വിശ്വാസവും പ്രസക്തിയും: ChatGPT‑യുടെ പരസ്യസംവിധാനം നിർമ്മിച്ചതെങ്ങനെ

ഉപയോക്താവിന്റെ ഉദ്ദേശ്യം വെളിപ്പെടുത്തുന്ന ഒറ്റപ്പെട്ട പ്രവർത്തനങ്ങളോട് പ്രതികരിക്കാനാണ് പരമ്പരാഗത പരസ്യസംവിധാനങ്ങൾ നിർമ്മിച്ചിരിക്കുന്നത്. ഉപയോക്താവ് ഓൺലൈനിൽ എന്തെങ്കിലും തിരയുകയോ കാണുകയോ ചെയ്യുമ്പോൾ, ആ തിരച്ചിലുകളും പേജ് സന്ദർശനങ്ങളും സംഭവങ്ങളായി പരസ്യസംവിധാനത്തിന് ലഭിക്കുന്നു. അവയുടെ അടിസ്ഥാനത്തിൽ സംവിധാനം യോജിച്ച പരസ്യങ്ങൾ തേടുന്നു. ChatGPT‑ക്കായി പരസ്യസംവിധാനം നിർമ്മിക്കുന്നത് വ്യത്യസ്തമായിരുന്നു. ഉപയോക്താവിന്റെ ഉദ്ദേശ്യം സംഭാഷണങ്ങളിലൂടെയാണ് രൂപപ്പെടുന്നതും പല ഘട്ടങ്ങളിലായി മാറുന്നതും. ചിലപ്പോൾ പരസ്യത്തിന് യോജിച്ചൊരു അവസരമേ ഉണ്ടാകില്ല. ഈ പുതിയ രീതിക്ക് പിന്തുണ നൽകാൻ ഞങ്ങൾ പ്രത്യേകമായൊരു പരസ്യവിതരണ സംവിധാനം നിർമ്മിച്ചു. പ്രത്യേകമായി തയ്യാറാക്കിയ ഒരു പോസ്റ്റ്-ട്രെയിൻഡ് അത്യാധുനിക LLM ആണ് ഈ പുതിയ പരസ്യസംവിധാനത്തിന്റെ അടിസ്ഥാനം. പരസ്യങ്ങൾ കണ്ടെത്തൽ (മികച്ച സാധ്യതകൾ തിരിച്ചറിയൽ), റാങ്കിംഗ് (ഉപയോക്തൃ ഇടപെടൽ പ്രവചിക്കൽ), പ്രസക്തി (പരസ്യത്തിന്റെ ഉപയോഗക്ഷമത വിലയിരുത്തൽ), അന്തിമ തിരഞ്ഞെടുപ്പിനും വിലനിർണ്ണയത്തിനുമുള്ള ലേലം എന്നിവയ്ക്കായി ഇത് ടൂൾ കോൾ നടത്തുന്നു.

മാറിവരുന്ന ഉപയോക്തൃ ലക്ഷ്യങ്ങളുടെ സൂക്ഷ്മതകൾ കൈകാര്യം ചെയ്യാൻ ഞങ്ങൾ മൂന്ന് പ്രധാന രൂപകൽപ്പനാ തീരുമാനങ്ങളെടുത്തു: 1) സംഭാഷണഘട്ടങ്ങളിലും പല സംഭാഷണങ്ങളിലുമായി വിവരങ്ങൾ ഓർത്തുവയ്ക്കുന്ന പരസ്യ സെഷനുകൾ നടപ്പാക്കുക. 2) സംഭാഷണസന്ദർഭവും അന്തർലീനമായ ഉദ്ദേശ്യവും മനസ്സിലാക്കി പരസ്യങ്ങൾ ഫലപ്രദമായി തിരഞ്ഞെടുക്കാനും റാങ്ക് ചെയ്യാനും വിതരണം ചെയ്യാനും ഒരു ടൂൾ കോൾ ആർക്കിടെക്ചർ ഉപയോഗിക്കുന്ന പ്രത്യേക പോസ്റ്റ്-ട്രെയിൻഡ് LLM ഉപയോഗിക്കുക. 3) പരസ്യങ്ങൾ ഉത്തരങ്ങളെ സ്വാധീനിക്കാതിരിക്കാനും ChatGPT‑യുടെ നിഷ്പക്ഷസ്വരം നിലനിർത്താനും, പരസ്യതിരഞ്ഞെടുപ്പ് ChatGPT‑യുടെ ഉത്തരനിർമ്മാണത്തിൽനിന്ന് വേർപെടുത്തി പ്രത്യേക സേവനമായി നടത്തുക. മുഴുവൻ പരസ്യപ്രക്രിയയും ഏകോപിപ്പിക്കാൻ ഞങ്ങൾ പോസ്റ്റ്-ട്രെയിൻഡ് LLM ഉപയോഗിക്കുന്നു. ഉപയോക്താവിന്റെ നിലവിലെ സംഭാഷണഘട്ടവും സംഭാഷണചരിത്രവും അടിസ്ഥാനമാക്കി, ശരിയായ സമയത്ത് കാണിക്കേണ്ട ശരിയായ പരസ്യം അത് കണ്ടെത്തുന്നു. ഇത്തരത്തിൽ സ്വയം മെച്ചപ്പെടുന്ന പരസ്യസംവിധാനം ആദ്യം മുതൽ നിർമ്മിക്കാൻ മുമ്പ് വർഷങ്ങൾ വേണ്ടിവന്നിരുന്നു. എന്നാൽ ChatGPT പരസ്യങ്ങൾ അവതരിപ്പിച്ച് 200 ദിവസം തികയുംമുമ്പ് വാർഷികാടിസ്ഥാനത്തിൽ കണക്കാക്കിയ 100 കോടി ഡോളർ വരുമാനനിരക്കിലെത്തി. തുടക്കംമുതൽ ഇതുവരെ ഒരു ലക്ഷത്തിലധികം പരസ്യദാതാക്കൾ ChatGPT‑യിൽ പരസ്യങ്ങൾ നൽകിയിട്ടുണ്ട്.

പരമ്പരാഗത പരസ്യ അഭ്യർത്ഥന സാധാരണയായി വ്യക്തമായി നിർവചിച്ച ഒരു സംഭവത്തിൽനിന്നാണ് തുടങ്ങുന്നത്. ഉപയോക്താവ് ഒരു തിരച്ചിൽ ചോദ്യം നൽകുകയോ വെബ്പേജ് തുറക്കുകയോ ചെയ്യുമ്പോൾ പരസ്യസംവിധാനത്തിന് അഭ്യർത്ഥന ലഭിക്കുന്നു. ഈ സംവിധാനം താരതമ്യേന ലളിതമാണ്: സാധ്യതയുള്ള പരസ്യങ്ങൾ കണ്ടെത്തി റാങ്ക് ചെയ്യുന്നു, ആ അവസരത്തിന് ഉചിതമായ വില നിശ്ചയിക്കാൻ ലേലം നടത്തുന്നു, തിരഞ്ഞെടുത്ത പരസ്യം ഉപയോക്താവിനെ കാണിക്കുന്നു. ChatGPT‑യിൽ സ്വാഭാവികമായി അത്തരം വ്യക്തമായൊരു നിമിഷം ഉണ്ടാകുന്നില്ല.

ChatGPT സംഭാഷണത്തിലേക്ക് ആളുകൾ എത്തുന്നത് ഒറ്റ ഉത്തരമുള്ള തിരച്ചിൽ ചോദ്യവുമായല്ല, ലക്ഷ്യങ്ങളുമായാണ്. അവർ യാത്ര ആസൂത്രണം ചെയ്യുകയോ സ്ഥാപനത്തിനായി സോഫ്റ്റ്‌വെയർ തിരഞ്ഞെടുക്കുകയോ വീട്ടിൽ ഫർണിച്ചർ ഒരുക്കുകയോ പുതിയൊരു ഹോബി പഠിക്കുകയോ ആയിരിക്കാം. ഇതെല്ലാം സംഭാഷണത്തിന്റെ ഒറ്റ ഘട്ടത്തിൽ നടക്കുന്നതല്ല. സംഭാഷണം പുരോഗമിക്കുമ്പോൾ പ്രധാനപ്പെട്ടതെന്തെന്ന് വ്യക്തമാക്കാൻ ChatGPT പലപ്പോഴും ഉപയോക്താവിനെ സഹായിക്കുന്നു.

ഉദാഹരണത്തിന്, ഓട്ടമത്സരത്തിനായി എങ്ങനെ പരിശീലിക്കണമെന്ന് ഞങ്ങളുടെ സാങ്കേതികസംഘം ChatGPT‑യോട് ചോദിച്ചു. ഓട്ടത്തെക്കുറിച്ചുള്ള പൊതുവായ ചോദ്യത്തിലാണ് സംഭാഷണം തുടങ്ങുന്നത്. പല ഘട്ടങ്ങൾക്കുശേഷം, പരിശീലനത്തിന് സഹായിക്കുന്ന ഷൂസിനെക്കുറിച്ച് അവർ ചോദിക്കുന്നു. ഓരോ നിബന്ധനയും വ്യക്തമാകുമ്പോൾ സംഭാഷണത്തിന്റെ വാണിജ്യ അർത്ഥം മാറുന്നു. വ്യക്തിഗതമായ ഈ സന്ദർഭം പല സെഷനുകളിലായി വികസിക്കുകയും ചെയ്യുന്നു. ആദ്യ സന്ദേശത്തെ മാത്രം ആശ്രയിച്ച് പ്രവർത്തിക്കുന്ന സംവിധാനം ഉദ്ദേശ്യം പൂർണമായും തെറ്റായി മനസ്സിലാക്കിയേക്കാം. അത് ഉപയോക്താവിന്റെ അനുഭവം മോശമാക്കുകയും അവരുടെ വഴിയിൽ തടസ്സമാകുകയും ചെയ്യാം.

അതുകൊണ്ട് അഭ്യർത്ഥന-പ്രതികരണ പരസ്യഘടനയ്ക്കപ്പുറം പോകേണ്ടിവന്നു. ഉപയോക്താവിന്റെ വിശ്വാസത്തിനും പ്രയോജനത്തിനും മുൻഗണന നൽകി സാമ്പത്തികസാധ്യതകൾ കണ്ടെത്താൻ പരസ്യസംവിധാനം ആദ്യം മുതൽ നിർമ്മിക്കേണ്ടതുണ്ടായിരുന്നു.

പരമ്പരാഗത പരസ്യസംവിധാനത്തെപ്പോലെ ഓരോ സന്ദേശവും വേറിട്ട അഭ്യർത്ഥനയാക്കിയിരുന്നെങ്കിൽ ഞങ്ങളുടെ സംഭാഷണരീതിയിൽ ചില അപകടസാധ്യതകളുണ്ടാകുമായിരുന്നു: 1) അമിതമായി ലളിതമാക്കി ഉപയോക്തൃ ലക്ഷ്യം തെറ്റിദ്ധരിക്കുക. 2) യഥാർത്ഥ ആവശ്യം വ്യക്തമാകുംമുമ്പ് പരസ്യപ്രക്രിയ തുടങ്ങുക. 3) ഉപയോക്താവിന്റെ ലക്ഷ്യത്തിലേക്കുള്ള യാത്രയെ സഹായിക്കുന്നതിനുപകരം തടസ്സപ്പെടുത്തുന്ന പരസ്യങ്ങൾ കാണിക്കുക. 4) അഭ്യർത്ഥന മാറുമ്പോഴെല്ലാം അനാവശ്യമായി പരസ്യപ്രക്രിയ വീണ്ടും നടത്തി ആശയക്കുഴപ്പവും പാഴ്‌ച്ചെലവും സൃഷ്ടിക്കുക. ഒറ്റപ്പെട്ട സംഭവങ്ങളെ അടിസ്ഥാനമാക്കുന്നതിനുപകരം, കണ്ടെത്തൽ, റാങ്കിംഗ്, വിതരണം എന്നിവയടങ്ങിയ പരസ്യസംവിധാനം വിവരങ്ങൾ ഓർത്തുവയ്ക്കുന്ന സെഷൻ നിലനിർത്തുന്നു. യോഗ്യമായ ഒരു സംഭാഷണഘട്ടം മുഴുവൻ സെഷൻ പ്രവർത്തിക്കുകയും മാറിവരുന്ന വിവരങ്ങൾ ഓർത്തുവച്ച് പുതുക്കുകയും ചെയ്യുന്നു. ChatGPT പ്രാരംഭ അഭ്യർത്ഥനയുടെ സന്ദർഭം പരസ്യ സെർവറിലേക്ക് അയയ്ക്കുന്നു. ഒറ്റ ചോദ്യത്തിലേക്ക് ചുരുക്കിയ വിവരത്തെ ആശ്രയിക്കുന്നതിനുപകരം, വികസിക്കുന്ന സംഭാഷണം പിന്തുടർന്ന് പരസ്യസംവിധാനം അതിനനുസരിച്ച് മാറുന്നു.

ChatGPT‑യുടെ മറുപടികളെ പരസ്യപ്രക്രിയ സ്വാധീനിക്കാതിരിക്കാൻ, സാധാരണ മറുപടി സൃഷ്ടിക്കുന്നതിന് സമാന്തരമായാണ് പരസ്യതിരഞ്ഞെടുപ്പ് നടക്കുന്നത്. യോഗ്യത, ഗുണനിലവാരം, വിതരണം എന്നിവയിൽ സ്വന്തം നിബന്ധനകളോടെ സംഭാഷണം സ്വീകരിക്കുന്ന പ്രത്യേക സംവിധാനമാണ് പരസ്യങ്ങൾ ഫിൽട്ടർ ചെയ്ത് തിരഞ്ഞെടുക്കുന്നത്. വേറിട്ട മോഡലുകളും കോഡും ഉപയോഗിക്കുന്ന വ്യത്യസ്ത സേവനങ്ങൾ എന്ന ഈ പ്രധാന ഘടനാപരമായ വേർതിരിവിലൂടെ, പ്രധാന ChatGPT സെർവറുകൾ സ്വാഭാവിക മറുപടി സൃഷ്ടിക്കുന്നു. അതേസമയം, അനുയോജ്യമായ പരസ്യാവസരമുണ്ടോ എന്ന് പരസ്യസംവിധാനം സ്വതന്ത്രമായി വിലയിരുത്തുന്നു. ഉണ്ടെങ്കിൽ, പ്രത്യേക വിതരണപ്രക്രിയയിലൂടെ സ്പോൺസർ ചെയ്ത പരസ്യം തയ്യാറാക്കുന്നു.

ഉപയോക്തൃ അനുഭവം സംരക്ഷിക്കുന്നതിനു പുറമേ, ഈ വേർതിരിവിന് പ്രായോഗികമായ ചില ഫലങ്ങളുമുണ്ട്. ChatGPT പരസ്യസംവിധാനത്തെ ആശ്രയിക്കുന്നില്ല. ഈ സേവനങ്ങൾ പരസ്പരം ബന്ധിപ്പിച്ചിട്ടില്ല; ഉള്ളടക്കം സൃഷ്ടിക്കാൻ ഒരേ മോഡലും പങ്കിടുന്നില്ല. അതിനാൽ പരസ്യവിതരണ സംവിധാനം ലഭ്യമല്ലെങ്കിലും മന്ദഗതിയിലായാലും ChatGPT‑യുടെ സ്വാഭാവിക മറുപടിയെ അത് ബാധിക്കില്ല. അതായത്, പരസ്യസംവിധാനത്തിന് ChatGPT‑യുടെ പ്രവർത്തനം തടസ്സപ്പെടുത്താനോ വൈകിപ്പിക്കാനോ കഴിയില്ല. ഉപകാരപ്രദമായ പരസ്യങ്ങൾക്കുള്ള നിലവാരമാനദണ്ഡം വളരെ ഉയർന്നതായി നിലനിർത്തുന്നു എന്നതാണ് ഈ വേർതിരിവിന്റെ മറ്റൊരു നേട്ടം. പരസ്യമൊന്നും നൽകാതിരിക്കുന്നതും സാധാരണവും വിജയകരവുമായ ഒരു ഫലമാണ്. ഉപയോക്താക്കൾക്കും പരസ്യദാതാക്കൾക്കും വ്യക്തമായി പ്രയോജനപ്പെടുമെങ്കിൽ മാത്രമേ സംവിധാനം ഒരു പരസ്യം നൽകൂ.

ഞങ്ങളുടെ പരസ്യസംവിധാനത്തിലെ മറ്റൊരു പ്രധാന ഘടകം പോസ്റ്റ്-ട്രെയിൻഡ് LLM ആണ്. ഇത് സംഭാഷണങ്ങൾ മനസ്സിലാക്കി, സ്വയം തീരുമാനങ്ങളെടുക്കുന്ന ഒരു ആവർത്തനചക്രത്തിലൂടെ പരസ്യപ്രക്രിയ മുഴുവൻ നടത്തുന്നു. പരസ്യങ്ങൾ കണ്ടെത്തൽ, റാങ്കിംഗ്, ലേലം, ഒടുവിൽ വിതരണം എന്നിങ്ങനെയുള്ള പ്രധാന പ്രവർത്തനങ്ങൾക്കായി ഇത് ടൂൾ കോളുകൾ നടത്തുന്നു. ഈ LLM-നെ ഞങ്ങൾ ഓർക്കസ്ട്രേറ്റർ എന്നു വിളിക്കുന്നു.

പരസ്യപ്രക്രിയയുടെ ആദ്യപടി ഉപയോക്താവിന്റെ ഉദ്ദേശ്യം മനസ്സിലാക്കി പരസ്യങ്ങൾ കണ്ടെത്തിത്തുടങ്ങുകയാണ്. പിന്നീട് ഫിൽട്ടർ ചെയ്യാനായി സാധ്യതയുള്ള പരസ്യങ്ങൾ വേഗത്തിലും മനഃപൂർവം വിശാലമായ തോതിലും ശേഖരിക്കുന്ന പ്രക്രിയയാണിത്. സംഭാഷണം ഘട്ടംഘട്ടമായി ലഭിക്കുമ്പോൾ പരസ്യങ്ങൾ കണ്ടെത്താൻ കൂടുതൽ വിവരങ്ങൾ കിട്ടുമെങ്കിലും അവ്യക്തതയും കൂടുന്നു. കാരണം, പഴയ സന്ദർഭത്തിൽനിന്ന് നിലവിലെ ഉദ്ദേശ്യം വേർതിരിച്ചറിയേണ്ടതുണ്ട്. മുൻ സന്ദേശങ്ങളിലേക്കുള്ള പരാമർശങ്ങൾ ഓർക്കസ്ട്രേറ്റർ മനസ്സിലാക്കണം; ഉപയോക്താവ് സാങ്കൽപ്പികമായി സംസാരിക്കുന്നത് തിരിച്ചറിയണം; ഉൽപ്പന്നത്തെയോ സേവനത്തെയോ കുറിച്ചുള്ള ഓരോ പരാമർശവും വാങ്ങാനുള്ള അഭ്യർത്ഥനയായി കാണാതിരിക്കണം.

ലഭ്യമായ സംഭാഷണവും ഉപയോക്തൃസന്ദർഭവും ഉപയോഗിച്ച് പരസ്യ ഓർക്കസ്ട്രേറ്റർ നല്ല പരസ്യങ്ങൾക്കായി ആവർത്തിച്ച് തിരയുന്നു. ഏത് ടൂൾ എപ്പോൾ വിളിക്കണമെന്ന് ഓരോ ഘട്ടത്തിലും തീരുമാനിക്കുന്നു. ആ സംഭാഷണത്തിനും സന്ദർഭത്തിനും ഏറ്റവും യോജിച്ച പരസ്യം (ഉപയോക്താവിനും പരസ്യദാതാവിനും ഉയർന്ന പ്രയോജനം സമതുലിതമായി നൽകുന്ന പരസ്യം) കണ്ടെത്തുകയാണ് ലക്ഷ്യം. പരസ്യങ്ങൾ വ്യക്തിഗതമാക്കാൻ ഉപയോക്താവ് തീരുമാനിച്ചാൽ, ഏറ്റവും യോജിച്ച പരസ്യം കണ്ടെത്താൻ അവരുടെ മുൻ സംഭാഷണങ്ങളെക്കുറിച്ച് ലഭ്യമായ സെൻസിറ്റീവല്ലാത്ത വിവരങ്ങളും ഓർക്കസ്ട്രേറ്റർ പരിഗണിക്കും.

സംഭാഷണം പുരോഗമിക്കുകയും പരസ്യ ഓർക്കസ്ട്രേറ്ററിന് പുതിയ വിവരങ്ങൾ ലഭിക്കുകയും ചെയ്യുമ്പോൾ, ആ പുതുക്കിയ സന്ദർഭം സഹിതം ഓർക്കസ്ട്രേറ്റർക്ക് പുതിയൊരു കൂട്ടം ടൂൾ കോളുകൾ റൺ ചെയ്ത് മെച്ചപ്പെട്ട പരസ്യങ്ങൾ കണ്ടെത്തി ക്ലയന്റിന് നൽകാം. അവ സമയത്ത് എത്തിയാൽ ക്ലയന്റിന് ഉപയോഗിക്കാം.

എപ്പോഴും ഉപയോക്താക്കൾക്ക് മുൻഗണന നൽകിക്കൊണ്ട്, അവർക്കും പരസ്യദാതാക്കൾക്കും ലഭിക്കുന്ന പ്രയോജനം സമതുലിതമാക്കാനാണ് ഓർക്കസ്ട്രേറ്ററെ രൂപകൽപ്പന ചെയ്തിരിക്കുന്നത്.

പരസ്യസംവിധാനത്തിൽ വ്യക്തിഗത ടൂളുകളുണ്ട്. ഒരു സംഭാഷണത്തിന് ഏറ്റവും യോജിച്ച പരസ്യങ്ങൾ കണ്ടെത്താൻ ഓർക്കസ്ട്രേറ്റർ അവയെ ആവർത്തിച്ച് വിളിക്കുന്നു. പൊതുവിൽ, ഓർക്കസ്ട്രേറ്റർ സംഭാഷണങ്ങളെ ചെറുസംഗ്രഹങ്ങളാക്കുന്നു. അവയെ അർത്ഥാധിഷ്ഠിത എംബെഡിംഗുകളാക്കി മാറ്റുന്നു—പരസ്യസംവിധാനത്തിന് എളുപ്പം പരിശോധിക്കാവുന്ന രീതിയിൽ സംഭരിച്ച അർത്ഥരൂപങ്ങളാണിവ. ഇവ ഉപയോഗിച്ച് പരസ്യങ്ങൾ കണ്ടെത്തി, ബജറ്റ്, ഉപയോക്തൃ ക്രമീകരണങ്ങൾ തുടങ്ങിയ പ്രാഥമിക പരിശോധനകളിലൂടെ യോഗ്യതയുള്ളവ ഫിൽട്ടർ ചെയ്യുന്നു. തുടർന്ന് ഗുണനിലവാരവും പ്രസക്തിയും വിലയിരുത്തി അന്തിമ റാങ്കിംഗ് നടത്തുന്നു. ഇതിലൂടെ മറുപടിയുടെ അവസാനം പരസ്യം കാണിക്കാൻ ഏറെ പ്രയോജനകരമായ അവസരങ്ങൾ കണ്ടെത്തുന്നു. അതിനാൽ, പ്രദർശിപ്പിക്കാൻ അർഹത നേടാൻ ഓരോ പരസ്യവും യോഗ്യതയിലും പ്രസക്തിയിലും ഉയർന്ന മാനദണ്ഡങ്ങൾ പാലിക്കണം.

പ്രസക്തമായ വാണിജ്യ ഉദ്ദേശ്യം പ്രതിനിധീകരിക്കുന്ന ഒന്നോ അതിലധികമോ തിരച്ചിൽ ചോദ്യങ്ങളാണ് ഓർക്കസ്ട്രേറ്റർ LLM ആദ്യം തയ്യാറാക്കുന്നത്. നേരിട്ട് പൊരുത്തപ്പെടുന്ന തിരച്ചിലുകൾക്കപ്പുറം വാണിജ്യസാധ്യതകൾ വിപുലമാക്കാൻ സംഭാഷണസന്ദർഭം മാറ്റിയെഴുതുന്നതും തുടർന്ന് അർത്ഥരൂപങ്ങൾ സൃഷ്ടിക്കുന്നതും ഇതിൽ ഉൾപ്പെടാം. പല ഘട്ടങ്ങളുള്ള സംഭാഷണത്തെ ഓർക്കസ്ട്രേറ്റർ തിരച്ചിൽ സംവിധാനത്തിനായി സംഗ്രഹിക്കുന്നു. അതുവഴി ഡാറ്റാബേസിൽനിന്ന് പരസ്യങ്ങൾ ലക്ഷ്യബോധത്തോടെ കണ്ടെത്താനാകുന്നു.

ഉപയോക്താവിന്റെ ഉദ്ദേശ്യം ആഴത്തിൽ മനസ്സിലാക്കിയശേഷം മാത്രം പരസ്യങ്ങൾ കാണിച്ചാൽ, അത് ഉപയോക്താക്കൾക്കും പരസ്യദാതാക്കൾക്കും കൂടുതൽ ഗുണകരമാകും. ഒന്നിലധികം തിരച്ചിൽ ചോദ്യങ്ങളിലൂടെ ഉദ്ദേശ്യത്തിന്റെ വിവിധ വശങ്ങൾ നിലനിർത്താനാകും. ഉദാഹരണത്തിന്, യാത്ര ആസൂത്രണം ചെയ്യുന്ന ഒരു സംഭാഷണത്തിൽ ഗതാഗതം, താമസം, വിനോദപ്രവർത്തനങ്ങൾ എന്നിവയുമായി ബന്ധപ്പെട്ട വ്യത്യസ്ത ആവശ്യങ്ങൾ ഉണ്ടായേക്കാം. സംഭാഷണം മുഴുവൻ ഒറ്റ പദശ്രേണിയിലേക്ക് ചുരുക്കുന്നതിനുപകരം, തിരച്ചിൽ സംവിധാനത്തിന് ഈ വ്യത്യാസങ്ങൾ നിലനിർത്താം.

ഉദാഹരണമായി, ഹൈക്കിംഗ് ഷൂസിനെക്കുറിച്ച് ഉണ്ടായേക്കാവുന്ന ഒരു സംഭാഷണക്രമം നോക്കാം:

1. യോസെമിറ്റിയിലേക്കുള്ള രണ്ടു ദിവസത്തെ യാത്രയിൽ എന്തൊക്കെ കാണണം?

2. അടുത്തയാഴ്ച തണുപ്പുണ്ടാകുമോ?

3. [insert brand] എന്നതിന്റെ പുതിയ ഉൽപ്പന്നനിരകൾ ഏതൊക്കെയാണ്?

ഷൂ ബ്രാൻഡിനെക്കുറിച്ചുള്ള ചോദ്യം ഉപയോക്താവ് യോസെമിറ്റി യാത്രയുമായി ബന്ധിപ്പിച്ചിട്ടില്ലെങ്കിലും, ഞങ്ങളുടെ പരസ്യസംവിധാനം ഈ സംഭാഷണത്തെ [shoes appropriate for hiking trip], [new [brand] product lines good for travel] എന്നിങ്ങനെ രണ്ടു തിരച്ചിൽ ചോദ്യങ്ങളായി പ്രതിനിധീകരിച്ചേക്കാം. ഇത് ആദ്യശ്രമം മാത്രമായിരിക്കാം. ലഭ്യമായ പരസ്യങ്ങളിൽ ഉപയോക്താവിന് ഏറെ പ്രയോജനകരമായവ കണ്ടെത്തുംവരെ ഈ അർത്ഥരൂപങ്ങൾ ആവർത്തിച്ച് പരിഷ്കരിക്കാനാണ് ഓർക്കസ്ട്രേറ്ററെ രൂപകൽപ്പന ചെയ്തിരിക്കുന്നത്.

തിരഞ്ഞെടുക്കാവുന്ന പരസ്യങ്ങളുടെ മനഃപൂർവം വിശാലമായ ഒരു ശേഖരം സൃഷ്ടിക്കുന്ന പ്രക്രിയയാണിത്. വ്യത്യസ്ത തിരച്ചിൽ തന്ത്രങ്ങളിലൂടെ കണ്ടെത്തുന്ന പരസ്യങ്ങൾക്ക് പിന്നീട് ഒരേ വിതരണനിബന്ധനകൾക്കു കീഴിൽ മത്സരിക്കാം. സംവിധാനത്തിന്റെയും ഉൽപ്പന്നത്തിന്റെയും വ്യത്യസ്ത നിയന്ത്രണങ്ങൾക്ക് അനുയോജ്യമായ ഒന്നിലധികം സൂചികകൾ ഞങ്ങൾ നിർമ്മിക്കുന്നു. ഉദാഹരണത്തിന്, ഉൽപ്പന്ന ഫീഡ് പരസ്യങ്ങളുടെ സൂചിക മികച്ച പരസ്യങ്ങൾ കണ്ടെത്തുമ്പോൾ ഉൽപ്പന്നത്തിന്റെ അനുകൂലവും പ്രതികൂലവുമായ അവലോകനങ്ങൾ കണക്കിലെടുക്കുന്നു. അവലോകനങ്ങൾ ഇല്ലാത്ത മറ്റു പരസ്യങ്ങൾക്ക് ഇത് പ്രസക്തമല്ല. ഉപയോക്താവിന്റെ ഉദ്ദേശ്യം പ്രതിനിധീകരിക്കുന്ന എംബെഡിംഗുകൾ ഉപയോഗിച്ച്, ഏകദേശ സമീപസ്ഥ തിരച്ചിലിന്റെ (ANN) ഏതെങ്കിലും രൂപം മികച്ച രീതിയിൽ നടത്താനാണ് ഓരോ സൂചികയും സജ്ജമാക്കിയിരിക്കുന്നത്. വലിയ അർത്ഥാധിഷ്ഠിത സൂചികകളിൽനിന്ന് ഫലങ്ങൾ കണ്ടെത്താനുള്ള ഏകദേശ അൽഗോരിതമാണ് ഈ ANN തിരച്ചിൽ. “കൃത്യമായ” ഉത്തരം തേടുന്നതിനുപകരം നല്ലൊരു പരിഹാരത്തോട് അടുക്കുന്നതിനാൽ പരസ്യങ്ങൾ വളരെ വേഗം ലഭിക്കുന്നു; പ്രസക്തമായ മിക്ക പരസ്യങ്ങളും നിലനിർത്തുകയും ചെയ്യുന്നു.

പ്രസക്തി, ലേലത്തുക, ബജറ്റ് എന്നിവയിൽ പ്രദർശനത്തിനുള്ള മാനദണ്ഡങ്ങൾ പാലിക്കാത്ത എല്ലാ പരസ്യങ്ങളെയും പരിഗണനയിൽനിന്ന് ഒഴിവാക്കുകയാണ് ഫിൽട്ടറിംഗിന്റെ ലക്ഷ്യം. പരസ്യവും ക്രമീകരണവും അനുസരിച്ച് പരിശോധനകൾ വ്യത്യാസപ്പെടാം: പ്രചാരണമോ പരസ്യ ഉള്ളടക്കമോ സജീവമാണോ; പ്രചാരണത്തിന് ഏതൊക്കെ പ്രദേശങ്ങളിൽ പ്രവർത്തിക്കാം; എന്ത് പരസ്യം ചെയ്യാമെന്ന നയനിബന്ധനകൾ പാലിക്കുന്നുണ്ടോ; ചെലവഴിക്കാൻ ബജറ്റ് ശേഷിക്കുന്നുണ്ടോ; ഇപ്പോഴാണോ ദിവസത്തിലെ മറ്റൊരു സമയത്താണോ പണം ചെലവഴിക്കേണ്ടത്; ഏതുതരം സംഭാഷണങ്ങളിൽ പരസ്യം കാണിക്കാം; എല്ലാ സ്ഥാപനങ്ങൾക്കും ന്യായമായ പങ്കാളിത്തം ഉറപ്പാക്കാൻ പരസ്യദാതാവിന്റെയും പ്രചാരണത്തിന്റെയും തലത്തിൽ ആവർത്തനങ്ങൾ ഒഴിവാക്കി ഓരോ പരസ്യദാതാവിൽനിന്നും ഉചിതമായ എണ്ണം പരസ്യങ്ങൾ തിരഞ്ഞെടുക്കുന്നുണ്ടോ.

യോഗ്യതാ പരിശോധനകൾ കടന്ന പരസ്യങ്ങൾ സ്കോറിംഗ് ഘട്ടത്തിലെത്തുന്നു. ഇവിടെ ഓർക്കസ്ട്രേറ്റർ വിവിധ സ്കോറിംഗ് സംവിധാനങ്ങളുടെ ടൂളുകൾ വിളിക്കുന്നു. പരസ്യവിതരണത്തിനായി അർത്ഥപരമായ പ്രസക്തി (ഉപയോക്താവിന്റെ ലക്ഷ്യത്തിന് പരസ്യം യോജിക്കുന്നുണ്ടോ?), പ്രതീക്ഷിക്കുന്ന ഇടപെടൽ (പരസ്യം കാണാനും ക്ലിക്ക് ചെയ്യാനും പരസ്യദാതാവ് ആഗ്രഹിക്കുന്ന ഫലത്തിലേക്കെത്താനും സാധ്യതയുണ്ടോ?), മുൻകാല പ്രകടനം (ഇതുവരെ ഉപയോക്താക്കളെ കാണിച്ചപ്പോൾ നല്ല ഫലം നൽകിയോ?) തുടങ്ങിയവ വിലയിരുത്തുന്നു. ലേലത്തിനു മുമ്പ് പ്രസക്തിയും സുരക്ഷയും ഉറപ്പാക്കാനും ഓർക്കസ്ട്രേറ്റർ പരസ്യങ്ങൾ ഫിൽട്ടർ ചെയ്യുന്നു. ഈ സംവിധാനങ്ങൾ പരസ്യങ്ങളുടെ എണ്ണം കുറച്ച് ലേലത്തിന് തയ്യാറായ ചെറിയൊരു ശേഖരമാക്കുന്നു. എന്നാൽ അന്തിമമായി ഏത് പരസ്യം നൽകണമെന്ന് ഇവ അപ്പോഴും തീരുമാനിക്കുന്നില്ല.

തയ്യാറാക്കിയ പരസ്യങ്ങളെ സംഭാഷണസന്ദർഭത്തിൽ ഓർക്കസ്ട്രേറ്റർ വിലയിരുത്തി, അന്തിമ ലേലത്തിൽ പങ്കെടുക്കാൻ വേണ്ടത്ര അനുയോജ്യമായവ തിരഞ്ഞെടുക്കുന്നു. ഏത് പരസ്യം നൽകണമെന്നോ അതിന്റെ വിലയോ ഓർക്കസ്ട്രേറ്റർ നേരിട്ട് തീരുമാനിക്കുന്നില്ല. ലേല ടൂളിന് വിലയിരുത്താനായി അത് സന്ദർഭത്തിന് യോജിച്ച പരസ്യങ്ങൾ നിർദേശിക്കുന്നു.

വിതരണത്തിന്റെ അന്തിമ നടപടികൾ ലേലത്തിലാണ് നടക്കുന്നത്: ലേലപ്രവേശനം (പ്രസക്തിയുടെയും പ്രയോജനത്തിന്റെയും കുറഞ്ഞ പരിധി കടക്കൽ), ചെലവിന്റെ ക്രമീകരണം (പരസ്യബജറ്റ് കൂടുതൽ തുല്യമായി ചെലവഴിക്കൽ), ലേലത്തുകയും ലേലഘടകങ്ങളും കണക്കാക്കൽ, ഗുണനിലവാരം കണക്കിലെടുത്തുള്ള റാങ്കിംഗ്, വിലനിർണ്ണയം, അന്തിമ തിരഞ്ഞെടുപ്പ്.

ലേലത്തിനുശേഷം രണ്ടു കാരണങ്ങളാൽ പരസ്യവിതരണം നടക്കാതിരിക്കാം. രണ്ടും ChatGPT എന്ന സംഭാഷണ മാധ്യമത്തിന്റെ സവിശേഷതകളുമായി ബന്ധപ്പെട്ടതാണ്.

1. പരസ്യം സംഭാഷണത്തിന് അനുയോജ്യമല്ലെന്ന് തോന്നിയേക്കാം: പരസ്യം നൽകുന്നത് എപ്പോൾ ഉചിതമാണെന്ന് തീരുമാനിക്കുന്ന സുരക്ഷാ മോഡലുകൾ സംഭാഷണത്തെ പരസ്യപ്രദർശനത്തിന് സുരക്ഷിതമെന്ന് കണ്ടെത്തിയാലും, പരസ്യം നയങ്ങൾ പാലിക്കുന്നതാണെങ്കിലും, ചില സംഭാഷണങ്ങളുടെ സന്ദർഭത്തിൽ അത് അനുചിതമായി തോന്നാം. അത്തരം പരസ്യങ്ങൾ കാണിക്കുന്നത് ഓർക്കസ്ട്രേറ്റർ തടയുന്നു.

2. പരസ്യ അഭ്യർത്ഥന സമയത്ത് എത്തിയേക്കില്ല: ChatGPT മോഡൽ മറുപടി നൽകാൻ തയ്യാറായിട്ടും പരസ്യം പ്രദർശിപ്പിക്കാൻ തയ്യാറായില്ലെങ്കിൽ, പരസ്യ അഭ്യർത്ഥനയുടെ സമയപരിധി അവസാനിക്കുകയും പരസ്യവിതരണം നടക്കാതിരിക്കുകയും ചെയ്യും. അതിനാൽ കഴിയുന്നത്ര വേഗത്തിൽ പ്രവർത്തിക്കുക എന്നത് പരസ്യസംവിധാനത്തിന്റെ ഒരു ലക്ഷ്യമാണ്. ChatGPT മോഡലിന്റെ പ്രതികരണസമയം മാറിക്കൊണ്ടിരിക്കും. പരസ്യങ്ങൾ ലോഡാകാൻ കാത്ത് ഞങ്ങൾ മറുപടികൾ വൈകിപ്പിക്കില്ല.

മുകളിലെ എല്ലാ പരിശോധനകളും വിജയിച്ചാൽ, പ്രദർശനത്തിനായി പരസ്യം മുൻനിര ഇന്റർഫേസിലേക്ക് അയയ്ക്കുന്നു. ഇതിനെ സെർവർ ഭാഗത്തെ പരസ്യ വിതരണമായി ഞങ്ങൾ കണക്കാക്കുന്നു. എന്നിട്ടും ഉപയോക്താവിന് പരസ്യം കാണിക്കാതിരിക്കാം—ഇത് മനഃപൂർവമുള്ള രൂപകൽപ്പനയാണ്.

ChatGPT പോലുള്ള സംഭാഷണ ഉൽപ്പന്നത്തിൽ, സെർവറിൽനിന്ന് പരസ്യ ഉള്ളടക്കം നൽകിയതുകൊണ്ട് അത് പ്രദർശിപ്പിക്കുമെന്ന് ഉറപ്പില്ല. നിലവിലെ സംഭാഷണഘട്ടത്തിൽ ഉൾപ്പെടുത്താൻ കഴിയുന്ന സമയത്തുതന്നെ അത് എത്തുകയും വേണം. പരസ്യ ഉള്ളടക്കത്തിൽ തലക്കെട്ട്, വിവരണം, ലക്ഷ്യസ്ഥാന ലിങ്ക്, നടപടിയെടുക്കാനുള്ള ആഹ്വാനം എന്നിവ ഉൾപ്പെടുന്നു. കൂടാതെ, പരസ്യത്തിന് സംഭാഷണവുമായുള്ള ബന്ധം വിശദീകരിക്കുന്ന ഹ്രസ്വവും നിഷ്പക്ഷവുമായ ആമുഖവും പരസ്യസംവിധാനം നൽകുന്നു. മോഡലാണ് ഈ ആമുഖം സൃഷ്ടിക്കുന്നത്. ആമുഖം പരസ്യ ഉള്ളടക്കത്തിൽനിന്ന് വേർതിരിക്കുന്നത് പരസ്യദാതാവിന്റെ സന്ദേശം നിലനിർത്തുകയും ChatGPT‑യുടെ സ്വരം നിഷ്പക്ഷമായി സൂക്ഷിക്കുകയും ചെയ്യുന്നു.

ChatGPT‑യുടെ മുൻനിര ഇന്റർഫേസിന് ആമുഖവും പരസ്യ ഉള്ളടക്കവും ഒരുമിച്ചാണ് ലഭിക്കുന്നത്. ChatGPT‑യുടെ മറുപടി പൂർണമായി സൃഷ്ടിക്കുന്നതിനുമുമ്പ് അത് എത്തിയാൽ, മറുപടിക്കു താഴെ സ്പോൺസർ ചെയ്തതെന്ന് വ്യക്തമായി അടയാളപ്പെടുത്തി പരസ്യം കാണിക്കുന്നു. വൈകിയാണ് എത്തുന്നതെങ്കിൽ, ആ സംഭാഷണഘട്ടത്തിൽ പരസ്യം കാണിക്കില്ല. സെർവർ ഭാഗത്തെ പരസ്യവിതരണവും ഉപയോക്താവിന് പരസ്യം ദൃശ്യമാകുന്നതും തമ്മിലുള്ള വ്യത്യാസം ഇതാണ്.

ഞങ്ങളുടെ പരസ്യസംവിധാനം പരമ്പരാഗത രേഖപ്പെടുത്തൽ സംവിധാനങ്ങളും ഡാറ്റാ പ്രവാഹപാതകളും ഉപയോഗിക്കുന്നു. ഇതിന് മൂന്ന് പ്രധാന ഗുണങ്ങളുണ്ട്: പരസ്യദാതാക്കൾക്ക് നിലവിലെ സംവിധാനങ്ങൾ ഞങ്ങളുടേതുമായി എളുപ്പം സംയോജിപ്പിക്കാം; റിപ്പോർട്ടുകളിലെ വിവരങ്ങൾ ഉപയോഗിച്ച് തന്ത്രങ്ങൾ മെച്ചപ്പെടുത്താം; ഞങ്ങളുടെ സംഘത്തിന് സംവിധാനം മെച്ചപ്പെടുത്തേണ്ട മേഖലകൾ കണ്ടെത്താം. ഈ റിപ്പോർട്ടിംഗ്, മെച്ചപ്പെടുത്തൽ ടൂളുകൾക്കു പുറമേ, വിതരണം വിലയിരുത്താനും മറ്റു പരസ്യ മോഡലുകളെ പരിശീലിപ്പിക്കാനും ഉയർന്ന ഗുണനിലവാരമുള്ള ഒരു മോഡൽ വിന്യസിക്കുന്നു. ഇതിലൂടെ സ്വയം മെച്ചപ്പെടുന്ന ശക്തമായ ഒരു ചക്രം സൃഷ്ടിക്കുന്നു.

സംഭവിച്ച കാര്യങ്ങളുടെ വിശദമായ വിശകലനങ്ങൾ പരസ്യസംവിധാനത്തിന്റെ ഓരോ ഭാഗവും പ്രത്യേകം മനസ്സിലാക്കാനും മെച്ചപ്പെടുത്താനും സഹായിക്കുന്നു. പ്രവർത്തനരേഖകൾ പ്രോസസ് ചെയ്യുന്ന സംവിധാനം ഇനിപ്പറയുന്ന സൂക്ഷ്മതല ഫലങ്ങളും രേഖപ്പെടുത്തുന്നു:

• ആ സംഭാഷണഘട്ടം പരസ്യത്തിന് യോഗ്യമായിരുന്നില്ല.

• പരസ്യ സെഷൻ തുടങ്ങിയെങ്കിലും പരസ്യങ്ങൾ കണ്ടെത്താനുള്ള അഭ്യർത്ഥന ഉണ്ടായില്ല.

• തിരച്ചിലിൽ സാധ്യതാപരസ്യങ്ങളൊന്നും ലഭിച്ചില്ല.

• സാധ്യതാപരസ്യങ്ങൾ കണ്ടെത്തിയെങ്കിലും അവയുടെ പൂർണ വിവരങ്ങൾ ലഭ്യമാക്കാനായില്ല അല്ലെങ്കിൽ അവ യോഗ്യത നേടിയില്ല.

• ഒരു പരസ്യം വിതരണം ചെയ്തു; പിന്നീട് അതിൽ ഉപയോക്തൃ ഇടപെടലുണ്ടായി.

ഈ വിശദമായ വിശകലനങ്ങൾ പരസ്യവിതരണ സംവിധാനത്തിന്റെ ഓരോ ഭാഗവും പ്രത്യേകം മെച്ചപ്പെടുത്താൻ സഹായിക്കുന്നു. പരസ്യാവസരങ്ങൾ തിരിച്ചറിയുന്നത് മെച്ചപ്പെടുത്താൻ വേണ്ട തെളിവുകൾ, പരസ്യങ്ങൾ കണ്ടെത്തൽ, അവയുടെ ഗുണനിലവാരം, ലേലപങ്കാളിത്തം, വിതരണത്തിന്റെ വിശ്വസനീയത എന്നിവ മെച്ചപ്പെടുത്താൻ വേണ്ട തെളിവുകളിൽ നിന്ന് വ്യത്യസ്തമാണ്.

ഞങ്ങളുടെ ഏറ്റവും ശക്തവും ഉയർന്ന റീസണിംഗ് ശേഷിയുള്ളതുമായ മോഡലുകൾ, സംവിധാനത്തിന്റെ ഫലങ്ങൾ നിരീക്ഷിച്ച് വിലയിരുത്തുന്നു. തുടർന്ന് കൂടുതൽ നന്നായി പ്രവർത്തിക്കാൻ പരിശീലിപ്പിച്ച് പോസ്റ്റ്-ട്രെയിൻഡ് LLM-നെ മെച്ചപ്പെടുത്തുന്നു. ഇതാണ് മോഡൽ അധിഷ്ഠിത വിലയിരുത്തലിന്റെ ആശയം. ഉദാഹരണത്തിന്, ഞങ്ങളുടെ ഏറ്റവും ശക്തമായ മോഡൽ, പ്രതികരണങ്ങൾ ശേഖരിച്ച് ചെറിയ മോഡലുകളെ ഏറ്റവും നന്നായി പ്രവർത്തിക്കാൻ പരിശീലിപ്പിക്കുന്നുവെങ്കിൽ, ഓർക്കസ്ട്രേഷനോ തിരച്ചിലിനോ ചെറുതും കൂടുതൽ കാര്യക്ഷമവുമായ മോഡലുകളോ കുറഞ്ഞ റീസണിംഗ് ശേഷിയുള്ളവയോ ഉപയോഗിക്കാം.

ഉപയോക്താക്കൾ പരസ്യങ്ങളിൽ ക്ലിക്ക് ചെയ്യുന്നതും അവ മറയ്ക്കുന്നതും പോലുള്ള പ്രതികരണങ്ങൾ ശേഖരിച്ച് ഞങ്ങൾ നടപടിയെടുക്കുന്നു. ഉപയോക്തൃ സർവേകളും ഞങ്ങളുടെ പരസ്യ മാനേജർ വഴി പരസ്യദാതാക്കൾ നൽകുന്ന നേരിട്ടുള്ള പ്രതികരണങ്ങളും ഉപയോഗിക്കുന്നു. വികസനത്തിനിടയിലും പ്രതികരണങ്ങൾ സ്വീകരിക്കാൻ ഞങ്ങളുടെ സംഘം ലഭ്യമാണ്. ChatGPT ഉപയോക്താക്കൾക്കും പരസ്യദാതാക്കൾക്കും വേണ്ടതെന്തെന്ന് നേരിട്ട് കേൾക്കുകയും ചെയ്യുന്നു. മോഡലിന്റെ നിരീക്ഷണാധിഷ്ഠിത പ്രതികരണങ്ങളെക്കാൾ ഞങ്ങളുടെ ദിശ നിർണ്ണയിക്കുന്നത് ഈ പ്രതികരണങ്ങളാണ്. ഉൽപ്പന്നത്തെക്കുറിച്ചുള്ള ശരിയായ തീരുമാനങ്ങളിലേക്ക് വേഗത്തിൽ പരിഷ്കരണങ്ങളിലൂടെ എത്താൻ സഹായിച്ചതും ഇവയാണ്. ഉപയോക്താവിന്റെ ഉദ്ദേശ്യം മനസ്സിലാക്കി വിമർശനാത്മകമായി ചിന്തിച്ച് പ്രയോജനകരമായത് നൽകാൻ മോഡലിന് കഴിഞ്ഞേക്കാം. എന്നാൽ എന്താണ് ഇഷ്ടപ്പെടുന്നതെന്ന് തീരുമാനിക്കുന്നത് മനുഷ്യരാണ്.

ഒരു വർഷം മുമ്പ് ഞങ്ങൾക്ക് പരസ്യസംവിധാനം ഉണ്ടായിരുന്നില്ല. ഈ പ്രശ്നമേഖലയെക്കുറിച്ച് ചിന്തിച്ചിരുന്നതും ഏതാനും പേർ മാത്രമായിരുന്നു. ഇന്ന് വാർഷികാടിസ്ഥാനത്തിൽ കണക്കാക്കിയാൽ 100 കോടി ഡോളറിലേറെ വരുമാനം നേടിത്തരുന്ന കരുത്തുറ്റ പരസ്യസംവിധാനം ഞങ്ങൾക്കുണ്ട്. LLM അധിഷ്ഠിത ഓർക്കസ്ട്രേറ്ററാണ് പരസ്യപ്രക്രിയ നടത്തുന്നത്. ഞങ്ങളുടെ പ്രവർത്തനശേഷി പലമടങ്ങ് വർധിപ്പിച്ച Codex ആണ് സംവിധാനം ആദ്യം മുതൽ കെട്ടിപ്പടുത്ത്, സമാനതകളില്ലാത്ത വേഗത്തിൽ ഉപയോഗത്തിലെ ഈ പ്രധാന നാഴികക്കല്ലിൽ എത്താൻ നിദാനമായത്. Codex ഉപയോഗിച്ച് സംവിധാനം വേഗത്തിൽ നിർമ്മിക്കാനും വിപുലീകരിക്കാനും കഴിയുന്ന രീതിയിലാണ് തുടക്കംമുതൽ ഞങ്ങൾ സംഘത്തെയും വികസനപ്രവാഹങ്ങളെയും ക്രമീകരിച്ചത്. Codex-ന് വിശ്വസനീയമായും സുരക്ഷിതമായും കോഡ് വിന്യസിക്കാൻ ഞങ്ങൾ സുരക്ഷാനിയന്ത്രണങ്ങൾ ഒരുക്കി. ഒപ്പം, ഉൾക്കാഴ്ചകൾ ശേഖരിക്കുന്നതിൽനിന്ന് സംവിധാനത്തിൽ മെച്ചപ്പെടുത്തലുകൾ നടപ്പാക്കുന്നതിലേക്കുള്ള സമയം ഗണ്യമായി കുറയ്ക്കാൻ Codex-നായി ഡാറ്റാ അടിസ്ഥാനസൗകര്യ പ്ലഗിനുകളും ഒരുക്കി. പുതിയ ഉൽപ്പന്നസവിശേഷതകൾ, ഗുണനിലവാരം, സംവിധാനത്തിന്റെ പ്രകടനം എന്നിവയിലെ മെച്ചപ്പെടുത്തലുകൾ ഇതിൽ ഉൾപ്പെടുന്നു.

ഞങ്ങളുടെ പരസ്യ തത്ത്വങ്ങളിൽ⁠ അധിഷ്ഠിതമായ സംവിധാനപരിധികളും LLM അധിഷ്ഠിത ഓർക്കസ്ട്രേറ്ററും ചേർന്ന്, ഓരോ സംഭാഷണത്തെയും പരസ്യ അഭ്യർത്ഥനയായി കാണാതെതന്നെ പരസ്യങ്ങൾ ഉപകാരപ്രദമാക്കാൻ സഹായിക്കുന്നു. ഉപയോക്താക്കൾക്കും പരസ്യദാതാക്കൾക്കും കൂടുതൽ പ്രയോജനം നൽകാൻ, കൂടുതൽ സംവേദനാത്മകമായ പരസ്യരൂപങ്ങൾ ഞങ്ങൾ തുടർന്നും പരീക്ഷിക്കും. ഉദാഹരണത്തിന്, പരസ്യങ്ങളിലൂടെ സ്ഥാപനങ്ങളുമായി നേരിട്ട് സംസാരിക്കാൻ ഉപയോക്താക്കളെ അനുവദിക്കുന്നത്. തുടർച്ചയായ പ്രതികരണചക്രങ്ങളോടെ OpenAI മോഡലുകളിൽ നിർമ്മിച്ച, സ്വയം മെച്ചപ്പെടുന്ന ഈ ഘടന കാലക്രമേണ പ്രസക്തിയും വ്യക്തിഗതമാക്കലും മെച്ചപ്പെടുത്താനുള്ള ഞങ്ങളുടെ ശേഷി വർധിപ്പിക്കും.