विश्वास आणि सुसंगततेसाठी ChatGPT ची नवीन जाहिरात सिस्टम आम्ही कशी उभारली

पारंपरिक जाहिरात सिस्टम्स वापरकर्त्याच्या हेतूच्या स्वतंत्र संकेतांना प्रतिसाद देण्यासाठी बनवलेल्या असतात. वापरकर्त्याने इंटरनेटवर काहीतरी शोधले किंवा पाहिले असताना जाहिरात सिस्टमला त्या शोधविनंत्या आणि वेबपेज पाहिल्याच्या नोंदी स्वतंत्र घटना म्हणून मिळतात आणि त्यानुसार ती जुळणाऱ्या जाहिराती शोधते. ChatGPT साठी जाहिरात तंत्रसंच उभारणे वेगळे होते: वापरकर्त्याचा हेतू संभाषणांमधून आकार घेतो आणि एका संभाषणातील अनेक देवाणघेवाणींत हा हेतू बदलतो. कधी त्यात जाहिरात दाखवण्याचा योग्य क्षण येतच नाही. या नव्या पद्धतीला अनुरूप अशी खास जाहिरात वितरण सिस्टम आम्ही उभारली. या नव्या प्रकारचा जाहिरात तंत्रसंच खास तयार केलेल्या, पोस्ट-ट्रेंड अत्याधुनिक LLM वर आधारित आहे. शोध (सर्वोत्तम पर्याय ओळखणे), क्रमवारी (वापरकर्त्याच्या प्रतिसादाचा अंदाज बांधणे), सुसंगतता (जाहिरातीची उपयुक्तता तपासणे) आणि अंतिम जाहिरात निवड व किंमतनिर्धारणासाठी लिलाव चालवणे या कामांसाठी ते टूल्सना कॉल करते.

वापरकर्त्याची उद्दिष्टे बदलताना त्यांतील बारकावे समजून घेण्यासाठी आम्ही सिस्टमच्या डिझाइनसाठी तीन महत्त्वाचे निर्णय घेतले: 1) स्थिती लक्षात ठेवणारी जाहिरात सत्रे वापरणे, म्हणजे एका संभाषणातील देवाणघेवाणींमध्ये आणि अनेक संभाषणांमध्ये माहिती लक्षात ठेवणे, 2) खास तयार केलेल्या पोस्ट-ट्रेंड LLM वर अवलंबून राहणे, जे टूल्सना कॉल पाठवणाऱ्या आर्किटेक्चरच्या मदतीने संभाषणाचा संदर्भ आणि मूळ हेतू समजते आणि नंतर जाहिराती प्रभावीपणे निवडते, त्यांना क्रम देते व पुरवते आणि 3) जाहिरात निवड प्रक्रिया ChatGPT च्या उत्तरनिर्मितीपासून वेगळ्या, स्वतंत्र सेवेत चालवणे, म्हणजे जाहिरातींचा उत्तरांवर प्रभाव पडणार नाही आणि ChatGPT चा सूर तटस्थ राहील. आम्ही संपूर्ण जाहिरात प्रक्रियेचा समन्वय करण्यासाठी आमचे पोस्ट-ट्रेंड LLM वापरतो. ते वापरकर्त्याची सध्याची संवादफेरी आणि संभाषणाचा इतिहास या दोन्हींच्या आधारे योग्य वेळी कोणती जाहिरात दाखवावी हे ठरवते. अशी स्वतःमध्ये सुधारणा करणारी जाहिरात सिस्टम सुरुवातीपासून उभारण्यासाठी पूर्वी अनेक वर्षे लागत. मात्र ChatGPT Ads ने लाँच झाल्यापासून 200 दिवसांच्या आत कमाईच्या तत्कालीन वेगानुसार 1 अब्ज डॉलर वार्षिक महसुलाची पातळी गाठली. आता, लाँच झाल्यापासून 1,00,000 पेक्षा अधिक जाहिरातदारांनी ChatGPT वर जाहिराती चालवल्या आहेत.

पारंपरिक जाहिरात विनंतीची सुरुवात सहसा एका स्पष्टपणे ठरवलेल्या घटनेने होते. वापरकर्त्याने शोधविनंती पाठवली किंवा वेबपेज उघडले म्हणजे जाहिरात सिस्टमला विनंती मिळते. अशा प्रकारची सिस्टम बऱ्यापैकी सोपी असते: ती संभाव्य जाहिराती शोधते, त्यांना क्रम देते, त्या संधीची योग्य किंमत ठरवण्यासाठी लिलाव करते आणि निवडलेली जाहिरात वापरकर्त्याला दाखवते. ChatGPT मध्ये स्वाभाविकपणे असा ठोस क्षण निर्माण होत नाही.

ChatGPT वरील संभाषणात लोक एकाच उत्तराची शोधविनंती घेऊन येण्याऐवजी काही उद्दिष्टे घेऊन येतात. ते सहलीचे नियोजन करत असतील, व्यवसायासाठी सॉफ्टवेअर निवडत असतील, घर सजवत असतील किंवा नवा छंद शिकत असतील. हे सगळे संभाषणातील एकाच देवाणघेवाणीत होत नाही. या प्रवासात नेमके काय महत्त्वाचे आहे हे स्पष्ट करण्यास ChatGPT अनेकदा वापरकर्त्याला मदत करते.

उदाहरणार्थ, आमच्या इंजिनिअरिंग टीमने ChatGPT ला धावण्याच्या रेससाठी सराव कसा करावा हे विचारले. संभाषणाची सुरुवात धावण्याबद्दलच्या एका सर्वसाधारण प्रश्नाने होते. काही देवाणघेवाणींनंतर ते सरावासाठी उपयोगी पडणाऱ्या बुटांबद्दल विचारतात. प्रत्येक नवी अट समोर आल्यावर संभाषणाचा व्यावसायिक अर्थ बदलतो—आणि हा वैयक्तिक संदर्भ अनेक सत्रांमधून मोठा होत राहतो. पहिल्याच संदेशावर कृती करणारी सिस्टम वापरकर्त्याचा हेतू संपूर्णपणे चुकीचा समजू शकते. त्यामुळे वापरकर्त्याचा अनुभव बिघडू शकतो आणि त्याच्या कामात अडथळा येऊ शकतो.

आमची जाहिरात सिस्टम उभारण्यासाठी आम्हाला विनंती-प्रतिसाद या पारंपरिक रचनेच्या पलीकडे जावे लागले. वापरकर्त्यांचा विश्वास आणि त्यांना होणारा लाभ यांना प्राधान्य देत संभाव्य आर्थिक संधी शोधण्यासाठी आम्ही जाहिरात तंत्रसंच नव्याने उभारला.

पारंपरिक जाहिरात सिस्टमप्रमाणे प्रत्येक मेसेजला स्वतंत्र विनंती मानल्यास, आमच्या चॅटच्या उदाहरणातून काही धोके उद्भवले असते: 1) वापरकर्त्याचे उद्दिष्ट अतिसुलभ करून त्याचा चुकीचा अर्थ लावणे, 2) वापरकर्त्याची खरी गरज स्पष्ट होण्यापूर्वीच जाहिरात प्रक्रिया सुरू करणे, 3) वापरकर्त्याला मदत करण्याऐवजी त्याच्या कामात अडथळा आणणाऱ्या जाहिराती दाखवणे आणि 4) प्रत्येक वेळी विनंती बदलल्यावर जाहिरात प्रक्रिया अकार्यक्षमपणे पुन्हा चालवणे, ज्यामुळे अनावश्यक माहिती वाढते आणि खर्च वाया जातो. स्वतंत्र घटनांभोवती निर्मिती करण्याऐवजी, शोध, क्रमवारी आणि वितरण यांचा समावेश असलेली जाहिरात सिस्टम स्थिती लक्षात ठेवणारे सत्र चालवते. म्हणजे जाहिरातीसाठी पात्र संवादफेरी सुरू असेपर्यंत जाहिरात सत्र चालू राहते आणि बदलणारी माहिती लक्षात ठेवून अपडेट करते. ChatGPT सुरुवातीच्या विनंतीचा संदर्भ जाहिरात सर्व्हरकडे पाठवते. एकाच सरधोपट शोधविनंतीवर अवलंबून न राहता जाहिरात सिस्टम पुढे सरकणाऱ्या संभाषणाचा मागोवा घेते आणि त्यानुसार बदलते.

जाहिरात प्रक्रियेचा ChatGPT च्या उत्तरांवर प्रभाव पडू नये म्हणून जाहिरात निवड प्रक्रिया ChatGPT च्या नेहमीच्या उत्तरनिर्मितीला समांतर चालते. स्वतंत्र सिस्टम संभाषणातील माहिती घेऊन स्वतःच्या पात्रता, गुणवत्ता आणि वितरणाच्या मर्यादांनुसार जाहिरातींचे फिल्टरिंग आणि निवड करते. वेगवेगळी मॉडेल्स आणि स्वतंत्र कोड वापरणाऱ्या स्वतंत्र सेवा—ही आर्किटेक्चरमधील महत्त्वाची विभागणी आहे. त्यामुळे ChatGPT चे मुख्य सर्व्हर जाहिरातींच्या प्रभावापासून मुक्त उत्तर तयार करतात. त्याच वेळी, जाहिरात सिस्टम स्वतंत्रपणे तपासते की ही योग्य जाहिरात संधी आहे का आणि तसे असल्यास, स्वतंत्र वितरण प्रक्रियेतून प्रायोजित जाहिरात तयार करते.

वापरकर्त्याचा अनुभव जपण्याबरोबरच, या विभाजनाचे काही व्यावहारिक परिणामही आहेत. ChatGPT जाहिरातींच्या सिस्टमवर अवलंबून नाही—या सेवा कोणत्याही प्रकारे एकमेकांत गुंतलेल्या नाहीत आणि त्या काँटेंटनिर्मितीसाठी एकच मॉडेल वापरत नाहीत. त्यामुळे जाहिराती पुरवणारी सिस्टम उपलब्ध नसेल किंवा संथ चालत असेल, तरी ChatGPT च्या जाहिरातमुक्त उत्तरनिर्मितीवर परिणाम होत नाही. म्हणजेच जाहिरात सिस्टममुळे ChatGPT बंद पडू शकत नाही किंवा त्याच्या कामात उशीर होऊ शकत नाही. या विभाजनाचा आणखी एक फायदा म्हणजे मौल्यवान जाहिरातींच्या उपयुक्ततेसाठी अत्यंत कठोर निकष कायम राहतात. कोणतीही जाहिरात न पुरवणे हाही एक नेहमीचा, यशस्वी परिणाम आहे. वापरकर्ते आणि जाहिरातदार यांना स्पष्टपणे फायदा होत असेल, तरच सिस्टम जाहिरात पुरवते.

आमच्या जाहिरात तंत्रसंचाच्या रचनेतील दुसरा महत्त्वाचा घटक म्हणजे पोस्ट-ट्रेंड LLM. ते संभाषणांचा अर्थ लावते आणि एजेंटिक चक्रातून संपूर्ण जाहिरात प्रक्रिया चालवते. जाहिराती शोधण्यापासून क्रमवारी लावणे, लिलाव करणे आणि अखेरीस जाहिरात पुरवणे यांपर्यंतच्या मुख्य कामांसाठी ते जाहिरातींच्या सिस्टममधील टूल्सना कॉल करते. आम्ही या LLM ला समन्वयक म्हणतो.

जाहिरात प्रक्रियेची सुरुवात वापरकर्त्याचा हेतू समजून घेऊन शोधप्रक्रिया सुरू करण्यापासून होते. या प्रक्रियेत पुढे छाननी करण्यासाठी संभाव्य जाहिराती जलदपणे आणि मुद्दाम व्यापक पातळीवर शोधल्या जातात. संभाषण टप्प्याटप्प्याने मिळाल्यामुळे शोधासाठी अधिक संदर्भ उपलब्ध होतो, पण संदिग्धताही वाढते कारण जाहिरात सिस्टमला सध्याचा हेतू आणि कालबाह्य झालेला संदर्भ यांतील फरक ओळखावा लागतो. समन्वयकाला आधीच्या मेसेजेसचे संदर्भ समजून घ्यावे लागतात, वापरकर्ता काल्पनिक परिस्थितीबद्दल बोलत आहे का हे ओळखावे लागते आणि एखादे उत्पादन किंवा सेवेचा प्रत्येक उल्लेख म्हणजे खरेदीची इच्छा असे मानणे टाळावे लागते.

जाहिरात समन्वयक उपलब्ध संभाषण आणि वापरकर्त्याचा संदर्भ वापरून योग्य जाहिराती शोधण्याचे प्रयत्न पुन्हा पुन्हा करतो. कोणते टूल कधी वापरायचे हे तो प्रत्येक वेळी ठरवतो. त्या संभाषणाला आणि संदर्भाला सर्वाधिक अनुरूप जाहिरात शोधणे हे यामागचे उद्दिष्ट असते—म्हणजे वापरकर्त्याला आणि जाहिरातदाराला मिळणाऱ्या मोठ्या लाभाचा समतोल साधणारी जाहिरात. वापरकर्त्याने जाहिराती वैयक्तिकृत करण्याचा पर्याय निवडल्यास, सर्वोत्तम जुळणाऱ्या जाहिराती शोधण्यासाठी समन्वयक त्या वापरकर्त्याच्या पूर्वीच्या संभाषणांविषयी उपलब्ध असलेली असंवेदनशील माहितीही विचारात घेतो.

संभाषण पुढे सरकते आणि जाहिरात समन्वयकाला अधिक अपडेटेड माहिती मिळते, तेव्हा तो नव्या संदर्भानुसार टूल्सना पुन्हा कॉल्स पाठवू शकतो. त्यातून अधिक योग्य जाहिराती शोधून तो ग्राहक ॲप्लिकेशनकडे पाठवतो. वेळेत मिळाल्यास ॲप्लिकेशन त्या जाहिराती वापरू शकते.

वापरकर्त्यांना नेहमी प्राधान्य देत, त्यांना आणि जाहिरातदारांना मिळणाऱ्या लाभाचा समतोल साधण्यासाठी समन्वयकाची रचना केली आहे.

जाहिरात सिस्टम स्वतंत्र टूल्सने बनलेली आहे. संभाषणासाठी सर्वोत्तम जाहिराती शोधण्यासाठी समन्वयक या टूल्सना वारंवार कॉल करतो. थोडक्यात, समन्वयक संभाषणांचे छोटे सारांश तयार करतो. त्यांचे अर्थाधारित निरूपण केले जाते—म्हणजे जाहिरात सिस्टमला सहज छाननी करता येईल अशा स्वरूपात अर्थ साठवला जातो. या निरूपणांच्या मदतीने सिस्टम संभाव्य जाहिराती शोधते, बजेट, वापरकर्त्याच्या सेटिंग्ज आणि इतर प्राथमिक तपासण्यांनुसार त्यांची पात्रता तपासते, त्यांची गुणवत्ता आणि सुसंगतता मापते आणि अंतिम क्रमवारी लावते. यातून संभाषणातील उत्तराच्या शेवटी जाहिरात दाखवण्याच्या सर्वाधिक उपयुक्त संधी निवडल्या जातात. त्यामुळे दाखवली जाण्यास पात्र ठरण्यासाठी प्रत्येक जाहिरातीला पात्रता आणि सुसंगततेचे कठोर निकष पूर्ण करावे लागतात.

समन्वयक LLM प्रथम संबंधित व्यावसायिक हेतू दर्शवणाऱ्या एक किंवा अधिक शोधविनंत्या तयार करते. यात संभाषणाचा संदर्भ नव्याने मांडून थेट एकास-एक शोधविनंत्यांपलीकडील व्यावसायिक शक्यता शोधणे आणि मग अर्थाधारित निरूपणे तयार करणे समाविष्ट असू शकते. समन्वयक अनेक देवाणघेवाणींच्या संभाषणाचा सारांश शोधप्रणालीसाठी तयार करतो, ज्यामुळे आमच्या डेटाबेसमधून नेमकेपणाने जाहिराती शोधता येतात.

वापरकर्त्याचा हेतू सखोलपणे समजल्यावरच जाहिराती दाखवल्या गेल्या, तर त्या वापरकर्ते आणि जाहिरातदार या दोघांसाठी अधिक उपयुक्त ठरतील. अनेक शोधविनंत्यांमुळे हेतूचे वेगवेगळे पैलू जपता येतात. उदाहरणार्थ, सहलीच्या नियोजनाबद्दलच्या संभाषणात प्रवास, निवारा किंवा ॲक्टिव्हिटी यांशी संबंधित स्वतंत्र गरजा असू शकतात. संपूर्ण संभाषणाला एकाच शब्दशः मजकुरात संकुचित करण्याऐवजी शोधप्रणाली हे फरक जपून ठेवू शकते.

उदाहरण म्हणून, हायकिंगच्या बुटांबद्दलचे एक संभाव्य संभाषण पाहूया:

1. योसेमिटीच्या दोन दिवसांच्या सहलीत मी काय-काय पहावे?

2. पुढच्या आठवड्यात तिथे थंडी असेल का?

3. [insert brand] च्या नवीन उत्पादनमालिका?

वापरकर्त्याने बुटांच्या ब्रँडविषयीचा प्रश्न योसेमिटीच्या सहलीशी जोडलेला नसला, तरी आमच्या जाहिरात सिस्टममध्ये हे संभाषण [shoes appropriate for hiking trip] आणि [new [brand] product lines good for travel] अशा दोन शोधविनंत्यांनी दर्शवले जाऊ शकते. हा कदाचित पहिलाच प्रयत्न असेल. आमच्या उपलब्ध जाहिरातींमधून वापरकर्त्यासाठी अत्यंत उपयुक्त जाहिराती सापडेपर्यंत या निरूपणांत वारंवार सुधारणा करण्यासाठी समन्वयकाची रचना केली आहे.

शोधप्रक्रियेत जाहिरातींच्या पर्यायांचा मुद्दाम व्यापक संच तयार केला जातो. संभाव्य जाहिराती वेगवेगळ्या शोधपद्धतींमधून मिळू शकतात आणि नंतर त्या दाखवण्याच्या समान मर्यादांमध्ये एकमेकांशी स्पर्धा करू शकतात. आम्ही सिस्टम आणि उत्पादनाच्या वेगवेगळ्या मर्यादांना अनुरूप असे अनेक निर्देशांक तयार करतो. उदाहरणार्थ, उत्पादन माहितीप्रवाहातील जाहिरातींचा निर्देशांक सर्वोत्तम जाहिराती शोधताना उत्पादनांच्या सकारात्मक किंवा नकारात्मक परीक्षणांचा विचार करतो. परीक्षणे नसलेल्या इतर जाहिरातींसाठी हे लागू होत नाही. वापरकर्त्याचा हेतू दर्शवणारी निरूपणे वापरून, जवळपास सर्वाधिक साम्य असलेले पर्याय शोधण्याच्या अंदाजाधारित (ANN) पद्धतीच्या एखाद्या प्रकारासाठी प्रत्येक निर्देशांक अनुकूल केलेला असतो. हा ANN शोध मोठ्या अर्थाधारित निर्देशांकांमध्ये शोध घेण्यासाठी अंदाजाधारित कार्यपद्धती वापरतो. त्यामुळे बहुतांश सुसंगत पर्याय राखून, अगदी "अचूक" उत्तर शोधण्याऐवजी चांगल्या उत्तराच्या जवळ जाणाऱ्या जाहिराती अतिशय वेगाने मिळवता येतात.

सुसंगतता, बोली आणि बजेट यांबाबत जाहिरात दाखवण्याचे निकष पूर्ण न करणारे सर्व पर्याय विचारातून वगळणे हा फिल्टरिंगचा उद्देश आहे. जाहिरातींचे पर्याय आणि कॉन्फिगरेशननुसार फिल्टरमध्ये पुढील तपासण्या असू शकतात: जाहिरात सामग्री आणि मोहिमेची उपलब्धता (मोहीम किंवा जाहिरात सामग्री सक्रिय आहे का), मोहिमेचे लक्ष्यीकरण (उदा., कोणत्या प्रादेशिक-भाषिक क्षेत्रांत मोहीम चालवण्यास परवानगी आहे), धोरणात्मक निर्बंध (कशाची जाहिरात करता येते यासंबंधी नियमांचे पालन), उपलब्ध बजेट (मोहिमेकडे खर्च करण्यासाठी बजेट शिल्लक आहे का), खर्चाचे वेळापत्रक (मोहिमेने आत्ता खर्च करावा की दिवसातील इतर वेळी), प्रदर्शनाची सुसंगतता (कोणत्या प्रकारच्या संभाषणांत ही जाहिरात दाखवण्यास पात्र आहे) आणि जाहिरातदार व मोहीम पातळीवरील पुनरावृत्ती टाळणे (व्यवसायांना न्याय्य सहभाग मिळावा म्हणून प्रत्येक जाहिरातदाराच्या जाहिरातींची योग्य संख्या निवडणे).

पात्रता तपासण्या पार केलेल्या जाहिराती स्कोरिंगच्या टप्प्यात जातात. येथे समन्वयक विविध स्कोरिंग सिस्टमच्या टूल्सना कॉल करतो. जाहिरात दाखवताना अर्थाधारित सुसंगतता (ही जाहिरात वापरकर्त्याच्या उद्दिष्टाशी संबंधित आहे का?), अपेक्षित प्रतिसाद (जाहिरात पाहिली जाण्याची, तिच्यावर क्लिक होण्याची आणि जाहिरातदाराला हवा तो परिणाम घडण्याची शक्यता आहे का?) आणि मागील कामगिरी (आतापर्यंत वापरकर्त्यांना दाखवल्यावर जाहिरातीने चांगली कामगिरी केली आहे का?) असे मुद्दे विचारात घेतले जातात. लिलावापूर्वी सुसंगततेची आणि सुरक्षिततेची खात्री करण्यासाठी समन्वयक जाहिरातींची आणखी छाननी करतो. या सिस्टम्स पर्याय कमी करून लिलावासाठी तयार असलेला छोटा संच बनवतात, पण अखेरीस कोणती जाहिरात पुरवली जाईल हे अद्याप ठरवत नाहीत.

समन्वयक तयार केलेल्या पर्यायांचे संभाषणाच्या संदर्भात मूल्यमापन करतो आणि अंतिम लिलावात सहभागी होण्यासारखे योग्य पर्याय निवडतो. कोणती जाहिरात पुरवली जाईल हे समन्वयक थेट ठरवत नाही आणि तिची किंमतही ठरवत नाही. तो संदर्भाला अनुरूप पर्याय लिलाव टूलकडे मूल्यमापनासाठी पाठवतो.

लिलावात जाहिरात पुरवण्याच्या अंतिम प्रक्रिया राबवल्या जातात. यांत लिलावात प्रवेश (सुसंगतता आणि लाभाची किमान पातळी गाठणे), खर्चाचे नियोजन (जाहिरातीचे बजेट अधिक समान रीतीने खर्च करणे), बोली आणि लिलावाच्या घटकांची गणना, गुणवत्तेनुसार समायोजित क्रमवारी, किंमतनिर्धारण आणि अंतिम निवड यांचा समावेश होतो.

लिलावानंतर जाहिरात न पोहोचण्याची दोन कारणे असू शकतात. ही दोन्ही कारणे ChatGPT या संवादात्मक माध्यमाशी संबंधित आहेत.

1. जाहिरात त्या संभाषणासाठी अयोग्य वाटू शकते: जाहिरात कधी दाखवणे योग्य आहे हे ठरवणाऱ्या सुरक्षा व नियमपालन मॉडेल्सनी संभाषण जाहिरातीसाठी सुरक्षित ठरवलेले असले आणि जाहिरातही धोरणांचे पालन करणारी असली, तरी काही संभाषणांच्या संदर्भात ती अयोग्य वाटू शकते. समन्वयक अशा जाहिराती दाखवल्या जाण्यापासून रोखतो.

2. जाहिरातीची विनंती वेळेत पोहोचत नाही: ChatGPT मॉडेल उत्तर देण्यासाठी तयार असेल, पण जाहिरात अद्याप दाखवली जाण्यासाठी तयार नसेल, तर जाहिरात विनंतीची वेळमर्यादा संपते आणि जाहिरात पुरवली जात नाही. त्यामुळे शक्य तितक्या वेगाने काम करणे हे जाहिरात सिस्टमचे एक उद्दिष्ट आहे. ChatGPT मॉडेलला उत्तर देण्यासाठी लागणारा वेळ बदलत असतो आणि जाहिराती तयार होईपर्यंत वाट पाहण्यासाठी आम्ही संभाषणातील उत्तरे थांबवत नाही.

वरील सर्व तपासण्या पार झाल्यास, जाहिरात दाखवण्यासाठी आम्ही ती फ्रंटएंडला पाठवतो. याला आम्ही सर्व्हरकडून झालेले जाहिरात वितरण मानतो. तरीही जाहिरात वापरकर्त्याला दाखवली जाईलच असे नाही—आणि ही व्यवस्था मुद्दाम अशी केली आहे.

ChatGPT सारख्या संवादात्मक उत्पादनात सर्व्हरकडून जाहिरात सामग्री पुरवली म्हणजे ती दाखवली जाईलच असे नाही. सध्याच्या संवादफेरीत समाविष्ट होण्यासाठी ती वेळेत पोहोचणेही आवश्यक आहे. जाहिरात सामग्रीत शीर्षक, वर्णन, गंतव्याची लिंक आणि कृतीचे आवाहन असल्यास ते समाविष्ट असते. याशिवाय जाहिरात सिस्टमद्वारे मॉडेलने तयार केलेली प्रस्तावनाही पाठवली जाते. ही लहान, तटस्थ प्रस्तावना जाहिरात संभाषणाशी कशी संबंधित आहे हे स्पष्ट करते. प्रस्तावना जाहिरात सामग्रीपासून वेगळी ठेवल्याने जाहिरातदाराचा मेसेज जसाच्या तसा राहतो आणि ChatGPT चा सूरही तटस्थ राहतो.

ChatGPT च्या फ्रंटएंडला प्रस्तावना आणि जाहिरात सामग्री एकत्र मिळते. ChatGPT चे उत्तर पूर्णपणे तयार होण्यापूर्वी हा संच मिळाल्यास, फ्रंटएंडमध्ये उत्तराखाली जाहिरात दाखवली जाते आणि ती प्रायोजित असल्याचे स्पष्टपणे दर्शवले जाते. जाहिरात उशिरा मिळाल्यास, त्या संवादफेरीत जाहिरात दाखवली जात नाही. सर्व्हरकडून जाहिरात पुरवली जाणे आणि प्रत्यक्ष वापरकर्त्यासमोर ती प्रदर्शित होणे यांतील हा फरक आहे.

आमचा जाहिरात तंत्रसंच पारंपरिक लॉगिंग आणि डेटा पाइपलाइन वापरतो. याचे तीन मुख्य फायदे आहेत: जाहिरातदारांना त्यांच्या विद्यमान सिस्टम्सना आमच्या तंत्रसंचाशी अधिक सहजपणे जोडता येते, अहवालांमधील डेटाच्या आधारे त्यांची धोरणे सुधारता येतात आणि आमच्या टीमला सिस्टममध्ये कुठे सुधारणा करता येतील हे शोधता येते. या अहवाल आणि सुधारणा टूल्सच्या व्यतिरिक्त, आमच्या जाहिरात वितरणाचे मूल्यमापन करण्यासाठी आणि इतर जाहिरात मॉडेल्सना प्रशिक्षण देण्यासाठी आम्ही उच्च-गुणवत्तेचे मॉडेल वापरतो. यातून स्वतःमध्ये सुधारणा घडवणारे एक प्रभावी चक्र तयार होते.

काय घडले याच्या तपशीलवार विश्लेषणामुळे जाहिरात सिस्टमचा प्रत्येक भाग स्वतंत्रपणे समजून घेण्यास आणि सुधारण्यास मदत होते. लॉग्सवर प्रक्रिया करणारे सिस्टम पुढीलप्रमाणे सूक्ष्म पातळीवरील परिणामही नोंदवते:

• संवादफेरी जाहिरातीसाठी पात्र नव्हती.

• जाहिरात सत्र सुरू झाले, पण शोधाची विनंती केली गेली नाही.

• शोधात कोणतेही जाहिरात पर्याय मिळाले नाहीत.

• जाहिरात पर्याय सापडले, पण त्यांचा संपूर्ण तपशील मिळवणे अयशस्वी झाले किंवा ते पात्र ठरले नाहीत.

• जाहिरात पोहोचवली गेली आणि नंतर तिच्याशी इंटरॅक्ट केले गेले.

या तपशीलवार विश्लेषणामुळे जाहिराती पुरवणाऱ्या सिस्टमचा प्रत्येक भाग स्वतंत्रपणे सुधारण्यास आम्हाला मदत होते. जाहिरातीच्या संधी अधिक चांगल्या प्रकारे ओळखण्यासाठी लागणारे पुरावे, शोधप्रक्रिया, पर्यायांची गुणवत्ता, लिलावातील सहभाग किंवा वितरणाची विश्वासार्हता सुधारण्यासाठी लागणाऱ्या पुराव्यांपेक्षा वेगळे असतात.

मॉडेल-आधारित मूल्यमापनामागील कल्पना अशी आहे: आमची सर्वात सक्षम आणि सर्वोच्च रीझनिंग क्षमता असलेली मॉडेल्स सिस्टमच्या परिणामांचे निरीक्षण व मूल्यमापन करतात. त्यानंतर पोस्ट-ट्रेंड LLM ला अधिक चांगली कामगिरी करण्याचे प्रशिक्षण देऊन सुधारतात. उदाहरणार्थ, आमचे सर्वाधिक सक्षम मॉडेल अभिप्राय गोळा करून लहान मॉडेल्सना शक्य तितकी चांगली कामगिरी करण्याचे प्रशिक्षण देत असेल, तर समन्वय किंवा शोधासाठी आम्ही लहान, अधिक कार्यक्षम किंवा कमी रीझनिंग क्षमता असलेली मॉडेल्स वापरू शकतो.

आम्ही मानवी अभिप्राय गोळा करतो आणि त्यावर कृती करतो. यात वापरकर्त्यांनी केलेले क्लिक केलेल्या आणि लपवलेल्या जाहिराती, वापरकर्ता सर्वेक्षणे आणि आमच्या Ads Manager मधून जाहिरातदारांनी थेट दिलेला अभिप्राय यांचा समावेश असतो. सिस्टम उभारताना अभिप्राय घेण्यासाठी आमची टीमही उपलब्ध असते. ChatGPT चे वापरकर्ते आणि जाहिरातदार या दोघांच्या अपेक्षा आम्ही थेट ऐकतो. मॉडेलच्या निरीक्षणांवर आधारित अभिप्रायापेक्षाही हा मानवी अभिप्राय आमच्या दिशेला अधिक आकार देतो. उत्पादनाबाबत योग्य निर्णय घेण्यासाठी आम्हाला वेगाने सुधारणा करता आल्या, त्यामागे हेही एक कारण आहे. वापरकर्त्याचा हेतू समजून, चिकित्सक विचार करून उपयुक्त परिणाम देणे मॉडेलला जमू शकते; पण अभिरुचीला आकार माणसेच देतात.

वर्षभरापूर्वी आमच्याकडे जाहिरातींचे सिस्टम नव्हते आणि या क्षेत्रातील प्रश्नांवर केवळ मोजकेच लोक विचार करत होते. आता आमच्याकडे एक भक्कम जाहिरात सिस्टम आहे. त्याच्या सध्याच्या कमाईच्या वेगानुसार वार्षिक महसूल 1 अब्ज डॉलरपेक्षा अधिक होतो आणि याची जाहिरात प्रक्रिया LLM-आधारित समन्वयक चालवतो. Codex ने आमची कार्यक्षमता मूलभूत पातळीवर कित्येक पटींनी वाढवली. त्यामुळे आम्हाला सिस्टम सुरुवातीपासून उभारून वापराचा हा महत्त्वाचा टप्पा अतुलनीय वेगाने गाठता आला. सुरुवातीपासूनच आम्ही टीमची आणि विकासकार्याच्या प्रक्रियांची रचना अशी केली की Codex वापरून सिस्टम वेगाने उभारता आणि विस्तारता येईल. Codex ला विश्वासार्हपणे आणि सुरक्षितपणे कोड तयार करता यावा, यासाठी आम्ही सुरक्षात्मक मर्यादा तयार केल्या. त्याच वेळी, आम्ही Codex साठी डेटाच्या पायाभूत सुविधांशी जोडणारे प्लगइन तयार केले. त्यामुळे निरीक्षणांतून निष्कर्ष मिळवणे आणि सिस्टममध्ये सुधारणा लागू करणे यांतील वेळ मोठ्या प्रमाणावर कमी झाला. यात उत्पादनाची नवी वैशिष्ट्ये, गुणवत्तेतील सुधारणा आणि सिस्टमची अधिक चांगली कामगिरी यांचा समावेश आहे.

आमच्या जाहिरातविषयक तत्त्वांवर⁠ आधारलेल्या सिस्टमच्या मर्यादा आणि LLM-आधारित समन्वयक यांच्या संयोगामुळे प्रत्येक संभाषणाला जाहिरातीची विनंती न मानताही जाहिराती उपयुक्त बनवता येतात. यापुढेही वापरकर्ते आणि जाहिरातदार यांचा लाभ वाढवण्यासाठी आम्ही अधिक डायनॅमिक जाहिरात स्वरूपांवर प्रयोग करत राहू. उदाहरणार्थ, जाहिरातींमधून वापरकर्त्यांना व्यवसायांशी थेट बोलता येण्याची सोय. OpenAI मॉडेल्स आणि सातत्यपूर्ण अभिप्रायचक्रांवर उभारलेली, स्वतःमध्ये सुधारणा करणारी तंत्रसंचाची रचना सुसंगतता आणि वैयक्तिकीकरण सतत सुधारण्याची आमची क्षमता अधिक वेगाने वाढवेल.