Wayfair tingkatkan ketepatan katalog dan sokongan dengan OpenAI

Wayfair, salah satu peruncit barangan rumah terbesar di dunia, telah mengintegrasikan model OpenAI ke dalam sistem dalaman kritikal untuk meningkatkan aliran kerja sokongan pembekal dan kualiti katalog produk pada skala. Apa yang bermula sebagai keluaran berskala kecil untuk menguji nilai pada 2024 telah berkembang menjadi sistem pengeluaran penuh yang mengurangkan usaha manual, mempercepatkan pembuatan keputusan dan meningkatkan kualiti data di seluruh jutaan produk.

Daripada menganggap AI generatif sebagai eksperimen atau penyelesaian khusus, Wayfair menyepadukan model OpenAI ke dalam aliran kerja operasi teras. Syarikat menumpukan perhatian terlebih dahulu pada bahagian yang mempunyai kerumitan dan keperluan untuk skala yang paling tinggi: menghala dan menyelesaikan permintaan sokongan pembekal serta menambah baik puluhan ribu atribut produk secara konsisten merentasi katalog yang merangkumi kira-kira 30 juta item.

Pasukan katalog Wayfair mengurus puluhan juta produk merentas hampir seribu kelas produk yang berbeza. Tag atribut produk yang konsisten dan tepat—seperti warna, bahan, saiz atau ciri khusus—penting untuk carian, cadangan dan perdagangan.    

"Semakin baik kualiti data kami, semakin banyak kepercayaan yang kami bina dengan pelanggan." Ini penting kerana ia memperkasakan pembeli untuk membuat keputusan pembelian yang tepat, sekali gus mengurangkan isu susulan yang mahal seperti pemulangan akibat produk yang disalahtafsirkan," kata Jessica D'Arcy, Pengarah Bersekutu Perdagangan Katalog di Wayfair. 

Sebelum OpenAI, penambahbaikan penandaan bergantung terutamanya pada pembekal dan pelanggan untuk memaklumkan kepada Wayfair bahawa terdapat sesuatu yang tidak kena. Usaha manual tidak dapat menampung jumlah kerja tersebut.  Model AI tersuai awal untuk tag individu berkesan, tetapi terbukti mahal untuk dibangunkan dan diselenggara. “Kami bermula dengan membina model tersuai untuk tag individu, dan dari segi teknikal, ia berfungsi,” kata Carolyn Phillips, saintis pembelajaran mesin kakitangan Wayfair. “Tetapi apabila anda melihat 47,000 tag, pendekatan itu tidak dapat diskalakan.”

Untuk melangkaui model sekali guna, Wayfair mencipta sistem tanpa mengira tag yang dibina berasaskan satu model OpenAI tunggal. “Ejen definisi” menelan web dan definisi dalaman untuk menghasilkan makna kontekstual bagi setiap tag. “Halangan sebenar bukanlah prestasi model,” kata Phillips. “Tetapi masa manusia yang diperlukan untuk mentakrifkan dan mengekod maksud sebenar setiap tag.” Konteks ini, bersama dengan data produk yang diagregatkan daripada seluruh ekosistem data Wayfair, dimasukkan dalam rangka kerja yang boleh mengklasifikasikan atribut merentas kelas produk. Pasukan kini sedang memperluaskan liputan model kepada atribut baharu pada kadar 70x berbanding dengan kadar peluasan setahun yang lalu.

Kini sistem ini telah beroperasi dalam pengeluaran lebih daripada 1 juta produk. Kini gelombang pertama produk dengan atribut yang dipertingkatkan telah cukup lama disiarkan untuk mengukur kesan peningkatan kualiti data terhadap perjalanan pelanggan.  “Apabila anda meningkatkan kelengkapan atribut, itu bukan sesuatu yang abstrak. Anda melihatnya muncul dalam prestasi SEO dan PLA—dalam cara pelanggan menemukan produk,” kata Phillips. Ujian A/B terkawal menunjukkan peningkatan yang besar dan ketara dalam tera, klik dan kedudukan halaman dalam kumpulan ujian.

Walau bagaimanapun, Wayfair tidak menyerahkan keputusan tentang membetulkan data produk kepada model begitu sahaja. “Objektif kami adalah untuk membina kepercayaan supaya pelanggan benar-benar yakin dengan item yang mereka beli,” kata Phillips. Syarikat membangunkan ujian berstruktur menggunakan proses audit secara langsung yang melibatkan pemeriksaan sampel secara fizikal oleh rakan sekerja untuk mengesahkan output model dan bekerjasama dengan pembekal untuk mengesahkan perubahan. Apabila keyakinan berasaskan data tinggi, sistem automatik akan menulis ganti kandungan secara terus dan memaklumi pembekal tentang perubahan tersebut. Namun, apabila standard yang tinggi tidak dipenuhi atau tag dianggap berisiko tinggi, Wayfair mendapatkan pengesahan pembekal terlebih dahulu sebelum membuat perubahan.

Wayfair bekerjasama dengan puluhan ribu pembekal untuk menyokong katalog komprehensif mereka. Untuk mengurus permintaan sokongan pembekal, rakan sekerja Wayfair secara sejarahnya menyemak setiap tiket masuk, mengenal pasti secara manual apa yang pembekal cuba capai, dan menghalakan isu kepada pemilik dalaman yang betul—satu proses yang memakan masa dan mudah berlaku ralat. “Permintaan pembekal bukanlah mudah,” kata Graham Ganssle, sokongan dan operasi pembekal di Wayfair. “Mereka merangkumi ratusan jenis isu, dan tiada seorang pun rakan sekerja yang secara realistik boleh menguasai kesemuanya.”

Wayfair menambah ciri agentik pada produk bernama Wilma untuk menambah baik aliran kerja ini dengan AI. Salah satu ciri pertama dalam pengeluaran ialah triaj tiket yang dikuasakan oleh model OpenAI. Sistem membaca permintaan masuk, mengisi konteks yang hilang dan menghalakan tiket kepada pasukan yang sesuai. Wilma direka untuk boleh dilaksanakan dengan pantas; dibina pada sistem yang sudah bersepadu dengan API OpenAI, ia beralih daripada prototaip kepada secara langsung dalam kira-kira satu bulan. “Wilma memberi rakan sekerja pengaruh,” kata Ganssle. “Ia membaca tiket, mengenal pasti niat, mengisi konteks daripada pangkalan data kami, menghubungi semula pembekal jika perlu, dan menghalakan isu ke arah yang betul.”

Selain penghalaan, Wayfair telah melaksanakan sedozen aliran AI ejen untuk pasukan penyelesaian khusus. Sebagai contoh, seorang pembantu juruterbang untuk pasukan Operasi Bahagian Gantian membaca sejarah kes yang kompleks, mencadangkan langkah seterusnya dan mencadangkan draf respons yang disemak oleh rakan sekerja manusia. Pembantu ini dilatih menggunakan data sejarah supaya mereka belajar bagaimana kejayaan kelihatan dalam konteks. “Model-model boleh mensintesis konteks merentas keseluruhan perjalanan dengan cara yang sukar dilakukan oleh seorang rakan sekerja sahaja,” kata Ganssle. “Keterlihatan yang lebih luas itu menyumbang kepada kepuasan pelanggan dan pembekal yang lebih tinggi.”

Wayfair menjejaki kekerapan cadangan AI sepadan dengan keputusan akhir ejen manusia—metrik yang dipanggil “kadar penjajaran.” Dalam setiap pasukan, apabila penjajaran secara konsisten mencapai ambang yang telah ditetapkan, aliran kerja boleh beralih daripada mod bantuan (“co-pilot”) kepada mod separa autonomi (“autopilot”). Pendekatan berperingkat ini membina kepercayaan dan memastikan kawalan kualiti semasa pelancaran.

Wayfair melaporkan peningkatan yang boleh diukur sejak mengintegrasikan model OpenAI ke dalam sistem dalaman.

Di bahagian katalog, syarikat mengurangkan bilangan tag atribut produk yang salah atau hilang yang mungkin dilihat oleh pelanggan—setelah membetulkan 2.5 juta tag produk merentasi lebih sejuta produk yang paling ketara dan paling banyak dibeli dalam katalog Wayfair. Mereka menjangka untuk menggandakan impak ini sebanyak empat kali ganda dalam enam bulan akan datang.

Dalam sokongan pembekal, sistem triaj, pengendalian bersama dan pengendalian automatik telah meningkatkan daya pemprosesan dengan mengautomasikan 41,000 tiket sebulan (iaitu hingga 70% dalam sesetengah aliran kerja) dan mengurangkan masa pusing balik dengan menghapuskan kerja manual rutin daripada beban kerja rakan sekutu. Ini mengurangkan dengan ketara masa untuk penyelesaian bagi berbilang aliran kerja, meningkatkan kepuasan pembekal dengan ketara dan mengurangkan pembukaan semula tiket dalam aliran kerja tersebut.

Keterlihatan yang lebih luas yang disediakan oleh model terhadap tiket dan niat pembekal—melebihi apa yang boleh dilihat oleh seorang rakan sekerja pada skrin—telah menyumbang kepada peningkatan kepuasan tersebut.

Secara operasi, pasukan melaporkan:

• Penghalaan dan penyelesaian yang lebih pantas untuk tiket pembekal yang rumit
• Peningkatan kepuasan pembekal
• Mengurangkan kemasukan data manual dan kerja pengelasan
• Liputan isu yang lebih luas tanpa memerlukan kepakaran merentasi ratusan topik
• Keyakinan yang lebih tinggi terhadap atribut katalog sebelum penerbitan.

Wayfair juga telah melancarkan lebih daripada 1,200 tempat duduk ChatGPT Enterprise di seluruh tenaga kerja kira-kira 12,000 orang untuk menyokong tugas ad hoc, penyelesaian masalah dalaman, dan eksperimen dengan model generatif.

Wayfair sudah lama melabur dalam pembelajaran mesin dan bekerjasama dengan platform AI serta penyedia LLM untuk memajukan perniagaan mereka. Kini, kemajuan dalam model perbatasan, khususnya sistem multimodal, sedang memperluas perkara yang boleh dibina oleh pasukan Wayfair. Hal ini penting dalam peruncitan barangan kelengkapan rumah, yang melibatkan produk yang bersifat visual, bergaya dan sering kali subjektif.

“Kami teruja dengan skop masalah yang kini boleh kami tangani,” kata Carolyn Phillips. “Algoritma tradisional memerlukan set data yang ditakrifkan dengan ketat.” Model ini membolehkan kami menangani kekaburan dan konteks dengan cara yang tidak boleh diskalakan sebelum ini.” 

Melangkah ke hadapan, permintaan pekerja terhadap ChatGPT Enterprise telah kukuh. Pasukan di Wayfair melihatnya sebagai alat praktikal yang membantu mereka bergerak dengan lebih cepat.

Jangkaan pelanggan juga berubah dengan cepat. Semakin ramai pembeli berasa selesa menggunakan AI dalam kehidupan seharian mereka, dan mereka mula mengharapkan keupayaan yang serupa apabila mereka menyemak imbas, membandingkan dan membeli dalam talian.

“Di rumah, pelanggan selalunya tidak mempunyai kata-kata yang tepat untuk apa yang mereka cari,” kata Fiona Tan. “Sistem bahasa semula jadi dan sistem multimodal membantu merapatkan jurang itu.”

Bagi pemimpin Wayfair, matlamatnya kekal untuk menambah baik kepakaran manusia sambil meningkatkan skala keupayaan dalaman. “Kami sedang membina untuk dunia di mana AI adalah sebahagian daripada perjalanan membeli-belah—sama ada itu di laman kami, melalui sokongan, atau melalui antara muka perbualan,” Fiona Tan menyimpulkan.