ਭਰੋਸੇ ਅਤੇ ਪ੍ਰਸੰਗਿਕਤਾ ਲਈ ਅਸੀਂ ChatGPT ਦਾ ਨਵਾਂ ਇਸ਼ਤਿਹਾਰੀ ਢਾਂਚਾ ਕਿਵੇਂ ਬਣਾਇਆ

ਰਵਾਇਤੀ ਇਸ਼ਤਿਹਾਰ ਪ੍ਰਣਾਲੀਆਂ ਵਰਤੋਂਕਾਰ ਦੇ ਇਰਾਦੇ ਦੇ ਵੱਖਰੇ-ਵੱਖਰੇ ਸੰਕੇਤਾਂ 'ਤੇ ਕਾਰਵਾਈ ਕਰਨ ਲਈ ਬਣਾਈਆਂ ਜਾਂਦੀਆਂ ਹਨ. ਵਰਤੋਂਕਾਰ ਔਨਲਾਈਨ ਕੁਝ ਖੋਜਦਾ ਜਾਂ ਦੇਖਦਾ ਹੈ, ਇਸ਼ਤਿਹਾਰ ਪ੍ਰਣਾਲੀ ਨੂੰ ਉਹ ਪੁੱਛਗਿੱਛਾਂ ਅਤੇ ਵੈੱਬ ਪੰਨੇ ਦੇਖਣ ਦੀਆਂ ਘਟਨਾਵਾਂ ਮਿਲਦੀਆਂ ਹਨ, ਅਤੇ ਪ੍ਰਣਾਲੀ ਉਹਨਾਂ ਦੇ ਆਧਾਰ 'ਤੇ ਮੇਲ ਖਾਂਦੇ ਇਸ਼ਤਿਹਾਰ ਲੱਭਦੀ ਹੈ. ChatGPT ਲਈ ਇਸ਼ਤਿਹਾਰੀ ਤਕਨੀਕੀ ਢਾਂਚਾ ਬਣਾਉਣਾ ਵੱਖਰਾ ਸੀ: ਵਰਤੋਂਕਾਰ ਦਾ ਇਰਾਦਾ ਗੱਲਾਂ-ਬਾਤਾਂ ਦੌਰਾਨ ਵਿਕਸਿਤ ਹੁੰਦਾ ਹੈ ਅਤੇ ਕਈ ਵਾਰ ਦੇ ਸਵਾਲ-ਜਵਾਬ ਨਾਲ ਬਦਲਦਾ ਰਹਿੰਦਾ ਹੈ. ਕਦੇ-ਕਦਾਈਂ ਇਸ਼ਤਿਹਾਰ ਲਈ ਢੁਕਵਾਂ ਮੌਕਾ ਆਉਂਦਾ ਹੀ ਨਹੀਂ. ਇਸ ਨਵੀਂ ਪਹੁੰਚ ਲਈ ਅਸੀਂ ਲੋੜ ਮੁਤਾਬਕ ਖਾਸ ਇਸ਼ਤਿਹਾਰ ਪਹੁੰਚਾਉਣ ਵਾਲੀ ਪ੍ਰਣਾਲੀ ਬਣਾਈ. ਇਹ ਨਵੀਂ ਕਿਸਮ ਦਾ ਇਸ਼ਤਿਹਾਰੀ ਢਾਂਚਾ ਖਾਸ ਤੌਰ 'ਤੇ ਤਿਆਰ ਕੀਤੇ ਪੋਸਟ-ਟ੍ਰੇਨਡ ਅਤਿ-ਆਧੁਨਿਕ LLM 'ਤੇ ਆਧਾਰਿਤ ਹੈ. ਇਹ ਖੋਜ (ਸਭ ਤੋਂ ਵਧੀਆ ਵਿਕਲਪ ਪਛਾਣਨ), ਦਰਜਾਬੰਦੀ (ਵਰਤੋਂਕਾਰ ਦੇ ਰੁਝੇਵੇਂ ਦੀ ਭਵਿੱਖਬਾਣੀ), ਪ੍ਰਸੰਗਿਕਤਾ (ਇਸ਼ਤਿਹਾਰ ਦੀ ਉਪਯੋਗਤਾ ਪਰਖਣ) ਅਤੇ ਅੰਤਿਮ ਇਸ਼ਤਿਹਾਰ ਚੁਣਨ ਤੇ ਕੀਮਤ ਤੈਅ ਕਰਨ ਲਈ ਨਿਲਾਮੀ ਚਲਾਉਣ ਵਾਸਤੇ ਟੂਲਾਂ ਨੂੰ ਕਾਲ ਕਰਦਾ ਹੈ.

ਸਾਡੀ ਇਸ਼ਤਿਹਾਰ ਪ੍ਰਣਾਲੀ ਤਿੰਨ ਮੁੱਖ ਡਿਜ਼ਾਈਨ ਫੈਸਲਿਆਂ ਨਾਲ ਵਰਤੋਂਕਾਰ ਦੇ ਬਦਲਦੇ ਟੀਚਿਆਂ ਦੀਆਂ ਬਾਰੀਕੀਆਂ ਨੂੰ ਸੰਭਾਲਦੀ ਹੈ: 1) ਸਥਿਤੀ ਯਾਦ ਰੱਖਣ ਵਾਲੇ ਇਸ਼ਤਿਹਾਰੀ ਸੈਸ਼ਨ ਲਾਗੂ ਕਰਨਾ, ਅਰਥਾਤ ਇੱਕ ਗੱਲਬਾਤ ਦੇ ਕਈ ਸਵਾਲ-ਜਵਾਬਾਂ ਅਤੇ ਵੱਖ-ਵੱਖ ਗੱਲਬਾਤਾਂ ਦੀ ਜਾਣਕਾਰੀ ਯਾਦ ਰੱਖਣਾ, 2) ਖਾਸ ਤੌਰ 'ਤੇ ਤਿਆਰ ਕੀਤੇ ਪੋਸਟ-ਟ੍ਰੇਨਡ LLM 'ਤੇ ਨਿਰਭਰ ਕਰਨਾ, ਜੋ ਟੂਲਾਂ ਨੂੰ ਕਾਲ ਕਰਨ ਢਾਂਚੇ ਨਾਲ ਗੱਲਬਾਤ ਦਾ ਸੰਦਰਭ ਅਤੇ ਅੰਦਰਲਾ ਇਰਾਦਾ ਸਮਝੇ, ਫਿਰ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਢੰਗ ਨਾਲ ਇਸ਼ਤਿਹਾਰ ਚੁਣੇ, ਦਰਜਾਬੰਦੀ ਕਰੇ ਅਤੇ ਪਹੁੰਚਾਏ, ਅਤੇ 3) ਇਸ਼ਤਿਹਾਰ ਚੁਣਨ ਦੀ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ChatGPT ਦੇ ਜਵਾਬ ਬਣਾਉਣ ਤੋਂ ਵੱਖ, ਆਪਣੀ ਅਲੱਗ ਸੇਵਾ ਵਿੱਚ ਚਲਾਉਣਾ, ਤਾਂ ਜੋ ਇਸ਼ਤਿਹਾਰ ਜਵਾਬਾਂ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਨਾ ਕਰਨ ਅਤੇ ChatGPT ਦਾ ਲਹਿਜ਼ਾ ਨਿਰਪੱਖ ਰਹੇ. ਅਸੀਂ ਪੂਰੇ ਇਸ਼ਤਿਹਾਰੀ ਫਲੋ ਨੂੰ ਚਲਾਉਣ ਲਈ ਆਪਣਾ ਪੋਸਟ-ਟ੍ਰੇਨਡ LLM ਵਰਤਦੇ ਹਾਂ. ਇਹ ਵਰਤੋਂਕਾਰ ਦੇ ਮੌਜੂਦਾ ਸਵਾਲ-ਜਵਾਬ ਅਤੇ ਪਿਛਲੀ ਗੱਲਬਾਤ, ਦੋਵਾਂ ਦੇ ਆਧਾਰ 'ਤੇ ਤੈਅ ਕਰਦਾ ਹੈ ਕਿ ਸਹੀ ਵੇਲੇ ਕਿਹੜਾ ਢੁਕਵਾਂ ਇਸ਼ਤਿਹਾਰ ਦਿਖਾਉਣਾ ਹੈ. ਇਸ ਤਰ੍ਹਾਂ ਦੀ ਆਪਣੇ ਆਪ ਨੂੰ ਸੁਧਾਰਨ ਵਾਲੀ ਇਸ਼ਤਿਹਾਰ ਪ੍ਰਣਾਲੀ ਸ਼ੁਰੂ ਤੋਂ ਬਣਾਉਣ ਵਿੱਚ ਪਹਿਲਾਂ ਕਈ ਸਾਲ ਲੱਗਦੇ ਸਨ, ਪਰ ChatGPT ਇਸ਼ਤਿਹਾਰ ਸ਼ੁਰੂਆਤ ਤੋਂ 200 ਦਿਨਾਂ ਤੋਂ ਵੀ ਘੱਟ ਸਮੇਂ ਵਿੱਚ ਮੌਜੂਦਾ ਰਫ਼ਤਾਰ ਦੇ ਸਾਲਾਨਾ ਹਿਸਾਬ ਨਾਲ $1 ਅਰਬ ਦੀ ਆਮਦਨ ਤੱਕ ਪਹੁੰਚ ਗਏ. ਹੁਣ ਸ਼ੁਰੂਆਤ ਤੋਂ ਲੈ ਕੇ 100,000 ਤੋਂ ਵੱਧ ਇਸ਼ਤਿਹਾਰਦਾਤਾ ChatGPT 'ਤੇ ਇਸ਼ਤਿਹਾਰ ਚਲਾ ਚੁੱਕੇ ਹਨ.

ਰਵਾਇਤੀ ਇਸ਼ਤਿਹਾਰੀ ਬੇਨਤੀ ਆਮ ਤੌਰ ’ਤੇ ਕਿਸੇ ਸਪਸ਼ਟ ਘਟਨਾ ਨਾਲ ਸ਼ੁਰੂ ਹੁੰਦੀ ਹੈ. ਵਰਤੋਂਕਾਰ ਖੋਜ ਪੁੱਛਗਿੱਛ ਭੇਜਦਾ ਹੈ ਜਾਂ ਵੈੱਬ ਪੰਨਾ ਖੋਲ੍ਹਦਾ ਹੈ ਅਤੇ ਇਸ਼ਤਿਹਾਰ ਪ੍ਰਣਾਲੀ ਨੂੰ ਇੱਕ ਬੇਨਤੀ ਮਿਲਦੀ ਹੈ. ਇਸ ਕਿਸਮ ਦੀ ਪ੍ਰਣਾਲੀ ਕਾਫ਼ੀ ਸਰਲ ਹੁੰਦੀ ਹੈ: ਇਹ ਸੰਭਾਵੀ ਇਸ਼ਤਿਹਾਰਾਂ ਨੂੰ ਰਿਟ੍ਰੀਵ ਕਰਦੀ ਹੈ, ਉਹਨਾਂ ਦੀ ਦਰਜਾਬੰਦੀ ਕਰਦੀ ਹੈ, ਮੌਕੇ ਦੀ ਢੁਕਵੀਂ ਕੀਮਤ ਤੈਅ ਕਰਨ ਲਈ ਨਿਲਾਮੀ ਚਲਾਉਂਦੀ ਹੈ ਅਤੇ ਨਤੀਜੇ ਵਜੋਂ ਚੁਣਿਆ ਗਿਆ ਇਸ਼ਤਿਹਾਰ ਵਰਤੋਂਕਾਰ ਨੂੰ ਦਿਖਾਉਂਦੀ ਹੈ. ChatGPT ਵਿੱਚ ਸੁਭਾਵਿਕ ਤੌਰ ’ਤੇ ਅਜਿਹਾ ਕੋਈ ਸਪਸ਼ਟ ਪਲ ਨਹੀਂ ਆਉਂਦਾ.

ChatGPT ਦੀ ਗੱਲਬਾਤ ਵਿੱਚ ਲੋਕ ਇੱਕੋ ਜਵਾਬ ਵਾਲੀ ਖੋਜ ਪੁੱਛਗਿੱਛ ਦੀ ਬਜਾਏ ਆਪਣੇ ਟੀਚੇ ਲੈ ਕੇ ਆਉਂਦੇ ਹਨ. ਉਹ ਯਾਤਰਾ ਦੀ ਯੋਜਨਾ ਬਣਾ ਰਹੇ ਹੋ ਸਕਦੇ ਹਨ, ਆਪਣੇ ਕਾਰੋਬਾਰ ਲਈ ਸੌਫਟਵੇਅਰ ਚੁਣ ਰਹੇ ਹੋ ਸਕਦੇ ਹਨ, ਘਰ ਸਜਾ ਰਹੇ ਹੋ ਸਕਦੇ ਹਨ ਜਾਂ ਕੋਈ ਨਵਾਂ ਸ਼ੌਕ ਸਿੱਖ ਰਹੇ ਹੋ ਸਕਦੇ ਹਨ. ਇਹ ਸਭ ਕੁਝ ਗੱਲਬਾਤ ਦੇ ਇੱਕੋ ਟਰਨ ਵਿੱਚ ਨਹੀਂ ਹੁੰਦਾ. ChatGPT ਅਕਸਰ ਗੱਲਬਾਤ ਦੌਰਾਨ ਵਰਤੋਂਕਾਰ ਨੂੰ ਇਹ ਸਪਸ਼ਟ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ ਕਿ ਕੀ ਮਹੱਤਵਪੂਰਨ ਹੈ.

ਮਿਸਾਲ ਵਜੋਂ, ਸਾਡੀ ਇੰਜੀਨੀਅਰਿੰਗ ਟੀਮ ਨੇ ChatGPT ਨੂੰ ਪੁੱਛਿਆ ਕਿ ਦੌੜ ਮੁਕਾਬਲੇ ਲਈ ਤਿਆਰੀ ਕਿਵੇਂ ਕਰਨੀ ਹੈ. ਗੱਲਬਾਤ ਦੌੜਨ ਬਾਰੇ ਇੱਕ ਆਮ ਸਵਾਲ ਨਾਲ ਸ਼ੁਰੂ ਹੁੰਦੀ ਹੈ. ਕਈ ਟਰਨਾਂ ਤੋਂ ਬਾਅਦ, ਉਹ ਤਿਆਰੀ ਵਿੱਚ ਮਦਦ ਕਰਨ ਵਾਲੀਆਂ ਜੁੱਤੀਆਂ ਬਾਰੇ ਪੁੱਛਦੇ ਹਨ. ਹਰ ਨਵੀਂ ਸ਼ਰਤ ਸਾਹਮਣੇ ਆਉਣ ਨਾਲ ਗੱਲਬਾਤ ਦਾ ਵਪਾਰਕ ਅਰਥ ਬਦਲਦਾ ਜਾਂਦਾ ਹੈ—ਅਤੇ ਇਹ ਨਿੱਜੀ ਸੰਦਰਭ ਕਈ ਸੈਸ਼ਨਾਂ ਦੌਰਾਨ ਵਿਕਸਿਤ ਹੁੰਦਾ ਰਹਿੰਦਾ ਹੈ. ਜੇ ਕੋਈ ਪ੍ਰਣਾਲੀ ਪਹਿਲੇ ਸੁਨੇਹੇ ਦੇ ਆਧਾਰ ’ਤੇ ਹੀ ਕਾਰਵਾਈ ਕਰਦੀ, ਤਾਂ ਉਹ ਵਰਤੋਂਕਾਰ ਦੇ ਇਰਾਦੇ ਨੂੰ ਪੂਰੀ ਤਰ੍ਹਾਂ ਗਲਤ ਸਮਝ ਸਕਦੀ ਸੀ ਅਤੇ ਗਲਤ ਨਤੀਜੇ ਲੱਭ ਸਕਦੀ ਸੀ, ਜਿਸ ਨਾਲ ਵਰਤੋਂਕਾਰ ਦਾ ਅਨੁਭਵ ਖ਼ਰਾਬ ਹੋ ਸਕਦਾ ਸੀ ਅਤੇ ਉਸ ਦੇ ਕੰਮ ਵਿੱਚ ਰੁਕਾਵਟ ਪੈ ਸਕਦੀ ਸੀ.

ਆਪਣੀ ਇਸ਼ਤਿਹਾਰ ਪ੍ਰਣਾਲੀ ਬਣਾਉਣ ਲਈ ਸਾਨੂੰ ਰਵਾਇਤੀ ਬੇਨਤੀ-ਜਵਾਬ ਵਾਲੇ ਇਸ਼ਤਿਹਾਰੀ ਢਾਂਚੇ ਤੋਂ ਅੱਗੇ ਵਧਣਾ ਪਿਆ ਅਤੇ ਸੰਭਾਵੀ ਆਰਥਿਕ ਮੌਕਿਆਂ ਦੀ ਪਛਾਣ ਕਰਨ ਲਈ ਸ਼ੁਰੂ ਤੋਂ ਇੱਕ ਨਵਾਂ ਇਸ਼ਤਿਹਾਰੀ ਤਕਨੀਕੀ ਢਾਂਚਾ ਬਣਾਉਣਾ ਪਿਆ, ਜਿਸ ਵਿੱਚ ਵਰਤੋਂਕਾਰ ਦੇ ਭਰੋਸੇ ਅਤੇ ਮੁੱਲ ਨੂੰ ਪਹਿਲ ਦਿੱਤੀ ਗਈ.

ਰਵਾਇਤੀ ਇਸ਼ਤਿਹਾਰ ਪ੍ਰਣਾਲੀ ਵਾਂਗ ਹਰ ਸੁਨੇਹੇ ਨੂੰ ਇੱਕ ਵੱਖਰੀ ਬੇਨਤੀ ਮੰਨਣ ਨਾਲ ਸਾਡੀ ਗੱਲਬਾਤ-ਆਧਾਰਿਤ ਵਰਤੋਂ ਵਿੱਚ ਕੁਝ ਜੋਖਮ ਪੈਦਾ ਹੁੰਦੇ: 1) ਵਰਤੋਂਕਾਰ ਦੇ ਟੀਚੇ ਨੂੰ ਹੱਦੋਂ ਵੱਧ ਸਰਲ ਬਣਾ ਕੇ ਗਲਤ ਸਮਝਣਾ, 2) ਵਰਤੋਂਕਾਰ ਦੀ ਅਸਲ ਲੋੜ ਸਪਸ਼ਟ ਹੋਣ ਤੋਂ ਪਹਿਲਾਂ ਹੀ ਇਸ਼ਤਿਹਾਰੀ ਫਲੋ ਸ਼ੁਰੂ ਕਰ ਦੇਣਾ, 3) ਅਜਿਹੇ ਇਸ਼ਤਿਹਾਰ ਦਿਖਾਉਣਾ ਜੋ ਵਰਤੋਂਕਾਰ ਦੀ ਯਾਤਰਾ ਵਿੱਚ ਸਹਾਇਤਾ ਕਰਨ ਦੀ ਬਜਾਏ ਰੁਕਾਵਟ ਪਾਉਣ, ਅਤੇ 4) ਹਰ ਵਾਰ ਬੇਨਤੀ ਬਦਲਣ ’ਤੇ ਇਸ਼ਤਿਹਾਰੀ ਫਲੋ ਨੂੰ ਬੇਲੋੜੇ ਢੰਗ ਨਾਲ ਮੁੜ ਚਲਾਉਣਾ, ਜਿਸ ਨਾਲ ਬੇਲੋੜੀ ਸਰਗਰਮੀ ਵਧਦੀ ਹੈ ਅਤੇ ਖਰਚ ਬਰਬਾਦ ਹੁੰਦਾ ਹੈ. ਵੱਖ-ਵੱਖ ਘਟਨਾਵਾਂ ’ਤੇ ਆਧਾਰਿਤ ਪ੍ਰਣਾਲੀ ਬਣਾਉਣ ਦੀ ਬਜਾਏ, ਇਸ਼ਤਿਹਾਰ ਪ੍ਰਣਾਲੀ (ਜਿਸ ਵਿੱਚ ਰਿਟ੍ਰੀਵਲ, ਦਰਜਾਬੰਦੀ ਅਤੇ ਡਿਲਿਵਰੀ ਸ਼ਾਮਲ ਹਨ) ਸਥਿਤੀ ਨੂੰ ਯਾਦ ਰੱਖਣ ਵਾਲਾ ਸੈਸ਼ਨ ਕਾਇਮ ਰੱਖਦੀ ਹੈ. ਇਸ ਦਾ ਮਤਲਬ ਹੈ ਕਿ ਇਸ਼ਤਿਹਾਰੀ ਸੈਸ਼ਨ ਇੱਕ ਯੋਗ ਟਰਨ ਦੀ ਪੂਰੀ ਮਿਆਦ ਦੌਰਾਨ ਚੱਲਦਾ ਹੈ ਅਤੇ ਜਾਣਕਾਰੀ ਦੇ ਵਿਕਸਿਤ ਹੋਣ ਨਾਲ ਉਸ ਨੂੰ ਯਾਦ ਰੱਖਦਾ ਤੇ ਅੱਪਡੇਟ ਕਰਦਾ ਹੈ. ChatGPT ਸ਼ੁਰੂਆਤੀ ਬੇਨਤੀ ਦਾ ਸੰਦਰਭ ਇਸ਼ਤਿਹਾਰ ਸਰਵਰ ਨੂੰ ਭੇਜਦਾ ਹੈ. ਇਸ਼ਤਿਹਾਰ ਪ੍ਰਣਾਲੀ ਇੱਕੋ ਸਰਲ ਬਣਾਈ ਪੁੱਛਗਿੱਛ ’ਤੇ ਨਿਰਭਰ ਰਹਿਣ ਦੀ ਬਜਾਏ ਵਿਕਸਿਤ ਹੋ ਰਹੀ ਗੱਲਬਾਤ ਨੂੰ ਸਮਝਦੀ ਹੈ ਅਤੇ ਉਸ ਮੁਤਾਬਕ ਆਪਣੇ ਆਪ ਨੂੰ ਢਾਲਦੀ ਹੈ.

ਇਸ਼ਤਿਹਾਰ ਚੁਣਨ ਦੀ ਪ੍ਰਕਿਰਿਆ ChatGPT ਵੱਲੋਂ ਆਮ ਜਵਾਬ ਤਿਆਰ ਕਰਨ ਦੇ ਨਾਲ-ਨਾਲ ਚੱਲਦੀ ਹੈ, ਤਾਂ ਜੋ ਇਸ਼ਤਿਹਾਰੀ ਫਲੋ ChatGPT ਦੇ ਜਵਾਬਾਂ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਨਾ ਕਰੇ. ਇਸ਼ਤਿਹਾਰਾਂ ਨੂੰ ਇੱਕ ਵੱਖਰੀ ਪ੍ਰਣਾਲੀ ਰਾਹੀਂ ਫਿਲਟਰ ਕਰਕੇ ਚੁਣਿਆ ਜਾਂਦਾ ਹੈ, ਜੋ ਯੋਗਤਾ, ਗੁਣਵੱਤਾ ਅਤੇ ਡਿਲਿਵਰੀ ਨਾਲ ਜੁੜੀਆਂ ਆਪਣੀਆਂ ਸ਼ਰਤਾਂ ਅਧੀਨ ਗੱਲਬਾਤ ਦੀ ਜਾਣਕਾਰੀ ਵਰਤਦੀ ਹੈ. ਢਾਂਚੇ ਦੀ ਇਹ ਮਹੱਤਵਪੂਰਨ ਹੱਦ—ਵੱਖਰੇ ਮਾਡਲਾਂ ਅਤੇ ਵੱਖਰੇ ਕੋਡ ਦੀ ਵਰਤੋਂ ਕਰਨ ਵਾਲੀਆਂ ਅਲੱਗ ਸੇਵਾਵਾਂ—ਮੁੱਖ ChatGPT ਸਰਵਰਾਂ ਨੂੰ ਇਸ਼ਤਿਹਾਰਾਂ ਤੋਂ ਸੁਤੰਤਰ ਤੌਰ ’ਤੇ ਆਮ ਜਵਾਬ ਤਿਆਰ ਕਰਨ ਦਿੰਦੀ ਹੈ. ਇਸ ਦੌਰਾਨ, ਇਸ਼ਤਿਹਾਰ ਪ੍ਰਣਾਲੀ ਸੁਤੰਤਰ ਤੌਰ ’ਤੇ ਮੁਲਾਂਕਣ ਕਰਦੀ ਹੈ ਕਿ ਕੀ ਇਸ਼ਤਿਹਾਰ ਦਿਖਾਉਣ ਦਾ ਕੋਈ ਢੁਕਵਾਂ ਮੌਕਾ ਹੈ ਅਤੇ, ਜੇ ਅਜਿਹਾ ਮੌਕਾ ਹੋਵੇ, ਤਾਂ ਵੱਖਰੀ ਸਰਵਿੰਗ ਪ੍ਰਕਿਰਿਆ ਰਾਹੀਂ ਪ੍ਰਾਯੋਜਿਤ ਇਸ਼ਤਿਹਾਰ ਦੀ ਪਲੇਸਮੈਂਟ ਤਿਆਰ ਕਰਦੀ ਹੈ.

ਵਰਤੋਂਕਾਰ ਦੇ ਅਨੁਭਵ ਦੀ ਰੱਖਿਆ ਤੋਂ ਇਲਾਵਾ, ਇਸ ਵੱਖਰੇਪਣ ਦੇ ਕੁਝ ਵਿਹਾਰਕ ਨਤੀਜੇ ਵੀ ਹਨ. ChatGPT ਇਸ਼ਤਿਹਾਰ ਪ੍ਰਣਾਲੀ ’ਤੇ ਨਿਰਭਰ ਨਹੀਂ ਹੈ—ਇਹ ਸੇਵਾਵਾਂ ਕਿਸੇ ਵੀ ਤਰ੍ਹਾਂ ਆਪਸ ਵਿੱਚ ਜੁੜੀਆਂ ਨਹੀਂ ਹਨ ਅਤੇ ਸਮੱਗਰੀ ਬਣਾਉਣ ਲਈ ਸਾਂਝਾ ਮਾਡਲ ਨਹੀਂ ਵਰਤਦੀਆਂ. ਇਸ ਲਈ, ਜੇ ਇਸ਼ਤਿਹਾਰ ਦਿਖਾਉਣ ਵਾਲੀ ਪ੍ਰਣਾਲੀ ਉਪਲਬਧ ਨਾ ਹੋਵੇ ਜਾਂ ਹੌਲੀ ਕੰਮ ਕਰੇ, ਤਾਂ ਵੀ ChatGPT ਦਾ ਇਸ਼ਤਿਹਾਰਾਂ ਤੋਂ ਸੁਤੰਤਰ ਜਵਾਬ ਬਿਨਾਂ ਕਿਸੇ ਅਸਰ ਦੇ ਜਾਰੀ ਰਹਿੰਦਾ ਹੈ. ਇਸ ਦਾ ਮਤਲਬ ਹੈ ਕਿ ਇਸ਼ਤਿਹਾਰ ਪ੍ਰਣਾਲੀ ChatGPT ਉਤਪਾਦ ਨੂੰ ਨਾ ਤਾਂ ਬੰਦ ਕਰ ਸਕਦੀ ਹੈ ਅਤੇ ਨਾ ਹੀ ਇਸ ਵਿੱਚ ਦੇਰੀ ਕਰ ਸਕਦੀ ਹੈ. ਇਸ ਵੱਖਰੇਪਣ ਦਾ ਦੂਜਾ ਫਾਇਦਾ ਇਹ ਹੈ ਕਿ ਲਾਭਦਾਇਕ ਇਸ਼ਤਿਹਾਰਾਂ ਲਈ ਮਾਪਦੰਡ ਬਹੁਤ ਉੱਚੇ ਰਹਿੰਦੇ ਹਨ. ਕੋਈ ਇਸ਼ਤਿਹਾਰ ਨਾ ਦਿਖਾਉਣਾ ਵੀ ਇੱਕ ਆਮ ਅਤੇ ਸਫਲ ਨਤੀਜਾ ਹੈ. ਪ੍ਰਣਾਲੀ ਇਸ਼ਤਿਹਾਰ ਤਾਂ ਹੀ ਦਿਖਾਉਂਦੀ ਹੈ, ਜੇ ਉਹ ਵਰਤੋਂਕਾਰਾਂ ਅਤੇ ਇਸ਼ਤਿਹਾਰਦਾਤਿਆਂ ਦੋਵਾਂ ਲਈ ਸਪਸ਼ਟ ਤੌਰ ’ਤੇ ਲਾਭਦਾਇਕ ਹੋਵੇ.

ਸਾਡੇ ਇਸ਼ਤਿਹਾਰੀ ਤਕਨੀਕੀ ਢਾਂਚੇ ਦਾ ਦੂਜਾ ਮੁੱਖ ਹਿੱਸਾ ਪੋਸਟ-ਟ੍ਰੇਨਡ LLM ਹੈ. ਇਹ ਗੱਲਾਂ-ਬਾਤਾਂ ਦੀ ਵਿਆਖਿਆ ਕਰਦਾ ਹੈ ਅਤੇ ਇੱਕ ਏਜੰਟਿਕ ਲੂਪ ਵਿੱਚ ਪੂਰੇ ਇਸ਼ਤਿਹਾਰੀ ਫਲੋ ਨੂੰ ਚਲਾਉਂਦਾ ਹੈ—ਇਸ਼ਤਿਹਾਰ ਪ੍ਰਣਾਲੀ ਦੇ ਮੁੱਖ ਫੰਕਸ਼ਨਾਂ ਲਈ ਟੂਲਾਂ ਨੂੰ ਕਾਲ ਕਰਦਾ ਹੈ, ਜਿਸ ਵਿੱਚ ਜਾਣਕਾਰੀ ਪ੍ਰਾਪਤ ਕਰਨ ਦੇ ਪੜਾਅ ਤੋਂ ਲੈ ਕੇ ਦਰਜਾਬੰਦੀ, ਨਿਲਾਮੀ ਅਤੇ ਅੰਤ ਵਿੱਚ ਇਸ਼ਤਿਹਾਰ ਦਿਖਾਉਣ ਤੱਕ ਦੀ ਪ੍ਰਕਿਰਿਆ ਸ਼ਾਮਲ ਹੈ. ਅਸੀਂ ਇਸ LLM ਨੂੰ ਆਰਕੈਸਟ੍ਰੇਟਰ ਕਹਿੰਦੇ ਹਾਂ.

ਇਸ਼ਤਿਹਾਰੀ ਫਲੋ ਦਾ ਪਹਿਲਾ ਹਿੱਸਾ ਵਰਤੋਂਕਾਰ ਦੇ ਇਰਾਦੇ ਨੂੰ ਸਮਝ ਕੇ ਇਸ਼ਤਿਹਾਰ ਲੱਭਣ ਦੀ ਪ੍ਰਕਿਰਿਆ ਸ਼ੁਰੂ ਕਰਨਾ ਹੈ. ਇਸ ਵਿੱਚ ਸੰਭਾਵੀ ਇਸ਼ਤਿਹਾਰਾਂ ਨੂੰ ਤੇਜ਼ੀ ਨਾਲ ਅਤੇ ਜਾਣਬੁੱਝ ਕੇ ਵਿਆਪਕ ਪੱਧਰ ’ਤੇ ਇਕੱਠਾ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਜੋ ਬਾਅਦ ਵਿੱਚ ਉਹਨਾਂ ਨੂੰ ਛਾਂਟਿਆ ਜਾ ਸਕੇ. ਗੱਲਬਾਤ ਹੌਲੀ-ਹੌਲੀ ਮਿਲਣ ਨਾਲ ਇਸ਼ਤਿਹਾਰ ਲੱਭਣ ਦੀ ਪ੍ਰਕਿਰਿਆ ਹੋਰ ਜਾਣਕਾਰੀ ਭਰਪੂਰ ਹੋ ਜਾਂਦੀ ਹੈ, ਪਰ ਅਸਪਸ਼ਟਤਾ ਵੀ ਵਧਦੀ ਹੈ, ਕਿਉਂਕਿ ਇਸ਼ਤਿਹਾਰ ਪ੍ਰਣਾਲੀ ਨੂੰ ਮੌਜੂਦਾ ਇਰਾਦੇ ਅਤੇ ਪੁਰਾਣੇ ਸੰਦਰਭ ਵਿਚਕਾਰ ਫ਼ਰਕ ਪਛਾਣਨਾ ਪੈਂਦਾ ਹੈ. ਆਰਕੈਸਟ੍ਰੇਟਰ ਨੂੰ ਪਿਛਲੇ ਮੈਸੇਜਾਂ ਦੇ ਹਵਾਲਿਆਂ ਦੀ ਵਿਆਖਿਆ ਕਰਨੀ, ਇਹ ਪਛਾਣਨਾ ਪੈਂਦਾ ਹੈ ਕਿ ਵਰਤੋਂਕਾਰ ਕਦੋਂ ਕਲਪਨਾਤਮਕ ਸਥਿਤੀ ਬਾਰੇ ਗੱਲ ਕਰ ਰਿਹਾ ਹੈ, ਅਤੇ ਕਿਸੇ ਪ੍ਰੋਡਕਟ ਜਾਂ ਸੇਵਾ ਦੇ ਹਰ ਜ਼ਿਕਰ ਨੂੰ ਖਰੀਦਣ ਦੀ ਬੇਨਤੀ ਮੰਨਣ ਤੋਂ ਬਚਣਾ ਪੈਂਦਾ ਹੈ.

ਇਸ਼ਤਿਹਾਰ ਆਰਕੈਸਟ੍ਰੇਟਰ ਉਪਲਬਧ ਗੱਲਬਾਤ ਅਤੇ ਵਰਤੋਂਕਾਰ ਦੇ ਸੰਦਰਭ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ. ਚੰਗੇ ਇਸ਼ਤਿਹਾਰ ਲੱਭਣ ਲਈ ਇਹ ਵਾਰ-ਵਾਰ ਕੋਸ਼ਿਸ਼ ਕਰਦਾ ਹੈ ਅਤੇ ਹਰ ਵਾਰ ਇਹ ਚੁਣਦਾ ਹੈ ਕਿ ਕਿਹੜਾ ਟੂਲ ਕਦੋਂ ਕਾਲ ਕਰਨਾ ਹੈ. ਇਸ ਦਾ ਮੁੱਖ ਟੀਚਾ ਉਸ ਗੱਲਬਾਤ ਅਤੇ ਸੰਦਰਭ ਲਈ ਸਭ ਤੋਂ ਢੁਕਵਾਂ ਇਸ਼ਤਿਹਾਰ ਲੱਭਣਾ ਹੈ—ਅਜਿਹਾ ਇਸ਼ਤਿਹਾਰ ਜੋ ਵਰਤੋਂਕਾਰ ਅਤੇ ਇਸ਼ਤਿਹਾਰਦਾਤਾ, ਦੋਵਾਂ ਲਈ ਵੱਧ ਤੋਂ ਵੱਧ ਮੁੱਲ ਦਾ ਸੰਤੁਲਨ ਬਣਾਏ. ਜੇ ਵਰਤੋਂਕਾਰ ਆਪਣੀ ਪਸੰਦ ਮੁਤਾਬਕ ਇਸ਼ਤਿਹਾਰ ਦਿਖਾਉਣ ਦੀ ਚੋਣ ਕਰਦਾ ਹੈ, ਤਾਂ ਆਰਕੈਸਟ੍ਰੇਟਰ ਸਭ ਤੋਂ ਢੁਕਵੇਂ ਇਸ਼ਤਿਹਾਰ ਲੱਭਣ ਲਈ ਵਰਤੋਂਕਾਰ ਦੀਆਂ ਪਿਛਲੀਆਂ ਗੱਲਬਾਤਾਂ ਬਾਰੇ ਉਪਲਬਧ ਗੈਰ-ਸੰਵੇਦਨਸ਼ੀਲ ਜਾਣਕਾਰੀ ਨੂੰ ਵੀ ਧਿਆਨ ਵਿੱਚ ਰੱਖਦਾ ਹੈ.

ਜਿਵੇਂ-ਜਿਵੇਂ ਗੱਲਬਾਤ ਅੱਗੇ ਵਧਦੀ ਹੈ ਅਤੇ ਇਸ਼ਤਿਹਾਰ ਆਰਕੈਸਟ੍ਰੇਟਰ ਨੂੰ ਹੋਰ ਤਾਜ਼ਾ ਜਾਣਕਾਰੀ ਮਿਲਦੀ ਹੈ, ਉਹ ਅੱਪਡੇਟ ਕੀਤੇ ਸੰਦਰਭ ਦੇ ਆਧਾਰ ’ਤੇ ਟੂਲਾਂ ਨੂੰ ਮੁੜ ਕਾਲ ਕਰਕੇ ਬਿਹਤਰ ਇਸ਼ਤਿਹਾਰ ਲੱਭ ਸਕਦਾ ਹੈ ਅਤੇ ਉਹਨਾਂ ਨੂੰ ਕਲਾਇੰਟ ਤੱਕ ਪਹੁੰਚਾ ਸਕਦਾ ਹੈ. ਜੇ ਇਹ ਨਵੇਂ ਇਸ਼ਤਿਹਾਰ ਸਮੇਂ ਸਿਰ ਪਹੁੰਚ ਜਾਣ, ਤਾਂ ਕਲਾਇੰਟ ਇਹਨਾਂ ਦੀ ਵਰਤੋਂ ਕਰ ਸਕਦਾ ਹੈ.

ਆਰਕੈਸਟ੍ਰੇਟਰ ਨੂੰ ਵਰਤੋਂਕਾਰਾਂ ਅਤੇ ਇਸ਼ਤਿਹਾਰਦਾਤਿਆਂ ਦੇ ਲਾਭ ਵਿਚਕਾਰ ਸੰਤੁਲਨ ਬਣਾਉਣ ਲਈ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਹੈ, ਜਿਸ ਵਿੱਚ ਵਰਤੋਂਕਾਰਾਂ ਨੂੰ ਹਮੇਸ਼ਾ ਪਹਿਲ ਦਿੱਤੀ ਜਾਂਦੀ ਹੈ.

ਇਸ਼ਤਿਹਾਰ ਪ੍ਰਣਾਲੀ ਵੱਖ-ਵੱਖ ਟੂਲਾਂ ਨਾਲ ਬਣੀ ਹੈ ਅਤੇ ਆਰਕੈਸਟ੍ਰੇਟਰ ਕਿਸੇ ਗੱਲਬਾਤ ਲਈ ਸਭ ਤੋਂ ਵਧੀਆ ਇਸ਼ਤਿਹਾਰ ਲੱਭਣ ਵਾਸਤੇ ਇਹਨਾਂ ਨੂੰ ਵਾਰ-ਵਾਰ ਕਾਲ ਕਰਦਾ ਹੈ. ਮੋਟੇ ਤੌਰ ’ਤੇ, ਆਰਕੈਸਟ੍ਰੇਟਰ ਗੱਲਬਾਤ ਦੇ ਛੋਟੇ ਲਿਖਤੀ ਸਾਰ ਬਣਾਉਂਦਾ ਹੈ, ਜਿਨ੍ਹਾਂ ਨੂੰ ਫਿਰ ਸਿਮੈਂਟਿਕ ਐਮਬੈਡਿੰਗਾਂ ਵਿੱਚ ਬਦਲਿਆ ਜਾਂਦਾ ਹੈ (ਅਰਥਾਂ ਦੇ ਅਜਿਹੇ ਸੰਭਾਲੇ ਹੋਏ ਰੂਪ, ਜਿਨ੍ਹਾਂ ਵਿੱਚੋਂ ਇਸ਼ਤਿਹਾਰ ਪ੍ਰਣਾਲੀ ਆਸਾਨੀ ਨਾਲ ਛਾਂਟ ਕਰ ਸਕਦੀ ਹੈ). ਇਸ ਤੋਂ ਬਾਅਦ, ਇਹਨਾਂ ਸਿਮੈਂਟਿਕ ਐਮਬੈਡਿੰਗਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਸੰਭਾਵੀ ਇਸ਼ਤਿਹਾਰ ਲੱਭੇ ਜਾਂਦੇ ਹਨ, ਉਹਨਾਂ ਦੀ ਯੋਗਤਾ ਦੀ ਛਾਂਟੀ ਕੀਤੀ ਜਾਂਦੀ ਹੈ (ਬਜਟ, ਵਰਤੋਂਕਾਰ ਦੀਆਂ ਸੈਟਿੰਗਾਂ ਅਤੇ ਹੋਰ ਮੁੱਢਲੀਆਂ ਜਾਂਚਾਂ ਦੇ ਆਧਾਰ ’ਤੇ), ਉਹਨਾਂ ਦੀ ਗੁਣਵੱਤਾ ਅਤੇ ਪ੍ਰਸੰਗਿਕਤਾ ਦਾ ਮੁਲਾਂਕਣ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਅਤੇ ਅੰਤਿਮ ਦਰਜਾਬੰਦੀ ਕੀਤੀ ਜਾਂਦੀ ਹੈ, ਤਾਂ ਜੋ ਚੈਟ ਦੇ ਜਵਾਬ ਦੇ ਅੰਤ ਵਿੱਚ ਦਿਖਾਉਣ ਲਈ ਵੱਧ ਮੁੱਲ ਵਾਲੇ ਇਸ਼ਤਿਹਾਰਾਂ ਦੀ ਪਛਾਣ ਕੀਤੀ ਜਾ ਸਕੇ. ਇਸ ਲਈ, ਦਿਖਾਏ ਜਾਣ ਦੇ ਯੋਗ ਹੋਣ ਵਾਸਤੇ ਹਰ ਇਸ਼ਤਿਹਾਰ ਨੂੰ ਯੋਗਤਾ ਅਤੇ ਪ੍ਰਸੰਗਿਕਤਾ ਦੇ ਉੱਚੇ ਮਾਪਦੰਡ ਪੂਰੇ ਕਰਨੇ ਪੈਂਦੇ ਹਨ.

ਆਰਕੈਸਟ੍ਰੇਟਰ LLM ਪਹਿਲਾਂ ਸੰਬੰਧਿਤ ਵਪਾਰਕ ਇਰਾਦੇ ਨੂੰ ਦਰਸਾਉਣ ਵਾਲੀਆਂ ਇੱਕ ਜਾਂ ਵੱਧ ਪੁੱਛਗਿੱਛਾਂ ਤਿਆਰ ਕਰਦਾ ਹੈ. ਇਸ ਵਿੱਚ ਗੱਲਬਾਤ ਦੇ ਸੰਦਰਭ ਨੂੰ ਮੁੜ ਲਿਖਣਾ ਵੀ ਸ਼ਾਮਲ ਹੋ ਸਕਦਾ ਹੈ, ਤਾਂ ਜੋ ਵਪਾਰਕ ਸੰਭਾਵਨਾਵਾਂ ਨੂੰ ਇੱਕ-ਤੋਂ-ਇੱਕ ਖੋਜ ਪੁੱਛਗਿੱਛਾਂ ਤੋਂ ਅੱਗੇ ਵਧਾਇਆ ਜਾ ਸਕੇ. ਇਸ ਤੋਂ ਬਾਅਦ, ਇਹ ਸਿਮੈਂਟਿਕ ਰੂਪ ਤਿਆਰ ਕਰਦਾ ਹੈ, ਜਿਸ ਵਿੱਚ ਆਰਕੈਸਟ੍ਰੇਟਰ ਕਈ ਵਾਰੀ ਹੋਈ ਗੱਲਬਾਤ ਦਾ ਸਾਰ ਰਿਟ੍ਰੀਵਲ ਪ੍ਰਣਾਲੀ ਲਈ ਤਿਆਰ ਕਰਦਾ ਹੈ, ਤਾਂ ਜੋ ਸਾਡੇ ਡਾਟਾਬੇਸ ਵਿੱਚੋਂ ਇਸ਼ਤਿਹਾਰਾਂ ਨੂੰ ਕੇਂਦ੍ਰਿਤ ਢੰਗ ਨਾਲ ਲੱਭਿਆ ਜਾ ਸਕੇ.

ਇਸ਼ਤਿਹਾਰਾਂ ਦੀ ਪਲੇਸਮੈਂਟ ਵਰਤੋਂਕਾਰਾਂ ਅਤੇ ਇਸ਼ਤਿਹਾਰਦਾਤਿਆਂ, ਦੋਵਾਂ ਲਈ ਬਿਹਤਰ ਹੋਵੇਗੀ, ਜੇ ਉਹ ਸਿਰਫ਼ ਉਦੋਂ ਦਿਖਾਏ ਜਾਣ ਜਦੋਂ ਵਰਤੋਂਕਾਰ ਦੇ ਇਰਾਦੇ ਨੂੰ ਡੂੰਘਾਈ ਨਾਲ ਸਮਝ ਲਿਆ ਗਿਆ ਹੋਵੇ. ਕਈ ਪੁੱਛਗਿੱਛਾਂ ਇਰਾਦੇ ਦੇ ਵੱਖ-ਵੱਖ ਪਹਿਲੂਆਂ ਨੂੰ ਬਰਕਰਾਰ ਰੱਖ ਸਕਦੀਆਂ ਹਨ. ਮਿਸਾਲ ਵਜੋਂ, ਯਾਤਰਾ ਦੀ ਯੋਜਨਾ ਬਣਾਉਣ ਬਾਰੇ ਗੱਲਬਾਤ ਵਿੱਚ ਆਵਾਜਾਈ, ਰਿਹਾਇਸ਼ ਜਾਂ ਗਤੀਵਿਧੀਆਂ ਨਾਲ ਜੁੜੀਆਂ ਵੱਖ-ਵੱਖ ਲੋੜਾਂ ਹੋ ਸਕਦੀਆਂ ਹਨ. ਰਿਟ੍ਰੀਵਲ ਪ੍ਰਣਾਲੀ ਪੂਰੀ ਗੱਲਬਾਤ ਨੂੰ ਇੱਕੋ ਸ਼ਬਦੀ ਲੜੀ ਵਿੱਚ ਸਮੇਟਣ ਦੀ ਬਜਾਏ ਇਹਨਾਂ ਵੱਖਰੇ ਪਹਿਲੂਆਂ ਨੂੰ ਬਰਕਰਾਰ ਰੱਖ ਸਕਦੀ ਹੈ.

ਮਿਸਾਲ ਵਜੋਂ, ਆਓ ਹਾਈਕਿੰਗ ਜੁੱਤਿਆਂ ਬਾਰੇ ਗੱਲਬਾਤ ਦੇ ਇੱਕ ਸੰਭਾਵੀ ਕ੍ਰਮ ਨੂੰ ਵੇਖੀਏ:

1. ਯੋਸੈਮਿਟੀ ਦੀ ਦੋ ਦਿਨਾਂ ਦੀ ਯਾਤਰਾ ਵਿੱਚ ਮੈਨੂੰ ਕੀ-ਕੀ ਦੇਖਣਾ ਚਾਹੀਦਾ ਹੈ?

2. ਕੀ ਅਗਲੇ ਹਫ਼ਤੇ ਠੰਢ ਹੋਵੇਗੀ?

3. ਨਵੀਆਂ [ਬ੍ਰਾਂਡ ਦਾ ਨਾਮ ਪਾਓ] ਪ੍ਰੋਡਕਟ ਲਾਈਨਾਂ?

ਭਾਵੇਂ ਵਰਤੋਂਕਾਰ ਨੇ ਜੁੱਤਿਆਂ ਦੇ ਬ੍ਰਾਂਡ ਵਾਲੇ ਸਵਾਲ ਨੂੰ ਯੋਸੈਮਿਟੀ ਦੀ ਯਾਤਰਾ ਨਾਲ ਨਹੀਂ ਜੋੜਿਆ, ਫਿਰ ਵੀ ਸਾਡੀ ਇਸ਼ਤਿਹਾਰ ਪ੍ਰਣਾਲੀ ਵਿੱਚ ਇਸ ਗੱਲਬਾਤ ਨੂੰ ਦੋ ਪੁੱਛਗਿੱਛਾਂ ਰਾਹੀਂ ਦਰਸਾਇਆ ਜਾ ਸਕਦਾ ਹੈ, ਜਿਵੇਂ [ਹਾਈਕਿੰਗ ਯਾਤਰਾ ਲਈ ਢੁਕਵੇਂ ਜੁੱਤੇ] ਅਤੇ [ਯਾਤਰਾ ਲਈ ਢੁਕਵੀਆਂ [ਬ੍ਰਾਂਡ] ਦੀਆਂ ਨਵੀਆਂ ਪ੍ਰੋਡਕਟ ਲਾਈਨਾਂ]. ਇਹ ਸਿਰਫ਼ ਪਹਿਲੀ ਕੋਸ਼ਿਸ਼ ਹੋ ਸਕਦੀ ਹੈ; ਆਰਕੈਸਟ੍ਰੇਟਰ ਨੂੰ ਇਹਨਾਂ ਰੂਪਾਂ 'ਤੇ ਵਾਰ-ਵਾਰ ਕੰਮ ਕਰਨ ਲਈ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਹੈ, ਜਦੋਂ ਤੱਕ ਉਸ ਨੂੰ ਸਾਡੇ ਭੰਡਾਰ ਵਿੱਚੋਂ ਵਰਤੋਂਕਾਰ ਲਈ ਬਹੁਤ ਮੁੱਲਵਾਨ ਇਸ਼ਤਿਹਾਰ ਨਾ ਮਿਲ ਜਾਣ.

ਰਿਟ੍ਰੀਵਲ ਸੰਭਾਵੀ ਇਸ਼ਤਿਹਾਰੀ ਵਿਕਲਪਾਂ ਦਾ ਜਾਣਬੁੱਝ ਕੇ ਇੱਕ ਵਿਆਪਕ ਸਮੂਹ ਤਿਆਰ ਕਰਨ ਦੀ ਪ੍ਰਕਿਰਿਆ ਹੈ. ਸੰਭਾਵੀ ਇਸ਼ਤਿਹਾਰ ਵੱਖ-ਵੱਖ ਰਿਟ੍ਰੀਵਲ ਰਣਨੀਤੀਆਂ ਰਾਹੀਂ ਮਿਲ ਸਕਦੇ ਹਨ ਅਤੇ ਬਾਅਦ ਵਿੱਚ ਇੱਕੋ ਜਿਹੀਆਂ ਇਸ਼ਤਿਹਾਰ ਦਿਖਾਉਣ ਦੀਆਂ ਸ਼ਰਤਾਂ ਅਧੀਨ ਮੁਕਾਬਲਾ ਕਰ ਸਕਦੇ ਹਨ. ਅਸੀਂ ਪ੍ਰਣਾਲੀ ਅਤੇ ਪ੍ਰੋਡਕਟ ਦੀਆਂ ਵੱਖ-ਵੱਖ ਲੋੜਾਂ ਨੂੰ ਪੂਰਾ ਕਰਨ ਲਈ ਕਈ ਇੰਡੈਕਸ ਬਣਾਉਂਦੇ ਹਾਂ. (ਮਿਸਾਲ ਵਜੋਂ, ਪ੍ਰੋਡਕਟ ਫੀਡ ਇਸ਼ਤਿਹਾਰਾਂ ਲਈ ਬਣਾਇਆ ਗਿਆ ਇੰਡੈਕਸ ਸਭ ਤੋਂ ਵਧੀਆ ਸੰਭਾਵੀ ਇਸ਼ਤਿਹਾਰ ਲੱਭਣ ਵੇਲੇ ਪ੍ਰੋਡਕਟ ਦੀਆਂ ਸਕਾਰਾਤਮਕ ਜਾਂ ਨਕਾਰਾਤਮਕ ਸਮੀਖਿਆਵਾਂ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਦਾ ਹੈ. ਇਹ ਗੱਲ ਉਹਨਾਂ ਹੋਰ ਇਸ਼ਤਿਹਾਰਾਂ ਲਈ ਢੁਕਵੀਂ ਨਹੀਂ ਹੈ, ਜਿਨ੍ਹਾਂ ਨਾਲ ਸ਼ਾਇਦ ਕੋਈ ਸਮੀਖਿਆ ਜੁੜੀ ਨਾ ਹੋਵੇ.) ਹਰੇਕ ਇੰਡੈਕਸ ਨੂੰ ਵਰਤੋਂਕਾਰ ਦੇ ਇਰਾਦੇ ਨੂੰ ਦਰਸਾਉਣ ਵਾਲੀਆਂ ਐਮਬੈਡਿੰਗਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਪ੍ਰੌਕਸੀਮੇਟ-ਨੀਅਰੇਸਟ-ਨੇਬਰ (ANN) ਦੀ ਖੋਜ ਦੇ ਕਿਸੇ ਖ਼ਾਸ ਰੂਪ ਲਈ ਔਪਟੀਮਾਈਜ਼ ਕੀਤਾ ਜਾਂਦਾ ਹੈ. ਇਹ ANN ਖੋਜ ਵੱਡੇ ਸਿਮੈਂਟਿਕ ਇੰਡੈਕਸਾਂ ਵਿੱਚੋਂ ਇਸ਼ਤਿਹਾਰ ਲੱਭਣ ਲਈ ਇੱਕ ਅਨੁਮਾਨੀ ਐਲਗੋਰਿਦਮ ਹੈ. ਇਸ ਦਾ ਮਤਲਬ ਹੈ ਕਿ ਇਸ਼ਤਿਹਾਰ ਬਹੁਤ ਤੇਜ਼ੀ ਨਾਲ ਲੱਭੇ ਜਾਂਦੇ ਹਨ. ਇਹ “ਬਿਲਕੁਲ ਸਹੀ” ਹੱਲ ਲੱਭਣ ਦੀ ਬਜਾਏ ਇੱਕ ਚੰਗੇ ਹੱਲ ਦੇ ਨੇੜੇ ਪਹੁੰਚਦਾ ਹੈ ਅਤੇ ਜ਼ਿਆਦਾਤਰ ਪ੍ਰਸੰਗਿਕ ਸੰਭਾਵੀ ਇਸ਼ਤਿਹਾਰਾਂ ਨੂੰ ਬਰਕਰਾਰ ਰੱਖਦਾ ਹੈ.

ਫਿਲਟਰ ਕਰਨ ਦਾ ਟੀਚਾ ਉਹਨਾਂ ਸਾਰੇ ਸੰਭਾਵੀ ਇਸ਼ਤਿਹਾਰਾਂ ਨੂੰ ਵਿਚਾਰ ਤੋਂ ਬਾਹਰ ਕਰਨਾ ਹੈ, ਜੋ ਪ੍ਰਸੰਗਿਕਤਾ, ਬਿਡਾਂ ਅਤੇ ਬਜਟ ਦੇ ਮਾਮਲੇ ਵਿੱਚ ਪਲੇਸਮੈਂਟ ਦੇ ਮਾਪਦੰਡ ਪੂਰੇ ਨਹੀਂ ਕਰਦੇ. ਸੰਭਾਵੀ ਇਸ਼ਤਿਹਾਰ ਅਤੇ ਕੌਂਫਿਗ੍ਰੇਸ਼ਨ ਦੇ ਆਧਾਰ ’ਤੇ, ਫਿਲਟਰ ਕਰਨ ਦੀਆਂ ਜਾਂਚਾਂ ਵਿੱਚ ਕ੍ਰਿਏਟਿਵ ਅਤੇ ਮੁਹਿੰਮ ਦੀ ਉਪਲਬਧਤਾ (ਕੀ ਮੁਹਿੰਮ ਜਾਂ ਇਸ਼ਤਿਹਾਰੀ ਕ੍ਰਿਏਟਿਵ ਸਰਗਰਮ ਹਨ), ਮੁਹਿੰਮ ਦੀ ਟਾਰਗੇਟਿੰਗ (ਜਿਵੇਂ, ਕਿਹੜੇ ਖੇਤਰਾਂ ਵਿੱਚ ਮੁਹਿੰਮ ਚਲਾਉਣ ਦੀ ਇਜਾਜ਼ਤ ਹੈ), ਨੀਤੀਗਤ ਪਾਬੰਦੀਆਂ (ਕੀ ਇਸ਼ਤਿਹਾਰ ਦਿੱਤਾ ਜਾ ਸਕਦਾ ਹੈ, ਇਸ ਬਾਰੇ ਪਾਲਣਾ ਦੀਆਂ ਲੋੜਾਂ), ਬਜਟ ਦੀ ਉਪਲਬਧਤਾ (ਕੀ ਮੁਹਿੰਮ ਕੋਲ ਖਰਚਣ ਲਈ ਹਾਲੇ ਬਜਟ ਬਾਕੀ ਹੈ), ਪੇਸਿੰਗ (ਕੀ ਮੁਹਿੰਮ ਦਾ ਬਜਟ ਹੁਣ ਖਰਚਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ ਜਾਂ ਦਿਨ ਦੇ ਕਿਸੇ ਹੋਰ ਵੇਲੇ), ਪਲੇਸਮੈਂਟ ਅਨੁਕੂਲਤਾ (ਕਿਹੜੀਆਂ ਗੱਲਬਾਤਾਂ ਲਈ ਇਹ ਇਸ਼ਤਿਹਾਰ ਯੋਗ ਹੈ), ਅਤੇ ਇਸ਼ਤਿਹਾਰਦਾਤਾ ਤੇ ਮੁਹਿੰਮ ਦੇ ਪੱਧਰ ’ਤੇ ਡਿਡੁਪਲੀਕੇਸ਼ਨ (ਕਾਰੋਬਾਰਾਂ ਵਿੱਚ ਨਿਰਪੱਖ ਭਾਗੀਦਾਰੀ ਯਕੀਨੀ ਬਣਾਉਣ ਲਈ ਹਰੇਕ ਇਸ਼ਤਿਹਾਰਦਾਤਾ ਦੇ ਇਸ਼ਤਿਹਾਰਾਂ ਦੀ ਢੁਕਵੀਂ ਗਿਣਤੀ ਚੁਣਨਾ) ਸ਼ਾਮਲ ਹੋ ਸਕਦੀਆਂ ਹਨ.

ਯੋਗਤਾ ਦੀਆਂ ਜਾਂਚਾਂ ਪਾਰ ਕਰਨ ਵਾਲੇ ਇਸ਼ਤਿਹਾਰ ਅੰਕ ਦੇਣ ਦੇ ਪੜਾਅ ’ਤੇ ਪਹੁੰਚਦੇ ਹਨ, ਜਿੱਥੇ ਆਰਕੈਸਟ੍ਰੇਟਰ ਵੱਖ-ਵੱਖ ਸਕੋਰਿੰਗ ਪ੍ਰਣਾਲੀਆਂ ਦੇ ਟੂਲਾਂ ਨੂੰ ਕਾਲ ਕਰਦਾ ਹੈ, ਤਾਂ ਜੋ ਇਸ਼ਤਿਹਾਰ ਦਿਖਾਉਣ ਨਾਲ ਜੁੜੇ ਪਹਿਲੂਆਂ ਦਾ ਮੁਲਾਂਕਣ ਕੀਤਾ ਜਾ ਸਕੇ, ਜਿਵੇਂ ਕਿ ਸਿਮੈਂਟਿਕ ਪ੍ਰਸੰਗਿਕਤਾ (ਕੀ ਇਸ਼ਤਿਹਾਰ ਵਰਤੋਂਕਾਰ ਦੇ ਟੀਚੇ ਨਾਲ ਸੰਬੰਧਿਤ ਹੈ?), ਅਨੁਮਾਨਿਤ ਰੁਝੇਵਾਂ (ਕੀ ਇਸ਼ਤਿਹਾਰ ਦੇਖੇ ਜਾਣ, ਕਲਿੱਕ ਕੀਤੇ ਜਾਣ ਅਤੇ ਇਸ਼ਤਿਹਾਰਦਾਤਾ ਦੇ ਚਾਹੇ ਨਤੀਜੇ ਵਿੱਚ ਬਦਲਣ ਦੀ ਸੰਭਾਵਨਾ ਹੈ?), ਅਤੇ ਪਿਛਲੀ ਕਾਰਗੁਜ਼ਾਰੀ (ਕੀ ਹੁਣ ਤੱਕ ਵਰਤੋਂਕਾਰਾਂ ਨੂੰ ਦਿਖਾਏ ਜਾਣ ’ਤੇ ਇਸ਼ਤਿਹਾਰ ਨੇ ਚੰਗਾ ਪ੍ਰਦਰਸ਼ਨ ਕੀਤਾ ਹੈ?). ਨਿਲਾਮੀ ਤੋਂ ਪਹਿਲਾਂ ਆਰਕੈਸਟ੍ਰੇਟਰ ਪ੍ਰਸੰਗਿਕਤਾ ਅਤੇ ਸੁਰੱਖਿਆ ਯਕੀਨੀ ਬਣਾਉਣ ਲਈ ਇਸ਼ਤਿਹਾਰਾਂ ਨੂੰ ਫਿਲਟਰ ਵੀ ਕਰਦਾ ਹੈ. ਇਹ ਪ੍ਰਣਾਲੀਆਂ ਸੰਭਾਵੀ ਇਸ਼ਤਿਹਾਰਾਂ ਦੀ ਗਿਣਤੀ ਘਟਾ ਕੇ ਨਿਲਾਮੀ ਲਈ ਤਿਆਰ ਇੱਕ ਛੋਟਾ ਸਮੂਹ ਬਣਾਉਂਦੀਆਂ ਹਨ, ਪਰ ਇਹ ਹਾਲੇ ਇਹ ਤੈਅ ਨਹੀਂ ਕਰਦੀਆਂ ਕਿ ਅੰਤ ਵਿੱਚ ਕਿਹੜਾ ਇਸ਼ਤਿਹਾਰ ਡਿਲਿਵਰ ਕੀਤਾ ਜਾਵੇਗਾ.

ਆਰਕੈਸਟ੍ਰੇਟਰ ਤਿਆਰ ਕੀਤੇ ਸੰਭਾਵੀ ਇਸ਼ਤਿਹਾਰਾਂ ਨੂੰ ਗੱਲਬਾਤ ਦੇ ਸੰਦਰਭ ਵਿੱਚ ਪਰਖਦਾ ਹੈ ਅਤੇ ਚੁਣਦਾ ਹੈ ਕਿ ਕਿਹੜੇ ਇਸ਼ਤਿਹਾਰ ਅੰਤਿਮ ਨਿਲਾਮੀ ਵਿੱਚ ਸ਼ਾਮਲ ਹੋਣ ਲਈ ਕਾਫ਼ੀ ਢੁਕਵੇਂ ਹਨ. ਆਰਕੈਸਟ੍ਰੇਟਰ ਸਿੱਧੇ ਤੌਰ ’ਤੇ ਨਾ ਤਾਂ ਇਹ ਤੈਅ ਕਰਦਾ ਹੈ ਕਿ ਕਿਹੜਾ ਇਸ਼ਤਿਹਾਰ ਦਿਖਾਇਆ ਜਾਵੇਗਾ ਅਤੇ ਨਾ ਹੀ ਕੀਮਤ ਨਿਰਧਾਰਤ ਕਰਦਾ ਹੈ. ਇਹ ਨਿਲਾਮੀ ਟੂਲ ਵੱਲੋਂ ਮੁਲਾਂਕਣ ਲਈ ਸੰਦਰਭ ਦੇ ਅਨੁਕੂਲ ਇਸ਼ਤਿਹਾਰ ਨਾਮਜ਼ਦ ਕਰਦਾ ਹੈ.

ਨਿਲਾਮੀ ਵਿੱਚ ਇਸ਼ਤਿਹਾਰ ਦਿਖਾਉਣ ਦੀਆਂ ਅੰਤਿਮ ਪ੍ਰਕਿਰਿਆਵਾਂ ਲਾਗੂ ਹੁੰਦੀਆਂ ਹਨ, ਜਿਨ੍ਹਾਂ ਵਿੱਚ ਨਿਲਾਮੀ ਵਿੱਚ ਦਾਖਲਾ (ਪ੍ਰਸੰਗਿਕਤਾ ਅਤੇ ਮੁੱਲ ਦੀ ਘੱਟੋ-ਘੱਟ ਹੱਦ ਪਾਰ ਕਰਨਾ), ਪੇਸਿੰਗ (ਇਸ਼ਤਿਹਾਰੀ ਬਜਟ ਨੂੰ ਹੋਰ ਇਕਸਾਰ ਢੰਗ ਨਾਲ ਖਰਚਣਾ), ਬਿਡ ਅਤੇ ਨਿਲਾਮੀ ਦੇ ਫੀਚਰਾਂ ਦੀ ਗਣਨਾ, ਗੁਣਵੱਤਾ ਦੇ ਆਧਾਰ ’ਤੇ ਦਰਜਾਬੰਦੀ, ਕੀਮਤ ਨਿਰਧਾਰਨ ਅਤੇ ਅੰਤਿਮ ਚੋਣ ਸ਼ਾਮਲ ਹਨ.

ਨਿਲਾਮੀ ਤੋਂ ਬਾਅਦ, ਦੋ ਕਾਰਨਾਂ ਕਰਕੇ ਇਸ਼ਤਿਹਾਰ ਦੀ ਡਿਲਿਵਰੀ ਅਸਫਲ ਹੋ ਸਕਦੀ ਹੈ. ਇਹ ਦੋਵੇਂ ਕਾਰਨ ਖ਼ਾਸ ਤੌਰ ’ਤੇ ChatGPT ਦੇ ਗੱਲਬਾਤ ਵਾਲੇ ਮਾਧਿਅਮ ਨਾਲ ਜੁੜੇ ਹਨ.

1. ਇਸ਼ਤਿਹਾਰ ਚੈਟ ਵਿੱਚ ਢੁਕਵਾਂ ਨਾ ਲੱਗੇ: ਭਾਵੇਂ ਇੰਟੀਗ੍ਰਿਟੀ ਮਾਡਲਾਂ (ਇਹ ਮਾਡਲ ਤੈਅ ਕਰਦੇ ਹਨ ਕਿ ਇਸ਼ਤਿਹਾਰ ਦਿਖਾਉਣਾ ਕਦੋਂ ਢੁਕਵਾਂ ਹੈ) ਨੇ ਗੱਲਬਾਤ ਨੂੰ ਇਸ਼ਤਿਹਾਰ ਦਿਖਾਉਣ ਲਈ ਸੁਰੱਖਿਅਤ ਮੰਨਿਆ ਹੋਵੇ ਅਤੇ ਇਸ਼ਤਿਹਾਰ ਨੂੰ ਵੀ ਨੀਤੀਆਂ ਦੇ ਅਨੁਕੂਲ ਮੰਨਿਆ ਗਿਆ ਹੋਵੇ, ਫਿਰ ਵੀ ਕੁਝ ਗੱਲਬਾਤਾਂ ਦੇ ਸੰਦਰਭ ਵਿੱਚ ਇਸ਼ਤਿਹਾਰ ਅਣਢੁਕਵਾਂ ਲੱਗ ਸਕਦਾ ਹੈ. ਆਰਕੈਸਟ੍ਰੇਟਰ ਅਜਿਹੇ ਇਸ਼ਤਿਹਾਰਾਂ ਨੂੰ ਦਿਖਾਉਣ ਤੋਂ ਰੋਕਦਾ ਹੈ.

2. ਇਸ਼ਤਿਹਾਰ ਦੀ ਬੇਨਤੀ ਸਮੇਂ ਸਿਰ ਨਾ ਪਹੁੰਚੇ: ਜੇ ChatGPT ਮਾਡਲ ਜਵਾਬ ਦੇਣ ਲਈ ਤਿਆਰ ਹੈ, ਪਰ ਇਸ਼ਤਿਹਾਰ ਹਾਲੇ ਦਿਖਾਉਣ ਲਈ ਤਿਆਰ ਨਹੀਂ ਹੈ, ਤਾਂ ਇਸ਼ਤਿਹਾਰ ਦੀ ਬੇਨਤੀ ਦਾ ਸਮਾਂ ਸਮਾਪਤ ਹੋ ਜਾਂਦਾ ਹੈ ਅਤੇ ਇਸ਼ਤਿਹਾਰ ਡਿਲਿਵਰ ਨਹੀਂ ਹੁੰਦਾ. ਇਸ ਲਈ, ਇਸ਼ਤਿਹਾਰ ਪ੍ਰਣਾਲੀ ਦਾ ਇੱਕ ਟੀਚਾ ਜਿੰਨਾ ਸੰਭਵ ਹੋ ਸਕੇ ਤੇਜ਼ੀ ਨਾਲ ਕੰਮ ਕਰਨਾ ਹੈ. ChatGPT ਮਾਡਲ ਦੇ ਜਵਾਬ ਦੇਣ ਦਾ ਸਮਾਂ ਬਦਲਦਾ ਰਹਿੰਦਾ ਹੈ ਅਤੇ ਅਸੀਂ ਇਸ਼ਤਿਹਾਰ ਲੋਡ ਹੋਣ ਦੀ ਉਡੀਕ ਕਰਨ ਲਈ ਚੈਟ ਦੇ ਜਵਾਬਾਂ ਵਿੱਚ ਦੇਰੀ ਨਹੀਂ ਕਰਦੇ.

ਜੇ ਉਪਰੋਕਤ ਸਾਰੀਆਂ ਜਾਂਚਾਂ ਪੂਰੀਆਂ ਹੋ ਜਾਣ, ਤਾਂ ਅਸੀਂ ਇਸ਼ਤਿਹਾਰ ਨੂੰ ਦਿਖਾਉਣ ਲਈ ਫਰੰਟਐਂਡ ਵੱਲ ਭੇਜਦੇ ਹਾਂ. ਅਸੀਂ ਇਸ ਨੂੰ ਸਰਵਰ ਵੱਲੋਂ ਇਸ਼ਤਿਹਾਰ ਪਹੁੰਚਾਉਣਾ ਮੰਨਦੇ ਹਾਂ, ਪਰ ਫਿਰ ਵੀ ਹੋ ਸਕਦਾ ਹੈ ਕਿ ਇਸ਼ਤਿਹਾਰ ਵਰਤੋਂਕਾਰ ਨੂੰ ਨਾ ਦਿਖਾਇਆ ਜਾਵੇ—ਅਤੇ ਇਹ ਜਾਣਬੁੱਝ ਕੇ ਰੱਖਿਆ ਗਿਆ ਪ੍ਰਬੰਧ ਹੈ.

ChatGPT ਵਰਗੇ ਗੱਲਬਾਤ-ਆਧਾਰਿਤ ਪ੍ਰੋਡਕਟ ਵਿੱਚ, ਸਰਵਰ ਵੱਲੋਂ ਇਸ਼ਤਿਹਾਰੀ ਕ੍ਰਿਏਟਿਵ ਦੀ ਡਿਲਿਵਰੀ ਇਸ ਗੱਲ ਦੀ ਗਾਰੰਟੀ ਨਹੀਂ ਦਿੰਦੀ ਕਿ ਇਸ਼ਤਿਹਾਰ ਦਿਖਾਇਆ ਜਾਵੇਗਾ; ਮੌਜੂਦਾ ਟਰਨ ਵਿੱਚ ਸ਼ਾਮਲ ਕੀਤੇ ਜਾਣ ਲਈ ਇਸ਼ਤਿਹਾਰ ਦਾ ਸਮੇਂ ਸਿਰ ਪਹੁੰਚਣਾ ਵੀ ਜ਼ਰੂਰੀ ਹੈ. ਇਸ਼ਤਿਹਾਰੀ ਕ੍ਰਿਏਟਿਵ ਵਿੱਚ ਸਿਰਲੇਖ, ਵੇਰਵਾ, ਡੈਸਟੀਨੇਸ਼ਨ ਲਿੰਕ ਅਤੇ ਕਾਲ ਟੂ ਐਕਸ਼ਨ ਸ਼ਾਮਲ ਹੁੰਦੇ ਹਨ. ਇਸ ਤੋਂ ਇਲਾਵਾ, ਇਸ਼ਤਿਹਾਰ ਪ੍ਰਣਾਲੀ ਮਾਡਲ ਵੱਲੋਂ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਪ੍ਰੀਐਂਬਲ ਵੀ ਵਾਪਸ ਕਰਦੀ ਹੈ, ਜੋ ਇੱਕ ਛੋਟੀ, ਨਿਰਪੱਖ ਜਾਣ-ਪਛਾਣ ਹੁੰਦੀ ਹੈ ਅਤੇ ਦੱਸਦੀ ਹੈ ਕਿ ਇਸ਼ਤਿਹਾਰ ਗੱਲਬਾਤ ਨਾਲ ਕਿਵੇਂ ਸੰਬੰਧਿਤ ਹੈ. ਪ੍ਰੀਐਂਬਲ ਨੂੰ ਕ੍ਰਿਏਟਿਵ ਤੋਂ ਵੱਖ ਰੱਖਣ ਨਾਲ ਇਸ਼ਤਿਹਾਰਦਾਤਾ ਦਾ ਸੁਨੇਹਾ ਬਰਕਰਾਰ ਰਹਿੰਦਾ ਹੈ ਅਤੇ ChatGPT ਦਾ ਲਹਿਜ਼ਾ ਵੀ ਨਿਰਪੱਖ ਰਹਿੰਦਾ ਹੈ.

ChatGPT ਦੇ ਫਰੰਟਐਂਡ ਨੂੰ ਪ੍ਰੀਐਂਬਲ ਅਤੇ ਇਸ਼ਤਿਹਾਰੀ ਕ੍ਰਿਏਟਿਵ ਇੱਕ ਪੈਕੇਜ ਵਜੋਂ ਮਿਲਦੇ ਹਨ. ਜੇ ਇਹ ChatGPT ਦਾ ਜਵਾਬ ਪੂਰੀ ਤਰ੍ਹਾਂ ਤਿਆਰ ਹੋਣ ਤੋਂ ਪਹਿਲਾਂ ਪਹੁੰਚ ਜਾਂਦੇ ਹਨ, ਤਾਂ ਫਰੰਟਐਂਡ ChatGPT ਦੇ ਜਵਾਬ ਹੇਠਾਂ ਇਸ਼ਤਿਹਾਰ ਦਿਖਾਉਂਦਾ ਹੈ, ਜਿਸ ’ਤੇ ਸਪਸ਼ਟ ਤੌਰ ’ਤੇ ਪ੍ਰਾਯੋਜਿਤ ਹੋਣ ਦਾ ਲੇਬਲ ਲੱਗਿਆ ਹੁੰਦਾ ਹੈ. ਜੇ ਇਹ ਬਹੁਤ ਦੇਰ ਨਾਲ ਪਹੁੰਚਦੇ ਹਨ, ਤਾਂ ਉਸ ਟਰਨ ਵਿੱਚ ਇਸ਼ਤਿਹਾਰ ਨਹੀਂ ਦਿਖਾਇਆ ਜਾਂਦਾ. ਇਹੀ ਸਰਵਰ ਵੱਲੋਂ ਇਸ਼ਤਿਹਾਰ ਦੀ ਡਿਲਿਵਰੀ ਅਤੇ ਵਰਤੋਂਕਾਰ ਨੂੰ ਇਸ਼ਤਿਹਾਰ ਦਿਖਾਈ ਦੇਣ ਵਿਚਕਾਰ ਫ਼ਰਕ ਹੈ.

ਸਾਡਾ ਇਸ਼ਤਿਹਾਰੀ ਤਕਨੀਕੀ ਢਾਂਚਾ ਰਵਾਇਤੀ ਲੌਗਿੰਗ ਅਤੇ ਡਾਟਾ ਪਾਈਪਲਾਈਨਾਂ ਵਰਤਦਾ ਹੈ. ਇਸ ਦੇ ਤਿੰਨ ਮੁੱਖ ਲਾਭ ਹਨ: ਇਸ਼ਤਿਹਾਰਦਾਤਾ ਆਪਣੀਆਂ ਮੌਜੂਦਾ ਪ੍ਰਣਾਲੀਆਂ ਨੂੰ ਸਾਡੇ ਢਾਂਚੇ ਨਾਲ ਆਸਾਨੀ ਨਾਲ ਜੋੜ ਸਕਦੇ ਹਨ, ਰਿਪੋਰਟਾਂ ਦੇ ਡਾਟਾ ਨਾਲ ਆਪਣੀਆਂ ਰਣਨੀਤੀਆਂ ਸੁਧਾਰ ਸਕਦੇ ਹਨ ਅਤੇ ਸਾਡੀ ਟੀਮ ਪ੍ਰਣਾਲੀ ਵਿੱਚ ਸੁਧਾਰ ਦੀ ਗੁੰਜਾਇਸ਼ ਲੱਭ ਸਕਦੀ ਹੈ. ਇਹਨਾਂ ਰਿਪੋਰਟਿੰਗ ਅਤੇ ਔਪਟੀਮਾਈਜੇਸ਼ਨ ਟੂਲਾਂ ਤੋਂ ਇਲਾਵਾ, ਅਸੀਂ ਇਸ਼ਤਿਹਾਰ ਪਹੁੰਚਾਉਣ ਦੀ ਪ੍ਰਕਿਰਿਆ ਪਰਖਣ ਅਤੇ ਹੋਰ ਇਸ਼ਤਿਹਾਰੀ ਮਾਡਲਾਂ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣ ਲਈ ਉੱਚ-ਗੁਣਵੱਤਾ ਵਾਲਾ ਮਾਡਲ ਲਗਾਉਂਦੇ ਹਾਂ. ਇਸ ਨਾਲ ਆਪਣੇ ਆਪ ਨੂੰ ਸੁਧਾਰਨ ਦਾ ਇੱਕ ਮਜ਼ਬੂਤ ਚੱਕਰ ਬਣਦਾ ਹੈ.

ਕੀ ਕੁਝ ਵਾਪਰਿਆ, ਇਸ ਦੇ ਵਿਸਥਾਰਪੂਰਵਕ ਵੇਰਵੇ ਇਸ਼ਤਿਹਾਰ ਪ੍ਰਣਾਲੀ ਦੇ ਹਰੇਕ ਹਿੱਸੇ ਨੂੰ ਵੱਖਰੇ ਤੌਰ ’ਤੇ ਸਮਝਣ ਅਤੇ ਸੁਧਾਰਨ ਵਿੱਚ ਸਾਡੀ ਮਦਦ ਕਰਦੇ ਹਨ. ਲੌਗ ਪ੍ਰੋਸੈਸਿੰਗ ਪ੍ਰਣਾਲੀ ਬਾਰੀਕੀ ਨਾਲ ਦਰਜ ਕੀਤੇ ਨਤੀਜਿਆਂ ਨੂੰ ਵੀ ਰਿਕਾਰਡ ਕਰਦੀ ਹੈ, ਜਿਵੇਂ:

• ਇਹ ਟਰਨ ਇਸ਼ਤਿਹਾਰ ਦਿਖਾਉਣ ਲਈ ਯੋਗ ਨਹੀਂ ਸੀ.

• ਇਸ਼ਤਿਹਾਰ ਸੈਸ਼ਨ ਸ਼ੁਰੂ ਹੋਇਆ, ਪਰ ਰਿਟ੍ਰੀਵਲ ਲਈ ਕੋਈ ਬੇਨਤੀ ਨਹੀਂ ਕੀਤੀ ਗਈ.

• ਰਿਟ੍ਰੀਵਲ ਦੌਰਾਨ ਕੋਈ ਵੀ ਸੰਭਾਵੀ ਇਸ਼ਤਿਹਾਰ ਨਹੀਂ ਮਿਲਿਆ.

• ਸੰਭਾਵੀ ਇਸ਼ਤਿਹਾਰ ਰਿਟ੍ਰੀਵ ਕੀਤੇ ਗਏ, ਪਰ ਉਹਨਾਂ ਦਾ ਪੂਰਾ ਡਾਟਾ ਭਰਨ ਜਾਂ ਯੋਗਤਾ ਦੀ ਜਾਂਚ ਵਿੱਚ ਅਸਫਲਤਾ ਹੋਈ.

• ਇਸ਼ਤਿਹਾਰ ਪਹੁੰਚਾਇਆ ਗਿਆ ਅਤੇ ਬਾਅਦ ਵਿੱਚ ਵਰਤੋਂਕਾਰ ਨੇ ਉਸ ਨਾਲ ਕੋਈ ਕਾਰਵਾਈ ਕੀਤੀ.

ਇਹ ਵਿਸਥਾਰਪੂਰਵਕ ਵੇਰਵੇ ਇਸ਼ਤਿਹਾਰ ਦਿਖਾਉਣ ਵਾਲੀ ਪ੍ਰਣਾਲੀ ਦੇ ਹਰੇਕ ਹਿੱਸੇ ਨੂੰ ਵੱਖਰੇ ਤੌਰ ’ਤੇ ਸੁਧਾਰਨ ਵਿੱਚ ਸਾਡੀ ਮਦਦ ਕਰਦੇ ਹਨ. ਮੌਕਿਆਂ ਦੀ ਪਛਾਣ ਨੂੰ ਬਿਹਤਰ ਬਣਾਉਣ ਲਈ ਲੋੜੀਂਦੇ ਸਬੂਤ, ਰਿਟ੍ਰੀਵਲ, ਸੰਭਾਵੀ ਇਸ਼ਤਿਹਾਰਾਂ ਦੀ ਗੁਣਵੱਤਾ, ਨਿਲਾਮੀ ਵਿੱਚ ਭਾਗੀਦਾਰੀ ਜਾਂ ਇਸ਼ਤਿਹਾਰ ਦੀ ਡਿਲਿਵਰੀ ਦੀ ਭਰੋਸੇਯੋਗਤਾ ਨੂੰ ਬਿਹਤਰ ਬਣਾਉਣ ਲਈ ਲੋੜੀਂਦੇ ਸਬੂਤਾਂ ਤੋਂ ਵੱਖਰੇ ਹੁੰਦੇ ਹਨ.

ਮਾਡਲ-ਆਧਾਰਿਤ ਮੁਲਾਂਕਣ ਦੇ ਪਿੱਛੇ ਵਿਚਾਰ ਇਹ ਹੈ ਕਿ ਸਾਡੇ ਸਭ ਤੋਂ ਸ਼ਕਤੀਸ਼ਾਲੀ ਅਤੇ ਸਭ ਤੋਂ ਵੱਧ ਰੀਜ਼ਨਿੰਗ ਸਮਰੱਥਾ ਵਾਲੇ ਮਾਡਲ ਸਾਡੀ ਪ੍ਰਣਾਲੀ ਦੇ ਨਤੀਜਿਆਂ ਨੂੰ ਦੇਖਦੇ ਅਤੇ ਪਰਖਦੇ ਹਨ, ਫਿਰ ਪੋਸਟ-ਟ੍ਰੇਨਡ LLM ਨੂੰ ਹੋਰ ਬਿਹਤਰ ਪ੍ਰਦਰਸ਼ਨ ਕਰਨ ਦੀ ਸਿਖਲਾਈ ਦੇ ਕੇ ਸੁਧਾਰਦੇ ਹਨ. ਮਿਸਾਲ ਵਜੋਂ, ਜੇ ਸਾਡਾ ਸਭ ਤੋਂ ਸ਼ਕਤੀਸ਼ਾਲੀ ਮਾਡਲ ਫੀਡਬੈਕ ਇਕੱਠਾ ਕਰਦਾ ਹੈ ਅਤੇ ਛੋਟੇ ਮਾਡਲਾਂ ਨੂੰ ਸਭ ਤੋਂ ਵਧੀਆ ਸੰਭਵ ਕੰਮ ਕਰਨ ਦੀ ਸਿਖਲਾਈ ਦਿੰਦਾ ਹੈ, ਤਾਂ ਅਸੀਂ ਆਰਕੈਸਟ੍ਰੇਸ਼ਨ ਜਾਂ ਰਿਟ੍ਰੀਵਲ ਲਈ ਛੋਟੇ, ਵਧੇਰੇ ਕੁਸ਼ਲ ਜਾਂ ਘੱਟ ਰੀਜ਼ਨਿੰਗ ਸਮਰੱਥਾ ਵਾਲੇ ਮਾਡਲਾਂ ਦੀ ਵਰਤੋਂ ਕਰ ਸਕਦੇ ਹਾਂ.

ਅਸੀਂ ਮਨੁੱਖੀ ਫੀਡਬੈਕ (ਵਰਤੋਂਕਾਰਾਂ ਵੱਲੋਂ ਇਸ਼ਤਿਹਾਰਾਂ ’ਤੇ ਕਲਿੱਕ ਕਰਨਾ ਅਤੇ ਉਹਨਾਂ ਨੂੰ ਲੁਕਾਉਣਾ), ਵਰਤੋਂਕਾਰਾਂ ਦੇ ਸਰਵੇਖਣਾਂ ਅਤੇ ਆਪਣੇ ਇਸ਼ਤਿਹਾਰ ਮੈਨੇਜਰ ਰਾਹੀਂ ਇਸ਼ਤਿਹਾਰਦਾਤਿਆਂ ਤੋਂ ਸਿੱਧਾ ਫੀਡਬੈਕ ਇਕੱਠਾ ਕਰਦੇ ਹਾਂ ਅਤੇ ਉਸ ’ਤੇ ਕਾਰਵਾਈ ਕਰਦੇ ਹਾਂ. ਨਿਰਮਾਣ ਦੇ ਦੌਰਾਨ ਅਸੀਂ ਆਪਣੀ ਟੀਮ ਨੂੰ ਵੀ ਫੀਡਬੈਕ ਦੇਣ ਲਈ ਉਪਲਬਧ ਰੱਖਦੇ ਹਾਂ ਅਤੇ ਸਿੱਧੇ ਤੌਰ ’ਤੇ ਸੁਣਦੇ ਹਾਂ ਕਿ ChatGPT ਦੇ ਵਰਤੋਂਕਾਰ ਅਤੇ ਇਸ਼ਤਿਹਾਰਦਾਤਾ ਕੀ ਚਾਹੁੰਦੇ ਹਨ. ਇਹ ਫੀਡਬੈਕ ਸਾਡੀ ਦਿਸ਼ਾ ਤੈਅ ਕਰਨ ਵਿੱਚ ਮਾਡਲ ਦੇ ਨਿਰੀਖਣ-ਆਧਾਰਿਤ ਫੀਡਬੈਕ ਨਾਲੋਂ ਵੀ ਵੱਧ ਮਹੱਤਵ ਰੱਖਦਾ ਹੈ ਅਤੇ ਇਸ ਨੇ ਉਤਪਾਦ ਬਾਰੇ ਸਹੀ ਫੈਸਲਿਆਂ ਤੱਕ ਤੇਜ਼ੀ ਨਾਲ ਪਹੁੰਚਣ ਲਈ ਵਾਰ-ਵਾਰ ਸੁਧਾਰ ਕਰਨ ਵਿੱਚ ਸਾਡੀ ਮਦਦ ਕੀਤੀ ਹੈ. ਮਾਡਲ ਸ਼ਾਇਦ ਵਰਤੋਂਕਾਰ ਦੇ ਇਰਾਦੇ ਨੂੰ ਸਮਝ ਕੇ ਅਤੇ ਆਲੋਚਨਾਤਮਕ ਢੰਗ ਨਾਲ ਸੋਚ ਕੇ ਕੋਈ ਲਾਭਦਾਇਕ ਚੀਜ਼ ਪੇਸ਼ ਕਰ ਸਕੇ, ਪਰ ਪਸੰਦ ਅਤੇ ਸੁਹਜ ਦੀ ਸਮਝ ਲੋਕ ਹੀ ਘੜਦੇ ਹਨ.

ਇੱਕ ਸਾਲ ਪਹਿਲਾਂ ਸਾਡੇ ਕੋਲ ਕੋਈ ਇਸ਼ਤਿਹਾਰ ਪ੍ਰਣਾਲੀ ਨਹੀਂ ਸੀ ਅਤੇ ਇਸ ਖੇਤਰ ਦੀਆਂ ਚੁਣੌਤੀਆਂ ਬਾਰੇ ਸੋਚਣ ਵਾਲੇ ਸਿਰਫ਼ ਕੁਝ ਹੀ ਲੋਕ ਸਨ. ਹੁਣ ਸਾਡੇ ਕੋਲ ਇੱਕ ਮਜ਼ਬੂਤ ਇਸ਼ਤਿਹਾਰ ਪ੍ਰਣਾਲੀ ਹੈ, ਜੋ ਸਾਲਾਨਾ ਆਮਦਨ ਦੀ ਮੌਜੂਦਾ ਰਫ਼ਤਾਰ ਦੇ ਹਿਸਾਬ ਨਾਲ $1 ਅਰਬ ਤੋਂ ਵੱਧ ਦੀ ਆਮਦਨ ਪੈਦਾ ਕਰ ਰਹੀ ਹੈ. ਇਸ ਪ੍ਰਣਾਲੀ ਵਿੱਚ ਇਸ਼ਤਿਹਾਰਾਂ ਦਾ ਪੂਰਾ ਫਲੋ LLM-ਆਧਾਰਿਤ ਆਰਕੈਸਟ੍ਰੇਟਰ ਚਲਾਉਂਦਾ ਹੈ. Codex ਨੇ ਸਾਡੀ ਸਮਰੱਥਾ ਨੂੰ ਕਈ ਗੁਣਾ ਵਧਾਉਣ ਵਿੱਚ ਬੁਨਿਆਦੀ ਭੂਮਿਕਾ ਨਿਭਾਈ ਅਤੇ ਬੇਮਿਸਾਲ ਤੇਜ਼ੀ ਨਾਲ ਪ੍ਰਣਾਲੀ ਨੂੰ ਸ਼ੁਰੂ ਤੋਂ ਤਿਆਰ ਕਰਕੇ ਵਰਤੋਂ ਦੇ ਇਸ ਵੱਡੇ ਮੀਲਪੱਥਰ ਤੱਕ ਪਹੁੰਚਣ ਵਿੱਚ ਸਾਡੀ ਮਦਦ ਕੀਤੀ. ਸ਼ੁਰੂ ਤੋਂ ਹੀ ਅਸੀਂ ਟੀਮ ਅਤੇ ਵਿਕਾਸ ਦੇ ਵਰਕਫਲੋ ਇਸ ਤਰ੍ਹਾਂ ਤਿਆਰ ਕੀਤੇ ਕਿ Codex ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਪ੍ਰਣਾਲੀ ਨੂੰ ਤੇਜ਼ੀ ਨਾਲ ਬਣਾਇਆ ਅਤੇ ਵੱਡੇ ਪੱਧਰ ’ਤੇ ਵਧਾਇਆ ਜਾ ਸਕੇ. ਅਸੀਂ Codex ਲਈ ਸੁਰੱਖਿਆ ਹੱਦਾਂ ਤਿਆਰ ਕੀਤੀਆਂ, ਤਾਂ ਜੋ ਕੋਡ ਨੂੰ ਭਰੋਸੇਯੋਗ ਅਤੇ ਸੁਰੱਖਿਅਤ ਢੰਗ ਨਾਲ ਜਾਰੀ ਕੀਤਾ ਜਾ ਸਕੇ. ਇਸ ਦੇ ਨਾਲ ਹੀ, ਅਸੀਂ Codex ਲਈ ਡਾਟਾ ਬੁਨਿਆਦੀ ਢਾਂਚੇ ਦੇ ਪਲੱਗਇਨ ਤਿਆਰ ਕੀਤੇ, ਤਾਂ ਜੋ ਜਾਣਕਾਰੀ ਤੋਂ ਸੂਝ ਹਾਸਲ ਕਰਨ ਅਤੇ ਪ੍ਰਣਾਲੀ ਵਿੱਚ ਸੁਧਾਰ ਲਾਗੂ ਕਰਨ ਦੇ ਚੱਕਰ ਨੂੰ ਬਹੁਤ ਤੇਜ਼ ਕੀਤਾ ਜਾ ਸਕੇ. ਇਹਨਾਂ ਸੁਧਾਰਾਂ ਵਿੱਚ ਪ੍ਰੋਡਕਟ ਦੀਆਂ ਨਵੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ, ਗੁਣਵੱਤਾ ਵਿੱਚ ਸੁਧਾਰ ਅਤੇ ਪ੍ਰਣਾਲੀ ਦੀ ਬਿਹਤਰ ਕਾਰਗੁਜ਼ਾਰੀ ਸ਼ਾਮਲ ਹਨ.

ਸਾਡੀ ਪ੍ਰਣਾਲੀ ਦੀਆਂ ਹੱਦਾਂ (ਜੋ ਸਾਡੇ ਇਸ਼ਤਿਹਾਰਬਾਜ਼ੀ ਦੇ ਸਿਧਾਂਤਾਂ⁠’ਤੇ ਆਧਾਰਿਤ ਹਨ) ਅਤੇ ਸਾਡਾ LLM-ਆਧਾਰਿਤ ਆਰਕੈਸਟ੍ਰੇਟਰ ਮਿਲ ਕੇ ਸਾਨੂੰ ਹਰ ਗੱਲਬਾਤ ਨੂੰ ਇਸ਼ਤਿਹਾਰ ਦੀ ਬੇਨਤੀ ਮੰਨੇ ਬਿਨਾਂ ਇਸ਼ਤਿਹਾਰਬਾਜ਼ੀ ਨੂੰ ਲਾਭਦਾਇਕ ਬਣਾਉਣ ਦਿੰਦੇ ਹਨ. ਅੱਗੇ ਵੀ ਅਸੀਂ ਵਰਤੋਂਕਾਰਾਂ ਅਤੇ ਇਸ਼ਤਿਹਾਰਦਾਤਿਆਂ ਲਈ ਮੁੱਲ ਵਧਾਉਣ ਵਾਸਤੇ ਹੋਰ ਗਤੀਸ਼ੀਲ ਇਸ਼ਤਿਹਾਰੀ ਫਾਰਮੈਟਾਂ ਨਾਲ ਪ੍ਰਯੋਗ ਕਰਦੇ ਰਹਾਂਗੇ, (ਮਿਸਾਲ ਵਜੋਂ, ਵਰਤੋਂਕਾਰਾਂ ਨੂੰ ਇਸ਼ਤਿਹਾਰਾਂ ਰਾਹੀਂ ਸਿੱਧੇ ਕਾਰੋਬਾਰਾਂ ਨਾਲ ਗੱਲ ਕਰਨ ਦੀ ਸਹੂਲਤ ਦੇਣਾ). OpenAI ਮਾਡਲਾਂ ਅਤੇ ਲਗਾਤਾਰ ਫੀਡਬੈਕ ਲੂਪਾਂ ’ਤੇ ਬਣਿਆ ਇਹ ਆਪਣੇ ਆਪ ਨੂੰ ਸੁਧਾਰਨ ਵਾਲਾ ਤਕਨੀਕੀ ਢਾਂਚਾ ਸਮੇਂ ਦੇ ਨਾਲ ਪ੍ਰਸੰਗਿਕਤਾ ਅਤੇ ਨਿੱਜੀਕਰਨ ਨੂੰ ਲਗਾਤਾਰ ਬਿਹਤਰ ਬਣਾਉਣ ਦੀ ਸਾਡੀ ਸਮਰੱਥਾ ਨੂੰ ਹੋਰ ਤੇਜ਼ ਕਰੇਗਾ.