Wayfair OpenAI सह कॅटलॉगची अचूकता आणि सपोर्टचा वेग वाढवते

जगातील सर्वात मोठ्या होम गुड्स रिटेलर्सपैकी एक असलेल्या Wayfair ने पुरवठादार समर्थन कार्यप्रवाह आणि उत्पादन कॅटलॉगची गुणवत्ता मोठ्या प्रमाणावर सुधारण्यासाठी महत्त्वाच्या अंतर्गत प्रणालींमध्ये OpenAI मॉडेल एकत्रित केले आहेत. 2024 मध्ये मूल्य-चाचणीसाठी लहान प्रमाणातील रिलीजेस म्हणून जे सुरू झाले होते, ते आता पूर्ण उत्पादन प्रणालीमध्ये विकसित झाले आहे, जी मॅन्युअल प्रयत्न कमी करते, निर्णय-प्रक्रियेला गती देते आणि लाखो उत्पादनांमध्ये डेटा गुणवत्ता सुधारते.

जनरेटिव्ह AI ला एक प्रयोग किंवा पॉइंट सोल्यूशन म्हणून न पाहता, Wayfair ने OpenAI मॉडेल मुख्य ऑपरेशनल वर्कफ्लोमध्ये समाविष्ट केले. कंपनीने प्रथम तिथे लक्ष केंद्रित केले जिथे गुंतागुंत आणि मोठ्या प्रमाणावर विस्ताराची गरज सर्वाधिक होती: पुरवठादार सपोर्ट विनंत्या रूट करणे आणि त्यांचे निराकरण करणे, तसेच सुमारे 30 million आयटम्सच्या कॅटलॉगमध्ये दहा हजारो उत्पादन गुणधर्म सातत्याने सुधारित करणे.

Wayfairची कॅटलॉग संघ जवळपास हजार वेगवेगळ्या उत्पादन वर्गांमध्ये कोट्यवधी उत्पादने व्यवस्थापित करते. सुसंगत आणि अचूक उत्पादन गुणधर्म टॅग — जसे की रंग, साहित्य, आकार किंवा विशिष्ट वैशिष्ट्ये — सर्च, शिफारसी आणि मर्चेंडायझिंगसाठी अत्यावश्यक आहेत.    

आमच्या डेटाची गुणवत्ता जितकी चांगली, तितका आम्ही ग्राहकासोबत अधिक विश्वास निर्माण करतो. हे अत्यावश्यक आहे कारण यामुळे खरेदीदारांना योग्य खरेदी निर्णय घेण्यास सक्षम केले जाते, ज्यामुळे चुकीचे सादर केलेल्या उत्पादनांमुळे होणारे परतावे यांसारख्या महागड्या पुढील टप्प्यातील समस्या थेट कमी होतात," असे Wayfair मधील कॅटलॉग मर्चेंडायझिंगच्या असोसिएट डायरेक्टर जेसिका डी'आर्सी यांनी सांगितले. 

OpenAI पूर्वी, टॅगिंगमधील सुधारणा प्रामुख्याने पुरवठादार आणि ग्राहकांनी Wayfair ला काहीतरी चुकीचे दिसत आहे असे सांगण्यावर अवलंबून होत्या. मॅन्युअल प्रयत्न प्रमाणाशी जुळवून घेऊ शकले नाहीत.  वैयक्तिक टॅग्ससाठी सुरुवातीची कस्टम AI मॉडेल प्रभावी होती, पण ती तयार करणे आणि देखभाल करणे महागडे ठरले. “आम्ही सुरुवात वैयक्तिक टॅगसाठी खास तयार केलेली मॉडेल तयार करून केली, आणि तांत्रिकदृष्ट्या ते काम करत होते,” असे Wayfairच्या स्टाफ मशीन लर्निंग शास्त्रज्ञ कॅरोलिन फिलिप्स यांनी सांगितले. “पण जेव्हा तुम्ही 47,000 टॅग्जकडे पाहत असता, तेव्हा तो दृष्टिकोन तितका प्रभावीपणे मोठ्या प्रमाणावर लागू होत नाही.”

एकदाच वापरल्या जाणाऱ्या मॉडेल्सच्या पलीकडे जाण्यासाठी, Wayfair ने एका OpenAI मॉडेलवर आधारित टॅग-अ‍ॅग्नॉस्टिक प्रणाली तयार केली. एक “डिफिनिशन एजंट” वेब आणि अंतर्गत व्याख्या आत्मसात करून प्रत्येक टॅगसाठी संदर्भात्मक अर्थ तयार करते. “खरा अडथळा मॉडेलची कार्यक्षमता नव्हती,” असे फिलिप्स म्हणाले. “प्रत्येक टॅगचा नेमका अर्थ काय आहे हे परिभाषित आणि एन्कोड करण्यासाठी लागणारा मानवी वेळ होता.” हा संदर्भ, Wayfair च्या डेटा इकोसिस्टममधून एकत्रित केलेल्या उत्पादन डेटासह, अशा फ्रेमवर्कमध्ये समाविष्ट होतो जो उत्पादन वर्गांमध्ये अ‍ॅट्रिब्यूट्सचे वर्गीकरण करू शकतो. संघ आता नवीन अ‍ॅट्रिब्यूट्ससाठी मॉडेल कव्हरेजचा विस्तार करत आहे, आणि तेही वर्षभरापूर्वीच्या तुलनेत ७० पट वेगाने.

ही प्रणाली आता उत्पादनात 1 दशलक्ष पेक्षा जास्त उत्पादनांवर चालली आहे. आणि सुधारित गुणधर्म असलेल्या उत्पादनांची पहिली लाट आता इतका काळ लाइव्ह आहे की ग्राहक प्रवासावर डेटा गुणवत्ता सुधारण्याचा परिणाम मोजता येईल.  "जेव्हा तुम्ही गुणधर्मांची पूर्णता सुधारता, ते अमूर्त नसते." SEO आणि PLA कामगिरीमध्ये ते दिसून येते - ग्राहक उत्पादने कशी शोधतात यात,” असे फिलिप्स म्हणाले. नियंत्रित A/B चाचणीने उपचार गटात इंप्रेशन्स, क्लिक आणि पृष्ठ क्रमांकात लक्षणीय आणि महत्त्वपूर्ण वाढ दर्शविली.

तथापि, वेफेअरने उत्पादन डेटा दुरुस्त करण्याबाबतचे निर्णय फक्त मॉडेलकडे सोपवले नाहीत. “आमचे उद्दिष्ट विश्वास निर्माण करणे आहे, जेणेकरून ग्राहक जे खरेदी करत आहेत त्याबद्दल पूर्णपणे आत्मविश्वास बाळगतील,” असे फिलिप्स म्हणाले. कंपनीने संरचित चाचणी विकसित केली, ज्यामध्ये प्रत्यक्ष ऑडिट प्रक्रियेचा वापर केला जातो; यात सहकारी मॉडेल आउटपुटची पडताळणी करण्यासाठी नमुन्यांची प्रत्यक्ष तपासणी करतात, आणि बदलांची पडताळणी करण्यासाठी पुरवठादारांसोबत काम केले. आता, डेटा-आधारित आत्मविश्वास उच्च असताना, स्वयंचलित प्रणाली थेट सामग्री ओव्हरराइट करतील आणि बदलाबद्दल पुरवठादाराला सूचित करतील. आणि, जेव्हा उच्च मानक पूर्ण होत नाही किंवा टॅग उच्च-जोखीम मानला जातो, तेव्हा Wayfair बदल करण्यापूर्वी प्रथम पुरवठादाराकडून पुष्टी मागते.

वेफेअर त्यांच्या सर्वसमावेशक कॅटलॉगला समर्थन देण्यासाठी दहा हजारो पुरवठादारांसोबत काम करते. पुरवठादार सपोर्ट विनंत्या व्यवस्थापित करण्यासाठी, वेफेअर असोसिएट्सने ऐतिहासिकदृष्ट्या येणारे प्रत्येक टिकिट पुनरावलोकन केले, पुरवठादार काय साध्य करण्याचा प्रयत्न करत होते हे हाताने ओळखले, आणि समस्या योग्य अंतर्गत मालकाकडे रूट केल्या—ही वेळखाऊ आणि त्रुटी-प्रवण प्रक्रिया होती. "पुरवठादारांच्या विनंत्या सोप्या नसतात," असे वेफेअर मधील पुरवठादार सपोर्ट आणि ऑपरेशन्सचे ग्रॅहम गॅन्सल यांनी सांगितले. "ते शेकडो समस्या प्रकारांमध्ये पसरलेले आहेत, आणि कोणताही एकच असोसिएट वास्तववादीपणे त्यापैकी सर्वांवर प्रभुत्व मिळवू शकत नाही."

Wayfair ने Wilma नावाच्या उत्पादनात AI सह या कार्यप्रवाहांना वाढवण्यासाठी एजेंटिक वैशिष्ट्ये जोडली. प्रॉडक्शनमधील पहिल्या वैशिष्ट्यांपैकी एक म्हणजे OpenAI मॉडेलद्वारे समर्थित तिकीट ट्रायाज. प्रणाली येणाऱ्या विनंत्या वाचते, गहाळ संदर्भ भरते आणि तिकीट योग्य संघाकडे मार्गक्रमण करते. Wilma जलद तैनात करता येईल अशी डिझाइन करण्यात आली होती; OpenAI APIs सह आधीच समाकलित असलेल्या प्रणालीवर तयार केलेली असल्याने, ती प्रोटोटाइपवरून लाइव्हमध्ये अंदाजे एका महिन्यात गेली. “Wilma सहकाऱ्यांना लाभ देते,” असे गॅन्स्ले म्हणाले. “ते तिकीट वाचते, उद्देश ओळखते, आमच्या डेटाबेसेसमधून संदर्भ भरते, आवश्यक असल्यास पुरवठादारांशी पुन्हा संपर्क साधते आणि समस्येला योग्य दिशेने मार्गदर्शन करते.”

रूटिंगपलीकडे, वेफेअर ने विशिष्ट रिझोल्यूशन संघांससाठी डझनभर एजंटिक AI फ्लोज तैनात केले आहेत. उदाहरणार्थ, रिप्लेसमेंट पार्ट ऑपरेशन्स संघासाठीचा सह-पायलट गुंतागुंतीचा केस इतिहास वाचतो, पुढील पावले सुचवतो आणि मानव सहयोगींकडून पुनरावलोकन करण्यासाठी मसुदा प्रतिसाद सुचवतो. हे सहाय्यक ऐतिहासिक डेटावर प्रशिक्षित केलेले आहेत त्यामुळे ते संदर्भात यश कसे दिसते हे शिकतात. "मॉडेल संपूर्ण प्रवासभर संदर्भ अशा प्रकारे एकत्रित करू शकतात की ते एका एकट्या सहकाऱ्यासाठी करणे कठीण असते," असे गॅन्सल म्हणाले. "ती व्यापक दृश्यमानता ग्राहक आणि पुरवठादार समाधान वाढवण्यास हातभार लावते."

Wayfair AI च्या शिफारसी मानवी एजंटच्या अंतिम निर्णयाशी किती वेळा जुळतात याचा मागोवा ठेवते—“alignment rate” नावाचा एक मेट्रिक. प्रत्येक संघामध्ये, जेव्हा संरेखन सातत्याने पूर्वनिर्धारित थ्रेशोल्डपर्यंत पोहोचते, तेव्हा कार्यप्रवाह सहाय्यक (“co-pilot”) मोडमधून अर्ध-स्वायत्त (“autopilot”) मोडकडे वळू शकतात. हा टप्प्याटप्प्याचा दृष्टिकोन विश्वास निर्माण करतो आणि रोलआउटदरम्यान गुणवत्ता नियंत्रण सुनिश्चित करतो.

Wayfair ने अंतर्गत प्रणालींमध्ये OpenAI मॉडेल एकत्रित केल्यापासून मोजण्याजोग्या सुधारणा नोंदवल्या आहेत.

कॅटलॉगच्या बाजूने, कंपनीने ग्राहकाला दिसणाऱ्या चुकीच्या किंवा गहाळ उत्पादन गुणधर्म टॅग्सची संख्या कमी केली—Wayfair कॅटलॉगमधील सर्वाधिक दिसणाऱ्या आणि खरेदी होणाऱ्या दशलक्षाहून अधिक उत्पादनांमध्ये 2.5M उत्पादन टॅग्स दुरुस्त केले. पुढील सहा महिन्यांत हा प्रभाव चौपट करण्याची त्यांना अपेक्षा आहे.

पुरवठादार समर्थनात, ट्रायाज, को-पायलट आणि ऑटो-पायलट प्रणालींनी दर महिन्याला 41,000 तिकिटे स्वयंचलित करून (काही कार्यप्रवाहांमध्ये ते 70% पर्यंत) थ्रुपुट वाढवला आहे आणि सहकाऱ्यांच्या कामाच्या ओझ्यातून नियमित मॅन्युअल कामे काढून टाकून प्रतिसाद वेळ कमी केला आहे. यामुळे अनेक कार्यप्रवाहांसाठी निराकरणाचा वेळ मोठ्या प्रमाणात कमी होतो, पुरवठादारांचे समाधान लक्षणीयरीत्या वाढते, आणि त्या कार्यप्रवाहांमध्ये तिकिट पुन्हा उघडण्याचे प्रमाण कमी होते.

तिकिटे आणि पुरवठादाराच्या हेतूबाबत मॉडेल्स जे व्यापक दृश्यमानता प्रदान करतात—एका स्क्रीनवर एकच सहयोगी जे पाहू शकतो त्यापलीकडे—त्यामुळे समाधानातील त्या वाढीस हातभार लागला आहे.

कार्यान्वयनाच्या दृष्टीने, संघ अहवाल देतात:

• क्लिष्ट पुरवठादार टिकिट्सचे अधिक जलद रूटिंग आणि निराकरण
• पुरवठादारांचे समाधान वाढले
• मॅन्युअल डेटा नोंदणी आणि वर्गीकरणाचे काम कमी केले
• शेकडो विषयांमध्ये तज्ज्ञता आवश्यक न ठेवता अधिक व्यापक समस्यांचे कव्हरेज
• प्रकाशनापूर्वी कॅटलॉग गुणधर्मांमध्ये अधिक आत्मविश्वास.

Wayfair ने अ‍ॅड हॉक कामे, अंतर्गत समस्या सोडवणे आणि जनरेटिव मॉडेल्ससह प्रयोग यांना सपोर्ट करण्यासाठी, त्याच्या सुमारे 12,000 लोकांच्या वर्कफोर्समध्ये 1,200 पेक्षा अधिक ChatGPT Enterprise सीट्स देखील तैनात केल्या आहेत.

Wayfair ला मशीन लर्निंगमध्ये गुंतवणूक करण्याचा आणि AI प्लॅटफॉर्म्स आणि LLM प्रदात्यांसोबत सहयोग करून त्यांच्या व्यवसायाला पुढे नेण्यासाठीचा दीर्घ इतिहास आहे. आता, अत्याधुनिक मॉडेल्समधील प्रगती, विशेषतः मल्टिमोडल प्रणाली, त्याच्या संघां्सना काय तयार करता येईल याची व्याप्ती वाढवत आहे. घरगुती रिटेलमध्ये ते महत्त्वाचे आहे, जिथे उत्पादने दृश्य, शैलीदार आणि अनेकदा व्यक्तिनिष्ठ असतात.

“आता आम्ही हाताळू शकणाऱ्या समस्यांच्या व्याप्तीबद्दल आम्ही उत्सुक आहोत,” असे कॅरोलिन फिलिप्स म्हणाल्या. “पारंपरिक अल्गोरिदमसाठी काटेकोरपणे परिभाषित डाटासेट आवश्यक असतात. ही मॉडेल आम्हाला अस्पष्टता आणि संदर्भ यांमधून अशा प्रकारे काम करण्यास अनुमती देतात, जे पूर्वी स्केलेबल नव्हते. 

पुढे पाहता, ChatGPT Enterprise साठी कर्मचाऱ्यांची मागणी खूपच मजबूत आहे. Wayfair मधील संघांना हे एक व्यावहारिक साधन वाटते जे त्यांना अधिक वेगाने काम करण्यास मदत करते.

ग्राहकांच्या अपेक्षाही वेगाने बदलत आहेत. अधिकाधिक खरेदीदार त्यांच्या दैनंदिन जीवनात AI वापरण्यात सहज होत आहेत, आणि ते ऑनलाइन ब्राउझ, तुलना आणि खरेदी करताना अशाच क्षमतांची अपेक्षा करू लागले आहेत.

“घरी, ग्राहकांना ते जे शोधत आहेत त्यासाठी अनेकदा अचूक शब्द सापडत नाहीत,” असे फिओना टॅन यांनी सांगितले. “नॅचरल लँग्वेज आणि मल्टिमोडल सिस्टीम्स ते अंतर भरून काढण्यास मदत करतात.”

Wayfair नेत्यांसाठी, अंतर्गत क्षमता स्केल करताना मानवी तज्ज्ञता वाढवणे हे उद्दिष्ट कायम आहे. “आम्ही अशा जगासाठी तयार करत आहोत जिथे AI खरेदी प्रवासाचा भाग आहे—मग ते आमच्या साइटवर असो, सहाय्याद्वारे असो, किंवा संभाषणात्मक इंटरफेसद्वारे असो,” असा निष्कर्ष Fiona Tan यांनी काढला.