OpenAI വഴി വെയ്ഫെയർ കാറ്റലോഗ് കൃത്യതയും പിന്തുണ വേഗതയും ഉയർത്തി

ലോകത്തിലെ ഏറ്റവും വലിയ ഹോം ഗുഡ്സ് റീട്ടെയിലർമാരിൽ ഒരാളായ വെയ്ഫെയർ, വിതരണക്കാരുടെ പിന്തുണ പ്രവർത്തനങ്ങളും ഉൽപ്പന്ന കാറ്റലോഗ് നിലവാരവും മെച്ചപ്പെടുത്തുന്നതിനായി നിർണായകമായ ആഭ്യന്തര സിസ്റ്റങ്ങളിലേക്ക് OpenAI മോഡൽ സംയോജിപ്പിച്ചിട്ടുണ്ട്. 2024-ൽ മൂല്യം പരിശോധിക്കുന്നതിനായി ചെറിയ തോതിൽ തുടങ്ങിയ ഈ സംരംഭം, ദശലക്ഷക്കണക്കിന് ഉൽപ്പന്നങ്ങളിലുടനീളം മനുഷ്യപ്രയത്നം കുറയ്ക്കുകയും, തീരുമാനമെടുക്കൽ വേഗത്തിലാക്കുകയും, ഡാറ്റയുടെ നിലവാരം മെച്ചപ്പെടുത്തുകയും ചെയ്യുന്ന പൂർണ്ണ ഉൽപ്പാദന സംവിധാനമായി പരിണമിച്ചിരിക്കുന്നു.

ജനറേറ്റീവ് AI-നെ ഒരു പരീക്ഷണമോ താല്‍ക്കാലിക പരിഹാരമായോ കാണുന്നതിന് പകരം, വെയ്ഫെയർ തങ്ങളുടെ പ്രധാന പ്രവർത്തനരീതികളിൽ OpenAI മോഡലുകളെ നേരിട്ട് ഉൾപ്പെടുത്തി. കമ്പനി ആദ്യം ശ്രദ്ധ കേന്ദ്രീകരിച്ചത് ഏറ്റവും സങ്കീർണ്ണതയുള്ളതും വിപുലമായ മാറ്റങ്ങൾ ആവശ്യമുള്ളതുമായ മേഖലകളിലായിരുന്നു: സപ്ലയർമാരുടെ പരാതികൾ തരംതിരിക്കുക, പരിഹരിക്കുക, കൂടാതെ ഏകദേശം ഏകദേശം 3 കോടിയോളം വരുന്ന ഇനങ്ങളുള്ള ഒരു കാറ്റലോഗിലുടനീളം പതിനായിരക്കണക്കിന് ഉൽപ്പന്ന ആട്രിബ്യൂട്ടുകൾ സ്ഥിരതയോടെ മെച്ചപ്പെടുത്തുക.

Wayfair-ൻ്റെ കാറ്റലോഗ് ടീം ഏകദേശം ആയിരത്തോളം വ്യത്യസ്ത ഉൽപ്പന്ന ക്ലാസുകളിലുടനീളം കോടിക്കണക്കിന് ഉൽപ്പന്നങ്ങൾ കൈകാര്യം ചെയ്യുന്നു. തിരയൽ, ശുപാർശകൾ, വിപണനം എന്നിവയ്ക്കായി നിറം, മെറ്റീരിയൽ, വലുപ്പം, നിർദ്ദിഷ്ട സവിശേഷതകൾ എന്നിവ പോലുള്ള സ്ഥിരതയുള്ളതും കൃത്യവുമായ ഉൽപ്പന്ന ആട്രിബ്യൂട്ട് ടാഗുകൾ ആവശ്യമാണ്.    

"ഞങ്ങളുടെ ഡാറ്റയുടെ നിലവാരം മെച്ചപ്പെട്ടതോടെ, ഉപഭോക്താക്കളുമായുള്ള വിശ്വാസം വർദ്ധിപ്പിക്കാൻ നമുക്ക് സാധിക്കും.. ഉപഭോക്താക്കൾക്ക് ശരിയായ വാങ്ങൽ തീരുമാനങ്ങൾ എടുക്കാൻ ഇത് അവരെ ശക്തരാക്കുന്നതിനാൽ, തെറ്റായ വിവരങ്ങൾ നൽകുന്നത് വഴി ഉൽപ്പന്നങ്ങൾ തിരിച്ചയക്കുന്നതുപോലെയുള്ള ഭാരിച്ച ചിലവുകൾ നേരിട്ട് കുറയ്ക്കാൻ ഇത് സഹായിക്കുന്നു," എന്ന് വെയ്ഫെയറിലെ കാറ്റലോഗ് മെർച്ചൻഡൈസിംഗിന്റെ അസോസിയേറ്റ് ഡയറക്ടർ ജെസിക്ക ഡി'ആർസി പറഞ്ഞു. 

OpenAI ഉപയോഗിക്കുന്നതിന് മുമ്പ്, ഉൽപ്പന്ന വിവരങ്ങളിലെ പിഴവുകൾ വിതരണക്കാരും ഉപഭോക്താക്കളും ചൂണ്ടിക്കാണിച്ചാൽ മാത്രമേ വെയ്ഫെയറിന് അത് തിരുത്താൻ കഴിയുമായിരുന്നുള്ളൂ. മനുഷ്യപ്രയത്നം കൊണ്ട് മാത്രം ഇത് സാധ്യമല്ലാതായി.  വ്യക്തിഗത ടാഗുകൾക്കായുള്ള പ്രാരംഭ ഇഷ്ടാനുസൃത AI മോഡൽ ഫലപ്രദമായിരുന്നുവെങ്കിലും, അവ നിർമ്മിക്കാനും പരിപാലിക്കാനും വലിയ ചെലവ് വരുമായിരുന്നു. “വ്യക്തിഗത ടാഗുകൾക്കായി ഞങ്ങൾ പ്രത്യേകമായി രൂപകൽപ്പന ചെയ്ത മോഡൽ നിർമ്മിച്ച് ആരംഭിച്ചു, സാങ്കേതികമായി അത് ഫലപ്രദമായിരുന്നു," വെയ്ഫെയറിലെ സ്റ്റാഫ് മെഷീൻ ലേണിംഗ് സയന്റിസ്റ്റ് കരോലിൻ ഫിലിപ്സ് പറഞ്ഞു. “എന്നാൽ നിങ്ങൾ 47,000 ടാഗുകൾ പരിശോധിക്കേണ്ടി വരുമ്പോൾ, ആ സമീപനം വിജയിക്കില്ല.”

ഒറ്റത്തവണ ഉപയോഗിക്കുന്ന മോഡലുകൾക്ക് പകരം, ഒറ്റ OpenAI മോഡലിൽ പ്രവർത്തിക്കുന്ന പൊതുവായൊരു സംവിധാനം Wayfair വികസിപ്പിച്ചു. വെബ്ബിലും ആന്തരികമായും ഉള്ള നിർവചനങ്ങളെ ഉൾക്കൊണ്ട് ഒരു “നിർവചന ഏജന്റ്” ഓരോ ടാഗിനുമായി സന്ദർഭം അനുസരിച്ചുള്ള അർത്ഥം സൃഷ്ടിക്കുന്നു. “മോഡലിൻ്റെ പ്രകടനം ആയിരുന്നില്ലയഥാർത്ഥ തടസ്സം,” ഫിലിപ്സ് പറഞ്ഞു. “ഓരോ ടാഗും യഥാർത്ഥത്തിൽ എന്താണ് അർത്ഥമാക്കുന്നത് എന്ന് നിർവചിക്കാനും എൻകോഡ് ചെയ്യാനും മനുഷ്യർ എടുക്കുന്ന സമയം ആയിരുന്നു പ്രശ്നം.” സന്ദർഭം അനുസരിച്ചുള്ള ഈ വിവരങ്ങൾ, Wayfair-ൻ്റെ ഡാറ്റ ഇക്കോസിസ്റ്റത്തിൽ അങ്ങോളമിങ്ങോളം നിന്ന് സമാഹരിച്ച ഉൽപ്പന്ന ഡാറ്റയോടൊപ്പം, ഉൽപ്പന്ന ക്ലാസുകളിലുടനീളം ആട്രിബ്യൂട്ടുകൾ വർഗ്ഗീകരിക്കാൻ കഴിയുന്ന ഒരു ഫ്രെയിംവർക്കിലേക്ക് നൽകുന്നു. ടീം ഇപ്പോൾ പുതിയ ആട്രിബ്യൂട്ടുകളിലേക്ക് മോഡൽ കവറേജ് വിപുലീകരിക്കുന്നത്, വെറും ഒരു വർഷം മുമ്പുണ്ടായിരുന്ന നിരക്കിൻ്റെ 70 മടങ്ങ് വേഗത്തിലാണ്.

ഈ സിസ്റ്റം ഇപ്പോൾ ഉൽപ്പാദനത്തിൽ, 10,00,000-ലധികം ഉൽപ്പന്നങ്ങളിൽ പ്രവർത്തിക്കുന്നു. കൂടുതൽ വിവരങ്ങൾ ഉൾപ്പെടുത്തി പുറത്തിറക്കിയ ആദ്യഘട്ട ഉൽപ്പന്നങ്ങൾ ഇപ്പോൾ മതിയായ സമയം വിപണിയിൽ ലഭ്യമാണ്. അതിനാൽ തന്നെ, ഡാറ്റാ നിലവാരം മെച്ചപ്പെട്ടത് ഉപഭോക്താക്കൾക്ക് എത്രത്തോളം ഉപകാരപ്പെട്ടു എന്ന് ഇപ്പോൾ കൃത്യമായി വിലയിരുത്താൻ സാധിക്കും.  “ഉൽപ്പന്നങ്ങളുടെ വിവരങ്ങൾ പൂർണ്ണമായി നൽകിയാൽ, പിന്നെയത് സാങ്കല്പികമല്ല. SEO-യിലും PLA പ്രകടനത്തിലും ഉപഭോക്താക്കൾ ഉൽപ്പന്നങ്ങൾ എങ്ങനെ കണ്ടെത്തുന്നു എന്നതിലും ഇതിൻ്റെ പ്രതിഫലം നിങ്ങൾക്ക് കാണാം,” ഫിലിപ്സ് പറഞ്ഞു. ഒരു നിയന്ത്രിത A/B ടെസ്റ്റ് നടത്തിയപ്പോൾ അത് ട്രീറ്റ്‍മെൻ്റ്, ഗ്രൂപ്പിലെ ഇംപ്രഷനുകൾ, ക്ലിക്കുകൾ, പേജ് റാങ്ക് എന്നിവയിൽ ഗണ്യവും ശ്രദ്ധേയവുമായ വർധന കാണിച്ചു.

എന്നിരുന്നാലും, ഉൽപ്പന്ന ഡാറ്റ തിരുത്തുന്നതുമായി ബന്ധപ്പെട്ട തീരുമാനങ്ങൾ മോഡലിന് Wayfair വെറുതെയങ്ങ് കൈമാറിയില്ല. “ഉപഭോക്താക്കൾക്ക് അവർ വാങ്ങുന്ന വസ്തുവിൻ്റെ കാര്യത്തിൽ പൂർണ്ണ ആത്മവിശ്വാസം തോന്നുംവിധം വിശ്വാസം സ്ഥാപിക്കുകയാണ് ഞങ്ങളുടെ ലക്ഷ്യം,” ഫിലിപ്സ് പറഞ്ഞു. കമ്പനി ഘടനാപരമായ ടെസ്റ്റിംഗ് വികസിപ്പിച്ചു, അത് പ്രകാരം അസോസിയേറ്റുകൾ, സാമ്പിളുകൾ ഭൗതികമായി പരിശോധിച്ച് മോഡൽ ഔട്ട്പുട്ട് സാധൂകരിക്കുന്ന ഒരു പ്രായോഗിക ഓഡിറ്റ് പ്രക്രിയ ഉപയോഗിച്ചു. കൂടാതെ, മാറ്റങ്ങൾ സാധൂകരിക്കാൻ വിതരണക്കാരുമായി ചേർന്ന് പ്രവർത്തിച്ചു. ഡാറ്റയെ അടിസ്ഥാനമാക്കിയുള്ള ആത്മവിശ്വാസം ഉയർന്നിരിക്കുമ്പോൾ, സ്വയം പ്രവർത്തിക്കുന്ന സിസ്റ്റങ്ങൾ ഉള്ളടക്കം നേരിട്ട് മാറ്റുകയും വിതരണക്കാരനെ മാറ്റത്തെക്കുറിച്ച് അറിയിക്കുകയും ചെയ്യും. കൂടാതെ, ഉയർന്ന നിലവാരം പാലിക്കപ്പെടാതിരിക്കുകയോ ടാഗ് ഉയർന്ന അപകടസാധ്യതയുള്ളതായി കണക്കാക്കപ്പെടുകയോ ചെയ്താൽ, മാറ്റം വരുത്തുന്നതിന് മുമ്പ് Wayfair ആദ്യം വിതരണക്കാരൻ്റെ സ്ഥിരീകരണം തേടും.

വെയ്ഫെയർ അവരുടെ സമഗ്രമായ കാറ്റലോഗിനെ പിന്തുണയ്ക്കാൻ പതിനായിരക്കണക്കിന് വിതരണക്കാരുമായി പ്രവർത്തിക്കുന്നു. വിതരണക്കാരുടെ പിന്തുണ അഭ്യർത്ഥനകൾ കൈകാര്യം ചെയ്യുന്നതിനായി, വെയ്ഫെയർ അസോസിയേറ്റുകൾ മുൻകാലങ്ങളിൽ ഓരോ ഇൻകമിംഗ് ടിക്കറ്റും പരിശോധിക്കേണ്ടി വന്നിരുന്നു, വിതരണക്കാർ എന്താണ് ആവശ്യപ്പെടുന്നത് എന്ന് സ്വയം കണ്ടെത്തി അത് ബന്ധപ്പെട്ട വിഭാഗത്തിലേക്ക് അയക്കുകയായിരുന്നു രീതി—ഇത് ഒത്തിരി സമയമെടുക്കുന്നതും പിഴവുകൾ വരാൻ സാധ്യതയുള്ളതുമായ ഒരു പ്രക്രിയയായിരുന്നു. “വിതരണക്കാരുടെ അഭ്യർത്ഥനകൾ ലളിതമല്ല,” എന്ന് വെയ്ഫെയറിലെ വിതരണക്കാരുടെ പിന്തുണയും ഓപ്പറേഷനുകളും കൈകാര്യം ചെയ്യുന്ന ഗ്രഹാം ഗാൻസിൽ പറഞ്ഞു. “നൂറുകണക്കിന് തരത്തിലുള്ള പ്രശ്നങ്ങൾ അതിലുണ്ട്, അവയെല്ലാം യാഥാർത്ഥ്യപരമായി ഒരൊറ്റ അസോസിയേറ്റിന് പൂർണ്ണമായി കൈവശമാക്കാൻ കഴിയില്ല.”

വെയ്ഫെയർ ഈ വർക്ക്ഫ്ലോകൾ AI ഉപയോഗിച്ച് മെച്ചപ്പെടുത്താൻ വിൽമ എന്ന ഉൽപ്പന്നത്തിൽ ഏജന്റിക് സവിശേഷതകൾ ചേർത്തു. പ്രൊഡക്ഷനിലെ ആദ്യ ഫീച്ചറുകളിൽ ഒന്നാണ് OpenAI മോഡൽ ഉപയോഗിച്ച് പ്രവർത്തിക്കുന്ന ടിക്കറ്റ് ട്രയാഷ്. സിസ്റ്റം ഇൻകമിംഗ് അഭ്യർത്ഥനകൾ വായിക്കുകയും, നഷ്ടപ്പെട്ട സന്ദർഭം പൂരിപ്പിക്കുകയും, ടിക്കറ്റുകൾ അനുയോജ്യമായ ടീമിലേക്ക് റൂട്ടുചെയ്യുകയും ചെയ്യുന്നു. വിൽമ വേഗത്തിൽ വിന്യസിക്കാനായി രൂപകൽപ്പന ചെയ്തതാണ്; OpenAI API-കളുമായി ഇതിനകം സംയോജിപ്പിച്ചിരിക്കുന്ന ഒരു സിസ്റ്റത്തിൽ നിർമ്മിച്ചതിനാൽ, ഇത് പ്രോട്ടോടൈപ്പിൽ നിന്ന് ലൈവിലേക്ക് ഏകദേശം ഒരു മാസത്തിനുള്ളിൽ മാറി. “വിൽമ, അസോസിയേറ്റുകൾക്ക് മുൻതൂക്കം നൽകുന്നു,” എന്ന് ഗാൻസ്‌ലെ പറഞ്ഞു. “ഇത് ടിക്കറ്റ് വായിക്കുകയും ഉദ്ദേശ്യം തിരിച്ചറിയുകയും ഞങ്ങളുടെ ഡാറ്റാബേസുകളിൽ നിന്ന് സന്ദർഭം പൂരിപ്പിക്കുകയും ആവശ്യമായാൽ വിതരണക്കാരുമായി വീണ്ടും ബന്ധപ്പെടുകയും പ്രശ്നത്തെ ശരിയായ ദിശയിലേക്ക് നയിക്കുകയും ചെയ്യുന്നു.”

റൂട്ടിംഗിന് പുറമെ, പ്രത്യേക പരിഹാര ടീമുകൾക്കായി വെയ്ഫെയർ ഒരു ഡസൻ ഏജന്റിക് AI ഫ്ലോകൾ വിന്യസിച്ചിട്ടുണ്ട്. ഉദാഹരണത്തിന്, റീപ്ലേസ്‌മെന്റ് പാർട്ട് ഓപ്പറേഷൻസ് ടീമിനായുള്ള ഒരു കോ-പൈലറ്റ് സങ്കീർണ്ണമായ കേസ് ചരിത്രം വായിക്കുകയും, അടുത്ത ഘട്ടങ്ങൾ നിർദ്ദേശിക്കുകയും, മനുഷ്യ അസോസിയേറ്റുകൾ അവലോകനം ചെയ്യുന്ന ഡ്രാഫ്റ്റ് പ്രതികരണങ്ങൾ നിർദേശിക്കുകയും ചെയ്യുന്നു. ഈ അസിസ്റ്റന്റുകളെ ചരിത്രപരമായ ഡാറ്റയിൽ പരിശീലിപ്പിച്ചിരിക്കുന്നതിനാൽ, അവർ സന്ദർഭത്തിൽ വിജയം എങ്ങനെയിരിക്കുമെന്ന് പഠിക്കുന്നു. മുഴുവൻ വിവരങ്ങളും കോർത്തിണക്കി കാര്യങ്ങൾ മനസ്സിലാക്കുക എന്നത് ഒരു വ്യക്തിക്ക് പ്രയാസകരമാണ്, എന്നാൽ ഈ മോഡലുകൾക്ക് അത് വളരെ എളുപ്പത്തിൽ സാധിക്കും, എന്ന് ഗാൻസ്ലെ പറഞ്ഞു. “ആ വിശാലമായ കാഴ്ചപ്പാട് ഉപഭോക്തൃ സംതൃപ്തിയും വിതരണക്കാരുടെ സംതൃപ്തിയും ഉയരാൻ സഹായിക്കുന്നു.”

AI-യുടെ ശുപാർശകൾ മനുഷ്യ ഏജന്റിന്റെ അന്തിമ തീരുമാനവുമായി എത്രത്തോളം പൊരുത്തപ്പെടുന്നു എന്ന് വെയ്ഫെയർ ട്രാക്ക് ചെയ്യുന്നു—ഇതിനെ ”അലൈൻമെന്റ് റേറ്റ്” എന്നാണ് വിളിക്കുന്നത്. "ഓരോ ടീമിലും ഈ പൊരുത്തം സ്ഥിരമായി മുൻകൂട്ടി നിശ്ചയിച്ച ഒരു പരിധിയിലെത്തുമ്പോൾ, പ്രവർത്തനരീതികൾ സഹായകരമായ (“കോ-പൈലറ്റ്”) മോഡിൽ നിന്ന് ഭാഗികമായി സ്വയം പ്രവർത്തിക്കുന്ന (“ഓട്ടോപൈലറ്റ്”) മോഡുകളിലേക്ക് മാറ്റാൻ കഴിയും. ഈ ഘട്ടംഘട്ടമായ സമീപനം വിശ്വാസം വളർത്തുകയും റോളൗട്ടിനിടെ നിലവാര നിയന്ത്രണങ്ങൾ ഉറപ്പാക്കുകയും ചെയ്യുന്നു.

ആന്തരിക സിസ്റ്റങ്ങളിലേക്ക് OpenAI മോഡൽ സംയോജിപ്പിച്ചതിനുശേഷം വെയ്ഫെയർ അളക്കാവുന്ന മെച്ചപ്പെടുത്തലുകൾ റിപ്പോർട്ട് ചെയ്യുന്നു.

കാറ്റലോഗ് ഭാഗത്ത്, വെയ്ഫെയർ കാറ്റലോഗിലെ ഏറ്റവും കൂടുതൽ ദൃശ്യമായതും വാങ്ങപ്പെടുന്നതുമായ ഒരു ദശലക്ഷത്തിലധികം ഉൽപ്പന്നങ്ങളിലുടനീളം 2.5M ഉൽപ്പന്ന ടാഗുകൾ തിരുത്തിയതോടെ—ഒരു ഉപഭോക്താവ് കാണാൻ സാധ്യതയുള്ള തെറ്റായതോ നഷ്ടപ്പെട്ടതോ ആയ ഉൽപ്പന്ന ആട്രിബ്യൂട്ട് ടാഗുകളുടെ എണ്ണം കമ്പനി കുറച്ചു. അവർ അടുത്ത ആറ് മാസത്തിനുള്ളിൽ ഈ സ്വാധീനം നാലിരട്ടിയാക്കാൻ പ്രതീക്ഷിക്കുന്നു.

വിതരണക്കാർക്കുള്ള പിന്തുണയിൽ, ട്രയാഷ്, കോ-പൈലറ്റ്, ഓട്ടോ-പൈലറ്റ് എന്നീ സിസ്റ്റങ്ങൾ പ്രതിമാസം 41,000 ടിക്കറ്റുകൾ ഓട്ടോമേറ്റ് ചെയ്ത് (ചില വർക്ക്ഫ്ലോകളിൽ അത് 70% വരെ) ത്രൂപുട്ട് വർധിപ്പിക്കുകയും ജീവനക്കാരുടെ ജോലിഭാരത്തിൽ നിന്ന് പതിവ് മാനുവൽ ജോലികൾ ഒഴിവാക്കിയതിലൂടെ പ്രവർത്തനം പൂർത്തിയാക്കാനുള്ള സമയം കുറയ്ക്കുകയും ചെയ്തു. ഇത് വിവിധ വർക്ക്ഫ്ലോകൾ പരിഹരിക്കുന്നതിനുള്ള സമയം നല്ലരീതിയിൽ കുറയ്ക്കുകയും വിതരണക്കാരുടെ സംതൃപ്തി ഗണ്യമായി ഉയർത്തുകയും ഒരേ വർക്ക്ഫ്ലോകളിൽ വീണ്ടും ടിക്കറ്റ് തുറക്കുന്നത് കുറയ്ക്കുകയും ചെയ്യുന്നു.

ഒരു അസോസിയേറ്റിന് സ്ക്രീനിൽ കാണാനാകുന്നതിനെക്കാൾ അപ്പുറം—ടിക്കറ്റുകളിലേക്കും വിതരണക്കാരുടെ ഉദ്ദേശ്യത്തിലേക്കും—മോഡൽ നൽകുന്ന വിശാലമായ ദൃശ്യപരത ആ സംതൃപ്തി വർധനവിന് സംഭാവന ചെയ്തിട്ടുണ്ട്.

പ്രവർത്തനപരമായി, ടീമുകൾ റിപ്പോർട്ട് ചെയ്യുന്നത്:

• സങ്കീർണ്ണമായ വിതരണക്കാരുടെ ടിക്കറ്റുകളുടെ വേഗത്തിലുള്ള റൂട്ടിംഗും പരിഹാരവും
• വിതരണക്കാരുടെ സംതൃപ്തി വർദ്ധിപ്പിക്കൽ
• മാനുവൽ ഡാറ്റ എൻട്രിയും ക്ലാസിഫിക്കേഷൻ ജോലിയും കുറച്ചു
• നൂറുകണക്കിന് വിഷയങ്ങളിലുടനീളം വൈദഗ്ധ്യം ആവശ്യപ്പെടാതെ കൂടുതൽ വ്യാപകമായ പ്രശ്ന കവറേജ്
• പ്രസിദ്ധീകരണത്തിന് മുമ്പ് കാറ്റലോഗ് ആട്രിബ്യൂട്ടുകളിൽ കൂടുതൽ ആത്മവിശ്വാസം.

പരസ്യ ടാസ്കുകൾ, കമ്പനിക്കുള്ളിലെ പ്രശ്നപരിഹാരങ്ങൾ, ജനറേറ്റീവ് മോഡലുകളുമായി പരീക്ഷണങ്ങൾ എന്നിവയ്ക്ക് പിന്തുണ നൽകുന്നതിനായി, വെയ്ഫെയർ തങ്ങളുടെ ഏകദേശം 12,000 പേരടങ്ങുന്ന ജീവനക്കാർക്കായി 1,200-ലധികം ChatGPT Enterprise സീറ്റുകളും വിന്യസിച്ചിട്ടുണ്ട്.

മെഷീൻ ലേണിംഗിൽ നിക്ഷേപിക്കുകയും അവരുടെ ബിസിനസ് മുന്നോട്ട് കൊണ്ടുപോകുന്നതിനായി AI പ്ലാറ്റ്‌ഫോമുകളുമായും LLM പ്രൊവൈഡർമാരുമായും സഹകരിക്കുകയും ചെയ്ത ദീർഘമായ ചരിത്രം Wayfair-ന് ഉണ്ട്. ഇപ്പോൾ, അത്യാധുനിക മോഡലുകളിലെ, പ്രത്യേകിച്ചും മൾട്ടിമോഡൽ സിസ്റ്റങ്ങളിലെ പുരോഗതികൾ, അതിൻ്റെ ടീമുകൾക്ക് നിർമ്മിക്കാൻ കഴിയുന്ന കാര്യങ്ങൾ വിപുലീകരിക്കുന്നു. ഹോം റീട്ടെയിലിൽ ഇതിന് പ്രാധാന്യമുണ്ട്, അവിടെ ഉൽപ്പന്നങ്ങൾ ദൃശ്യപരവും ശൈലിപരവും പലപ്പോഴും വ്യക്തിപരമായ വിലയിരുത്തലിന് വിധേയവുമാണ്.

“ഇപ്പോൾ ഞങ്ങൾക്ക് കൈകാര്യം ചെയ്യാൻ കഴിയുന്ന പ്രശ്നങ്ങളുടെ വ്യാപ്തി കാണുമ്പോൾ ഞങ്ങൾ ആവേശഭരിതരാണ്,” കാരൊലിൻ ഫിലിപ്സ് പറഞ്ഞു. “പരമ്പരാഗത അൽഗോരിതങ്ങൾക്ക് കർശനമായി നിർവചിച്ച ഡാറ്റാസെറ്റുകൾ ആവശ്യമായിരുന്നു. ഈ മോഡലുകളാകട്ടെ, അവ്യക്തതയും സന്ദർഭം അനുസരിച്ചുള്ള വിവരങ്ങളും മുമ്പ് സാധ്യമല്ലാതിരുന്ന രീതിയിൽ കൈകാര്യം ചെയ്യാൻ ഞങ്ങളെ അനുവദിക്കുന്നു. 

മുന്നോട്ട് നോക്കുമ്പോൾ, ChatGPT Enterprise-നുള്ള ജീവനക്കാരുടെ ആവശ്യകത ശക്തമായിരുന്നു. വെയ്ഫെയർ ടീമുകൾ ഇത് അവരെ വേഗത്തിൽ നീങ്ങാൻ സഹായിക്കുന്ന ഒരു പ്രായോഗിക ഉപകരണമായി കാണുന്നു.

ഉപഭോക്തൃ പ്രതീക്ഷകളും വേഗത്തിൽ മാറിക്കൊണ്ടിരിക്കുന്നു. കൂടുതൽ ആളുകൾ അവരുടെ ദൈനംദിന ജീവിതത്തിൽ AI ഉപയോഗിക്കാൻ ശീലിച്ചുവരികയാണ്, കൂടാതെ അവർ ഓൺലൈനിൽ ബ്രൗസ് ചെയ്യുമ്പോഴും താരതമ്യം ചെയ്യുമ്പോഴും വാങ്ങുമ്പോഴും അത്തരത്തിലുള്ള മികച്ച സംവിധാനങ്ങൾ പ്രതീക്ഷിച്ചു തുടങ്ങിയിരിക്കുന്നു.

“വീട്ടിൽ, ഉപഭോക്താക്കൾ പലപ്പോഴും അവർ അന്വേഷിക്കുന്നതിനുള്ള കൃത്യമായ വാക്കുകൾ കണ്ടെത്താറില്ല,” എന്ന് ഫിയോണ ടാൻ പറഞ്ഞു. “സ്വാഭാവിക ഭാഷയും മൾട്ടിമോഡൽ സിസ്റ്റങ്ങളും ആ വിടവ് നികത്താൻ സഹായിക്കുന്നു.”

വെയ്ഫെയർ നേതാക്കൾക്കായി, ആഭ്യന്തര ശേഷി വർദ്ധിപ്പിക്കുന്നതിനൊപ്പം മനുഷ്യ വിദഗ്ധതയെ മെച്ചപ്പെടുത്തുക എന്ന ലക്ഷ്യം തുടരുന്നു. “AI ഷോപ്പിംഗ് യാത്രയുടെ ഭാഗമായിരിക്കുന്ന ഒരു ലോകത്തിനായി ഞങ്ങൾ നിർമ്മിക്കുകയാണ്—അത് ഞങ്ങളുടെ സൈറ്റിലായാലും, പിന്തുണയിലൂടെയായാലും, അല്ലെങ്കിൽ സംഭാഷണ ഇന്റർഫേസുകളിലൂടെയായാലും,” ഫിയോണ ടാൻ പറഞ്ഞു.