು ಅವರು ಆನ್‌ಲೈನ್‌ನಲ್ಲಿ ಬ್ರೌಸ್, ಹೋಲಿಕೆ ಮತ್ತು ಖರೀದಿ ಮಾಡುವಾಗ ಸಹ ಇಂತಹದೇ ಸಾಮರ್ಥ್ಯಗಳನ್ನು ನಿರೀಕ್ಷಿಸಲು ಆರಂಭಿಸಿದ್ದಾರೆ.

“ಮನೆಯಲ್ಲಿ, ಗ್ರಾಹಕರು ಅವರು ಹುಡುಕುತ್ತಿರುವುದಕ್ಕೆ ಸರಿಯಾದ ಪದಗಳು ಬಹಳಷ್ಟು ಬಾರಿ ಅವರ ಬಳಿ ಇರುವುದಿಲ್ಲ,” ಎಂದು ಫಿಯೋನಾ ಟ್ಯಾನ್ ಹೇಳಿದರು. “ನೈಸರ್ಗಿಕ ಭಾಷೆ ಮತ್ತು ಮಲ್ಟಿಮೋಡಲ್ ವ್ಯವಸ್ಥೆಗಳು ಆ ಅಂತರವನ್ನು ಕಡಿಮೆ ಮಾಡಲು ಸಹಾಯ ಮಾಡುತ್ತವೆ.”

Wayfair ನಾಯಕರಿಗಾಗಿ, ಆಂತರಿಕ ಸಾಮರ್ಥ್ಯವನ್ನು ವಿಸ್ತರಿಸುವಾಗ ಮಾನವ ಪರಿಣತಿಯನ್ನು ಹೆಚ್ಚಿಸುವುದೇ ಗುರಿಯಾಗಿ ಉಳಿದಿದೆ. “AI ಶಾಪಿಂಗ್ ಪ್ರಯಾಣದ ಭಾಗವಾಗಿರುವ ಜಗತ್ತಿಗಾಗಿ ನಾವು ನಿರ್ಮಿಸುತ್ತಿದ್ದೇವೆ—ಅದು ನಮ್ಮ ಸೈಟ್‌ನಲ್ಲಿ ಇರಲಿ, ಬೆಂಬಲದ ಮೂಲಕ ಇರಲಿ ಅಥವಾ ಸಂಭಾಷಣಾತ್ಮಕ ಇಂಟರ್‌ಫೇಸ್‌ಗಳ ಮೂಲಕ ಇರಲಿ,” ಎಂದು ಫಿಯೋನಾ ಟ್ಯಾನ್ ಸಮಾರೋಪಗೊಳಿಸಿದರು.