Хэрэглэгчийн итгэл, хэрэгцээнд нийцсэн ChatGPT‑ийн шинэ зарын системийг хэрхэн бүтээсэн бэ
Техникийн багийн гишүүд Ритендра Датта, Картик Гопалратнам
Уламжлалт зар сурталчилгааны системүүд хэрэглэгчийн зорилгыг илтгэх тус тусын үйлдэлд хариу үзүүлэхээр бүтээгдсэн байдаг. Хэрэглэгч онлайнаар ямар нэг зүйл хайх эсвэл үзэхэд зарын систем тэдгээр хайлтын асуулга, хуудас үзэлтийг үйл явдал болгон хүлээн авч, түүнд үндэслэн тохирох зар хайдаг. ChatGPT‑д зориулсан зарын технологийн бүтэц бүтээх нь өөр байлаа. Хэрэглэгчийн зорилго харилцан ярианы явцад бүрэлдэж, олон ээлж дамнан өөрчлөгддөг бөгөөд заримдаа зар харуулахад тохирох мөч огт гардаггүй. Энэ шинэ арга барилыг дэмжихийн тулд бид тусгайлан зориулсан зар хүргэлтийн систем бүтээсэн. Энэхүү шинэ төрлийн зарын технологийн бүтэц нь технологийн хил хязгаар дахь, тусгайлан тохируулж үндсэн сургалтын дараах сургалт хийсэн Том хэлний загвар (LLM)-т суурилдаг. Энэ загвар хайж татах (хамгийн сайн сонголтуудыг олох), эрэмбэлэх (хэрэглэгчийн оролцоог таамаглах), хамаарал үнэлэх (зарын ашиг тусыг үнэлэх), мөн эцсийн зар сонгож үнэ тогтоох дуудлага худалдаа явуулах хэрэгслүүдийг дууддаг.
Манай зарын систем хэрэглэгчийн өөрчлөгдөж буй зорилгын нарийн ялгааг харгалзахын тулд бүтцийн гурван гол шийдэл ашигладаг: 1) төлөвөө хадгалдаг зарын сесс хэрэгжүүлж, ярианы ээлжүүд болон олон ярианы хооронд мэдээллийг санах; 2) ярианы нөхцөл, цаад зорилгыг ойлгож, заруудыг үр дүнтэй сонгон, эрэмбэлж, хүргэхдээ хэрэгсэл дуудах архитектур ашигладаг, тусгайлан тохируулж үндсэн сургалтын дараах сургалт хийсэн Том хэлний загвар (LLM)-т тулгуурлах; 3) зар хариултад нөлөөлөхөөс сэргийлж, ChatGPT‑ийн төвийг сахисан илэрхийллийг хадгалахын тулд зар сонгох үйл явцыг ChatGPT‑ийн хариулт үүсгэх ажиллагаанаас тусдаа үйлчилгээнд явуулах. Бид үндсэн сургалтын дараах сургалт хийсэн Том хэлний загвар (LLM)-аараа зарын бүх үйл явцыг зохицуулж, хэрэглэгчийн одоогийн ээлж болон ярианы түүхэд тулгуурлан зөв зарыг зөв цагт харуулахыг шийддэг. Өөрийгөө сайжруулдаг ийм зарын системийг эхнээс нь бүтээхэд өмнө нь олон жил шаардагддаг байсан бол ChatGPT зар сурталчилгаа нэвтэрснээс хойш 200 хүрэхгүй хоногийн дотор жилийн дүнд шилжүүлэн тооцсон орлогоор 1 тэрбум ам.долларт хүрсэн. Нэвтэрснээс хойш өнөөг хүртэл 100,000 гаруй сурталчлагч ChatGPT дээр зар явуулжээ.
Уламжлалт зарын хүсэлт ихэвчлэн тодорхой үйл явдлаас эхэлдэг. Хэрэглэгч хайлтын асуулга илгээх эсвэл веб хуудас нээхэд зарын систем хүсэлт хүлээн авна. Энэ төрлийн систем харьцангуй энгийн: боломжит заруудыг хайж татан, эрэмбэлж, байршуулалтын боломжид зохих үнэ тогтоох дуудлага худалдаа явуулаад, сонгогдсон зарыг хэрэглэгчид харуулдаг. ChatGPT‑д ийм тодорхой мөч аяндаа үүсдэггүй.
Хүмүүс ChatGPT‑тэй ярихдаа ганц хариулттай хайлтын асуулга бус, тодорхой зорилго өвөртлөн ирдэг. Тэд аялал төлөвлөх, бизнестээ программ сонгох, гэрээ тохижуулах эсвэл шинэ хобби сурах гэж байж болно. Энэ бүхэн ярианы нэг ээлжид багтдаггүй. ChatGPT ярианы явцад юу чухлыг тодруулахад хэрэглэгчид ихэвчлэн тусалдаг.
Жишээлбэл, манай инженерийн баг ChatGPT‑ээс гүйлтийн тэмцээнд хэрхэн бэлдэхийг асуусан. Яриа гүйлтийн тухай ерөнхий асуултаар эхэлсэн. Хэдэн ээлжийн дараа тэд бэлтгэлд тохирох гутлын талаар асуусан. Шинэ нөхцөл бүр нэмэгдэхэд ярианы худалдаатай холбоотой утга өөрчлөгдөнө. Хэрэглэгчийн энэ онцлог нөхцөл олон сесс дамнан хөгждөг. Зөвхөн эхний зурваст тулгуурлан ажилласан систем зорилгыг нь бүрэн буруу ойлгож, хэрэглэгчийн ашиглах туршлагыг муутган, ажилд нь саад болж болзошгүй.
Зарын системээ бүтээхийн тулд бид хүсэлт-хариултад суурилсан зар сурталчилгааны архитектураас цааш алхах шаардлагатай болсон. Хэрэглэгчийн итгэл, өгөөжийг нэн тэргүүнд тавихын зэрэгцээ эдийн засгийн боломжуудыг олохын тулд зарын технологийн бүтцийг эхнээс нь бүтээсэн.
Уламжлалт зарын систем шиг зурвас бүрийг бие даасан хүсэлт болговол манай чатын хэрэглээнд хэд хэдэн эрсдэл үүсэх байлаа: 1) хэрэглэгчийн зорилгыг хэт хялбарчилж буруу ойлгох; 2) жинхэнэ хэрэгцээ нь тодрохоос өмнө зарын үйл явцыг хэт эрт эхлүүлэх; 3) хэрэглэгчийн зорилгод хүрэх замыг дэмжих бус, саад болох зар харуулах; 4) хүсэлт өөрчлөгдөх бүрд зарын үйл явцыг үр ашиггүйгээр дахин ажиллуулж, илүүдэл мэдээлэл болон шаардлагагүй зардал үүсгэх. Тус тусын үйл явдалд тулгуурлахын оронд хайж татах, эрэмбэлэх, хүргэх ажиллагаанаас бүрдэх зарын систем нь төлөвөө хадгалдаг сесс ашигладаг. Өөрөөр хэлбэл, зар харуулах шаардлага хангасан ээлжийн турш зарын сесс ажиллаж, мэдээлэл өөрчлөгдөхийн хэрээр түүнийг санаж, шинэчилдэг. ChatGPT эхний хүсэлтийн нөхцөл байдлын мэдээллийг зарын сервер рүү илгээдэг. Зарын систем нэг хялбарчилсан асуулгад найдахын оронд өрнөж буй харилцан яриаг дагаж, түүнд дасан зохицдог.
Зарын үйл явц ChatGPT‑ийн хариултад нөлөөлөхгүй байхын тулд зар сонгох ажиллагаа ердийн хариулт үүсгэх ажиллагаатай зэрэгцэн явагддаг. Харилцан яриаг хүлээн авч, өөрийн шалгуур, чанар, хүргэлтийн хязгаарлалтын дагуу ажилладаг тусдаа системээр заруудыг шүүж, сонгодог. Тусдаа загвар, тусдаа код ашигладаг өөр өөр үйлчилгээ бүхий энэхүү чухал архитектурын зааг нь ChatGPT‑ийн үндсэн серверүүдэд зар сурталчилгаанаас ангид хариулт үүсгэх боломж олгодог. Харин зарын систем тохиромжтой зар харуулах боломж байгаа эсэхийг бие даан үнэлж, байгаа бол тусдаа хүргэлтийн үйл явцаар төлбөртэй байршуулалт бэлтгэдэг.
Зар сурталчилгаа ChatGPT‑ийн хариулт үүсгэх урсгалтай зэрэгцэн ажилладаг.
Ийнхүү тусгаарлах нь хэрэглэгчийн ашиглах туршлагыг хамгаалахаас гадна практик ач холбогдолтой. ChatGPT нь зарын системээс огт хамаардаггүй. Эдгээр үйлчилгээ хоорондоо ямар ч хамааралгүй бөгөөд контент үүсгэх нэг загварыг хамтран ашигладаггүй. Тиймээс зар хүргэх систем ажиллахгүй эсвэл удааширсан ч ChatGPT‑ийн зар сурталчилгаанаас ангид хариулт үүсгэх үйл явц хэвийн үргэлжилнэ. Өөрөөр хэлбэл, зарын систем ChatGPT‑ийн ажиллагааг зогсоох эсвэл удаашруулах боломжгүй. Ийнхүү тусгаарласны бас нэг давуу тал нь зарын өгөөжид тавих шаардлагыг маш өндөр түвшинд хадгалдагт оршино. Ямар ч зар буцаахгүй байх нь хэвийн бөгөөд амжилттай үр дүн юм. Хэрэглэгч болон сурталчлагчид илт ашиг тустай үед л систем зар хүргэнэ.
Манай зарын технологийн бүтцийн өөр нэг гол бүрэлдэхүүн бол үндсэн сургалтын дараах сургалт хийсэн Том хэлний загвар (LLM) юм. Энэ нь харилцан яриаг тайлбарлан ойлгож, зарын бүх үйл явцыг агентын давталтаар удирдана. Ингэхдээ хайж татахаас эхлээд эрэмбэлэх, дуудлага худалдаа явуулах, эцэст нь хүргэх хүртэлх зарын системийн үндсэн үйлдлүүдийг хэрэгслээр дамжуулан дууддаг. Бид энэ Том хэлний загвар (LLM)-ыг зохицуулагч гэж нэрлэдэг.
Зарын үйл явцын эхний алхам нь хэрэглэгчийн зорилгыг ойлгож, хайж татах ажиллагааг эхлүүлэх юм. Энэ үе шатанд дараа нь шүүх боломжит заруудыг зориуд өргөн хүрээнээс хурдан цуглуулдаг. Харилцан яриаг хэсэгчлэн хүлээн авах нь хайж татахад ашиглах мэдээллийг баяжуулах ч илүү хоёрдмол болгодог. Учир нь зарын систем одоогийн зорилгыг ач холбогдлоо алдсан өмнөх нөхцөлөөс ялгах шаардлагатай. Зохицуулагч өмнөх зурвас руу заасан утгыг ойлгож, хэрэглэгч таамаглан ярьж буйг таньж, бүтээгдэхүүн эсвэл үйлчилгээ дурдсан бүрийг худалдан авах хүсэлт гэж үзэхээс зайлсхийх ёстой.
Зарын зохицуулагч нь байгаа харилцан яриа болон хэрэглэгчийн нөхцөл байдлын мэдээлэлд тулгуурлан сайн зар хайж, аль хэрэгслийг хэзээ дуудахаа давтан сонгодог. Үндсэн зорилго нь тухайн яриа, нөхцөлд хамгийн тохирох буюу хэрэглэгч болон сурталчлагчид өгөх өндөр өгөөжийг тэнцвэржүүлсэн зарыг олох юм. Хэрэглэгч зарыг өөртөө тохируулахыг сонговол зохицуулагч хамгийн сайн тохирох заруудыг олохын тулд түүний өмнөх харилцан ярианы талаарх ашиглах боломжтой, эмзэг бус мэдээллийг мөн харгалзан үзнэ.
Зарын зохицуулагч өгөөжтэй зарууд олохын тулд зар хүргэх хэрэгслүүдийг давтан дууддаг.
Яриа үргэлжилж, зарын зохицуулагч шинэ мэдээлэл авахын хэрээр шинэчлэгдсэн нөхцөлд тулгуурлан хэрэгслүүдийг дахин дуудаж, илүү сайн зарууд олж клиентэд буцааж болно. Шинэ зарууд хугацаандаа ирвэл клиент тэдгээрийг ашиглах боломжтой.
Зохицуулагч нь хэрэглэгчийг үргэлж нэгдүгээрт тавьж, хэрэглэгч болон сурталчлагчид өгөх өгөөжийг тэнцвэржүүлэхээр бүтээгдсэн.
Зарын систем тус тусдаа хэрэгслээс бүрдэх бөгөөд зохицуулагч тухайн ярианд хамгийн сайн тохирох заруудыг олохын тулд тэдгээрийг давтан дууддаг. Ерөнхийдөө зохицуулагч харилцан яриаг товч текст болгон хураангуйлж, дараа нь утгын вектор дүрслэл болгон хувиргадаг. Энэ нь зарын систем шүүж хайхад хялбар хэлбэрээр хадгалсан утга юм. Уг дүрслэлээр боломжит заруудыг хайж татан, төсөв, хэрэглэгчийн тохиргоо болон бусад урьдчилсан шалгалтад үндэслэн шаардлага хангах эсэхээр нь шүүж, чанар, хамаарлыг нь үнэлнэ. Эцэст нь эрэмбэлж, чатын хариултын төгсгөлд байрлуулах өндөр өгөөжтэй боломжуудыг тодорхойлдог. Тиймээс зар бүр байрших эрхтэй болохын тулд шалгуур болон хамаарлын хувьд өндөр шаардлага хангах ёстой.
Зохицуулагч Том хэлний загвар (LLM) эхлээд худалдаатай холбоотой тухайн зорилгыг илэрхийлэх нэг буюу хэд хэдэн асуулга бэлтгэдэг. Үүнд худалдааны боломжуудыг үгчлэн тааруулах хайлтаас илүү өргөжүүлэхийн тулд ярианы нөхцөл байдлыг өөрөөр найруулж, дараа нь утгын дүрслэл үүсгэх ажил багтаж болно. Ингэхдээ зохицуулагч олон ээлжтэй яриаг хайж татах системд зориулан хураангуйлж, манай өгөгдлийн сангаас зорилтот заруудыг олдог.
Хэрэглэгчийн зорилгыг гүнзгий ойлгосон үед л зар байршуулбал хэрэглэгч, сурталчлагч хоёрт хоёуланд нь илүү тустай. Олон асуулга ашигласнаар зорилгын өөр өөр талыг хадгалж болно. Жишээлбэл, аялал төлөвлөх тухай ярианд унаа, байр, хийх зүйлстэй холбоотой тус тусын хэрэгцээ байж болно. Хайж татах систем бүх яриаг нэг үгчилсэн мөр болгон шахахын оронд эдгээр ялгааг хадгалж чадна.
Жишээ болгон явган аяллын гутлын тухай дараах боломжит харилцан яриаг авч үзье:
What should I cover on a two-day trip to Yosemite?
Will it be cold next week?
New [insert brand] product lines?
Хэрэглэгч гутлын брэндийн тухай асуултаа Йосемитийн аялалтай холбоогүй ч манай зарын систем энэ яриаг [shoes appropriate for hiking trip] болон [new [brand] product lines good for travel] гэх мэт хоёр асуулгаар илэрхийлж болно. Энэ нь зөвхөн эхний оролдлого байж болно. Зохицуулагч манай зарын сангаас хэрэглэгчид өндөр өгөөжтэй зарууд олох хүртлээ эдгээр дүрслэлийг давтан сайжруулахаар бүтээгдсэн.
Хайж татах гэдэг нь зарын сонголтуудыг зориуд өргөн хүрээгээр цуглуулах үйл явц юм. Боломжит заруудыг өөр өөр хайлтын стратегиар олж болох бөгөөд дараа нь тэдгээр нь ижил хүргэлтийн хязгаарлалтын дор өрсөлдөнө. Бид систем болон бүтээгдэхүүний өөр өөр хязгаарлалтад тохируулсан олон индекс бүтээдэг. Жишээлбэл, бүтээгдэхүүний мэдээллийн урсгалд суурилсан зарын индекс нь хамгийн сайн заруудыг хайж татахдаа бүтээгдэхүүний эерэг, сөрөг үнэлгээг харгалзахаар бүтээгдсэн. Харин хэрэглэгчийн үнэлгээгүй байж болох бусад зарт энэ нь хамаарахгүй. Индекс бүрийг хэрэглэгчийн зорилгыг илэрхийлэх вектор дүрслэл ашигласан ойролцоох хамгийн ойрын хөршийн (ANN) хайлтын аль нэг хувилбарт тохируулан оновчилдог. Энэхүү ANN хайлт нь том хэмжээний утгын индексээс мэдээлэл татах ойролцооллын алгоритм юм. Өөрөөр хэлбэл, «цорын ганц зөв» шийдлийг хайхын оронд сайн шийдэлд ойртож, хамааралтай заруудын ихэнхийг хадгалан үлдээснээр заруудыг маш хурдан олдог.
Зарын систем хайж татах явцад шинээр найруулсан асуулгуудаар утгын вектор дүрслэл үүсгэж, боломжит заруудын өргөн хүрээтэй багц бүрдүүлдэг.
Шүүлтийн зорилго нь хамаарал, үнийн санал, төсвийн хувьд байршуулалтын шаардлага хангахгүй бүх зарыг сонголтоос хасах юм. Тухайн зар болон тохиргооноос хамааран дараахыг шалгаж болно: зарын материал ба кампанит ажил идэвхтэй эсэх; кампанит ажлын зорилтот хүрээ (жишээлбэл, аль бүс нутагт явуулахыг зөвшөөрсөн эсэх); бодлогын хязгаарлалт (юуг сурталчилж болох тухай шаардлага); зарцуулах төсөв үлдсэн эсэх; зарцуулалтын хуваарь (төсвийг одоо эсвэл өдрийн өөр цагт зарцуулах эсэх); байршуулалтын нийцэл (ямар төрлийн ярианд энэ зарыг харуулж болох); мөн сурталчлагч болон кампанит ажлын түвшний давхардлыг арилгах (бизнесүүдийн оролцоог шударга байлгахын тулд сурталчлагч бүрээс зохистой тооны зар сонгох).
Шаардлага хангасан зарууд оноо өгөх шатанд шилжинэ. Энд зохицуулагч янз бүрийн үнэлгээний системийг хэрэгслээр дамжуулан дуудаж, хүргэлтэд хамаарах үзүүлэлтүүдийг үнэлдэг. Үүнд утгын хамаарал (зар хэрэглэгчийн зорилгод хамаатай юу?), оролцооны таамаг (зарыг үзэж, дарж, сурталчлагчийн хүссэн үр дүнд хүрэх магадлалтай юу?), өмнөх гүйцэтгэл (зар хэрэглэгчдэд харагдахдаа өнөөг хүртэл сайн үр дүн үзүүлсэн үү?) зэрэг багтана. Зохицуулагч дуудлага худалдаанаас өмнө хамаарал, аюулгүй байдлыг хангахын тулд заруудыг мөн шүүдэг. Эдгээр систем сонголтыг цөөлж, дуудлага худалдаанд ороход бэлэн бага хэмжээний зарын багц үүсгэдэг ч эцэст нь хүргэх зарыг хараахан тодорхойлдоггүй.
Зохицуулагч бэлтгэсэн заруудыг ярианы нөхцөлд үнэлж, эцсийн дуудлага худалдаанд оруулахад хангалттай тохирох заруудыг сонгодог. Зохицуулагч аль зарыг хүргэхийг шууд шийддэггүй, мөн үнэ тогтоодоггүй. Харин нөхцөлд тохирох заруудыг дуудлага худалдааны хэрэгслээр үнэлүүлэхээр дэвшүүлдэг.
Дуудлага худалдаа хүргэлтийн эцсийн механизмуудыг хэрэгжүүлдэг. Үүнд оролцох эрх олгох (хамаарал, өгөөжийн доод босгыг давах), зарцуулалтын хуваарь (зарын төсвийг жигд зарцуулах), үнийн санал болон дуудлага худалдааны үзүүлэлтүүдийг тооцох, чанарыг харгалзан эрэмбэлэх, үнэ тогтоох, эцсийн сонголт хийх зэрэг багтана.
Дуудлага худалдааны дараа зар хүрэхгүй байх хоёр шалтгаан бий. Аль аль нь ChatGPT‑ийн харилцан ярианы орчны онцлогтой холбоотой.
Зар тухайн чатад зохимжгүй санагдаж болно: Зохистой байдлыг шалгах загварууд (хэзээ зар хүргэхэд тохиромжтойг шийддэг загварууд) яриаг зар байршуулахад аюулгүй гэж үзэж, зар өөрөө бодлогын шаардлага хангасан байсан ч зарим ярианы нөхцөлд уг зар зохимжгүй санагдаж болно. Зохицуулагч ийм заруудыг харуулахыг хориглодог.
Зарын хүсэлт хугацаандаа ирэхгүй байж болно: ChatGPT загвар хариулахад бэлэн болсон ч зар байршуулахад хараахан бэлэн болоогүй бол зарын хүсэлтийн хүлээх хугацаа дуусаж, зар хүргэгдэхгүй. Тиймээс зарын системийн нэг зорилго нь аль болох хурдан ажиллах юм. ChatGPT загварын хариулах хугацаа хувьсдаг бөгөөд бид зар ачаалахыг хүлээж чатын хариултыг саатуулдаггүй.
Дээрх бүх шалгалтыг давсан бол бид зарыг дэлгэцэд дүрслэхээр хэрэглэгчийн интерфейс рүү илгээнэ. Үүнийг бид сервер талаас зар хүргэсэн гэж үздэг ч хэрэглэгчид зарыг харуулахгүй байх боломж хэвээр үлдэнэ. Энэ нь зориуд ийм зохион байгуулалттай.
ChatGPT шиг харилцан ярианд суурилсан бүтээгдэхүүнд зарын материалыг сервер талаас хүргэх нь зар заавал харагдана гэсэн баталгаа биш. Зар тухайн ээлжид багтахын тулд хугацаандаа ирэх ёстой. Зарын материалд гарчиг, тайлбар, очих холбоос болон үйлдэлд уриалсан үгс багтана. Мөн зарын систем загварын үүсгэсэн оршлыг буцаадаг. Энэ нь зар тухайн яриатай хэрхэн холбогдохыг тайлбарласан богино, төвийг сахисан танилцуулга юм. Оршлыг зарын материалаас тусад нь байлгаснаар сурталчлагчийн хэлэх гэсэн санааг хадгалж, ChatGPT‑ийн илэрхийллийг төвийг сахисан хэвээр байлгана.
ChatGPT‑ийн хэрэглэгчийн интерфейс оршил болон зарын материалыг нэг багцаар хүлээн авдаг. Багц ChatGPT‑ийн хариулт бүрэн үүсэхээс өмнө ирвэл интерфейс уг хариултын доор зарыг төлбөртэй гэдгийг нь тодорхой тэмдэглэн харуулна. Хэт орой ирвэл тухайн ээлжид зарыг харуулахгүй. Энэ нь сервер талаас зар хүргэх болон хэрэглэгчид зар бодитоор харагдах хоёрын ялгаа юм.
Ялагчийг сонгох, зар хүргэх нь тусдаа үйл явдал юм. ChatGPT байршуулалтыг зөвшөөрч, харуулан, хүргэлтийг баталгаажуулсны дараа л сонгосон зарыг хүргэсэнд тооцно.
Манай зарын технологийн бүтэц уламжлалт бүртгэл, өгөгдөл боловсруулах урсгалуудыг ашигладаг нь гурван гол давуу талтай. Сурталчлагчид одоо ашиглаж буй системээ манайхтай хялбар холбож, тайлангийн өгөгдлөөр стратегиа сайжруулах боломжтой. Харин манай баг системийн сайжруулах шаардлагатай хэсгүүдийг олж чадна. Эдгээр тайлагнах, оновчлох хэрэгслээс гадна бид хүргэлтээ үнэлж, бусад зарын загварыг сургахын тулд өндөр чанартай загвар ашиглан, өөрийгөө сайжруулах хүчирхэг давталт бий болгодог.
Болсон үйл явдлын дэлгэрэнгүй задаргаа нь зарын системийн хэсэг бүрийг тус тусад нь ойлгож, сайжруулахад тусалдаг. Бүртгэл боловсруулах систем мөн дараах нарийвчилсан үр дүнг тэмдэглэдэг:
Тухайн ээлж зар харуулах шаардлага хангаагүй.
Зарын сесс эхэлсэн ч хайж татах хүсэлт илгээгээгүй.
Хайж татах ажиллагаагаар боломжит зар олдоогүй.
Боломжит зарууд олдсон ч дэлгэрэнгүй өгөгдлөөр баяжуулах ажиллагаа амжилтгүй болсон эсвэл шалгуур хангаагүй.
Зар хүргэгдэж, дараа нь хэрэглэгч түүнтэй харилцсан.
Эдгээр дэлгэрэнгүй задаргаа нь зар хүргэх системийн хэсэг бүрийг тус тусад нь сайжруулахад тусалдаг. Зар харуулах боломжийг илрүүлэх чадварыг сайжруулахад хэрэгтэй нотолгоо нь хайж татах ажиллагаа, боломжит зарын чанар, дуудлага худалдааны оролцоо эсвэл хүргэлтийн найдвартай байдлыг сайжруулахад хэрэгтэй нотолгооноос өөр байдаг.
Хүргэлт, зар түгээлт, чанарын системүүд үйл явцын өөр өөр хэсгийг ажигладаг. Нууцлалын хяналттай боловсруулалт нь хэмжилт болон загвар сайжруулахад ямар мэдээлэл ашиглаж болохыг тогтоодог.
Загварт суурилсан үнэлгээний гол санаа нь манай хамгийн хүчирхэг, сэтгэн бодох чадвар хамгийн өндөр загварууд системийн үр дүнг ажиглан үнэлж, дараа нь үндсэн сургалтын дараах сургалт хийсэн Том хэлний загвар (LLM)-ыг илүү сайн ажиллуулахаар дахин сургаж сайжруулах юм. Жишээлбэл, манай хамгийн хүчирхэг загвар санал хүсэлт цуглуулж, жижиг загваруудыг ажлаа аль болох сайн хийхэд сургавал зохицуулалт болон хайж татах ажиллагаанд жижиг, илүү үр ашигтай эсвэл сэтгэн бодох чадвар багатай загварууд ашиглаж болно.
Бид хүмүүсийн санал хүсэлт (хэрэглэгчдийн дарсан болон нуусан үйлдэл), хэрэглэгчийн судалгаа, мөн Зар сурталчилгааны менежерээр дамжуулан сурталчлагчдаас ирүүлсэн шууд санал хүсэлтийг цуглуулж, түүнд үндэслэн ажилладаг. Хөгжүүлэлтийн явцад манай баг санал хүсэлт хүлээн авахад нээлттэй байж, ChatGPT хэрэглэгчид болон сурталчлагчид юу хүсэж байгааг шууд сонсдог. Энэ эх үүсвэрээс авсан санал хүсэлт нь загварын ажиглалтаас гарсан үнэлгээнээс ч илүүтэйгээр бидний чиглэлийг тодорхойлдог. Мөн бүтээгдэхүүний зөв шийдэлд хурдан хүрэхээр давтан сайжруулахад тусалсан хүчин зүйлсийн нэг юм. Загвар хэрэглэгчийн зорилгыг ойлгож, шүүмжлэлтэйгээр бодож, өгөөжтэй зүйл хүргэж чаддаг байж болох ч юу зохистойг хүмүүс тодорхойлдог.
Жилийн өмнө бид зарын системгүй, энэ чиглэлийн асуудлыг судалж буй хэдхэн хүнтэй байлаа. Харин одоо бид жилийн дүнд шилжүүлэн тооцвол 1 тэрбум ам.доллароос давсан орлогыг хангах найдвартай зарын системтэй болсон. Зарын үйл явцыг Том хэлний загвар (LLM)-т суурилсан зохицуулагч удирддаг. Codex бидний хүчин чадлыг үлэмж нэмэгдүүлж, системээ эхнээс нь босгон, хэрэглээний энэ томоохон амжилтад урьд байгаагүй хурдаар хүрэхэд гол үүрэг гүйцэтгэсэн. Бид анхнаасаа системийг хурдан бүтээж, өргөжүүлэхэд Codex ашиглахаар баг болон хөгжүүлэлтийн ажлын урсгалаа зохион байгуулсан. Codex кодыг найдвартай, аюулгүй нэвтрүүлэхэд зориулсан хамгаалалтын хязгаарлалтуудыг бид бий болгосон. Үүний зэрэгцээ бид Codex-д зориулсан өгөгдлийн дэд бүтцийн нэмэлтүүдийг тохируулсан. Ингэснээр дүгнэлт гаргахаас эхлээд шинэ боломж, чанар болон системийн гүйцэтгэлийн сайжруулалтыг нэвтрүүлэх хүртэлх мөчлөгийг эрс богиносгосон.
Манай системийн зааг хязгаар (зар сурталчилгааны зарчимд тулгуурласан) болон Том хэлний загвар (LLM)-т суурилсан зохицуулагчийн хослол нь яриа бүрийг зарын хүсэлт гэж үзэлгүйгээр зар сурталчилгааг хэрэгтэй болгох боломж олгодог. Цаашид бид хэрэглэгч болон сурталчлагчид өгөх өгөөжийг нэмэгдүүлэхийн тулд илүү уян хатан, харилцан үйлчлэлтэй зарын хэлбэрүүдийг туршсаар байх болно. Жишээлбэл, хэрэглэгчид зараар дамжуулан бизнестэй шууд ярилцах боломж олгох юм. OpenAI загварууд болон тасралтгүй санал хүсэлтийн давталтад суурилсан, өөрийгөө сайжруулдаг архитектур нь зарын хамаарал, хэрэглэгч бүрд тохируулах чадварыг цаашид улам хурдан сайжруулах боломж олгоно.
