OpenAI மூலம் Wayfair பட்டியல் துல்லியத்தையும் ஆதரவை மேம்படுத்தும்

உலகின் மிகப்பெரிய வீட்டு உபயோகப் பொருட்கள் சில்லறை விற்பனையாளர்களில் ஒன்றான Wayfair, வழங்குநர் ஆதரவு பணிப்பாய்வுகள் மற்றும் தயாரிப்பு பட்டியல் தரத்தை பெரிய அளவில் மேம்படுத்துவதற்காக முக்கியமான உள் அமைப்புகளில் OpenAI மாடல்களை ஒருங்கிணைத்துள்ளது. 2024 இல் மதிப்பைச் சோதிக்கும் சிறிய அளவிலான ரிலீஸ்களாகத் தொடங்கியது, இப்போது கைமுறை முயற்சியை குறைத்து, முடிவெடுப்பை துரிதப்படுத்தி, மில்லியன் கணக்கான தயாரிப்புகள் முழுவதும் தரவு தரத்தை மேம்படுத்தும் முழுமையான உற்பத்தி அமைப்பாக வளர்ந்துள்ளது.

ஜெனரேட்டிவ் AI ஐ ஒரு பரிசோதனையாகவோ அல்லது புள்ளி தீர்வாகவோ கருதுவதற்குப் பதிலாக, Wayfair OpenAI மாடல்களை முக்கிய செயல்பாட்டு பணிப்பாய்வுகளில் உட்பொதித்தது. நிறுவனம் முதலில் சிக்கலும் அளவீட்டுத் தேவையும் மிக அதிகமாக இருந்த இடங்களில் கவனம் செலுத்தியது: சப்ளையர் சப்போர்ட் கோரிக்கைகளை வழிமாற்றி தீர்வு காண்பது மற்றும் சுமார் 30 million பொருட்கள் கொண்ட ஒரு கேடலாக் முழுவதும் பல்லாயிரக்கணக்கான தயாரிப்பு பண்புகளை ஒரே மாதிரியாக மேம்படுத்துவது.

Wayfair-இன் பட்டியல் குழு, கிட்டத்தட்ட ஆயிரம் விதமான தயாரிப்பு வகுப்புகள் முழுவதும் கோடிக்கணக்கான தயாரிப்புகளை நிர்வகிக்கிறது. தேடல், பரிந்துரைகள் மற்றும் விற்பனை ஊக்குவிப்பிற்காக, நிறம், பொருள், அளவு அல்லது குறிப்பிட்ட அம்சங்கள் போன்ற ஒரேமாதிரியான மற்றும் துல்லியமான தயாரிப்பு பண்புக்கூறு குறிச்சொற்கள் — அவசியமானவை.    

எங்கள் தரவுத் தரம் மேம்பட்டால், வாடிக்கையாளருடன் நம்பிக்கையை அதிகமாக உருவாக்க முடியும். இது முக்கியமானது, ஏனெனில் இது கொள்முதல் செய்பவர்களுக்கு சரியான முடிவுகளை எடுக்க உதவுகிறது, மேலும் தவறாக குறிப்பிடப்பட்ட பொருட்களிலிருந்து கிடைக்கும் வருமானம் போன்ற விலையுயர்ந்த கீழ்நிலை சிக்கல்களை நேரடியாகக் குறைக்கிறது" என்று Wayfair-இன் Catalog Merchandising-க்கான Associate Director Jessica D'Arcy கூறினார். 

OpenAI முன்பு, டேக்கிங் மேம்பாடுகள் பெரும்பாலும் சப்ளையர்கள் மற்றும் வாடிக்கையாளர்கள் ஏதோ தவறாகத் தெரிகிறது என்று Wayfair-க்கு தெரிவிப்பதையே சார்ந்திருந்தன. கைமுறையான முயற்சி அளவுக்கு ஈடுகொடுக்க முடியவில்லை.  தனித்தனி டேக்குகளுக்கான ஆரம்பகால தனிப்பயன் AI மாடல்கள் பயனுள்ளதாக இருந்தன, ஆனால் உருவாக்கவும் பராமரிக்கவும் செலவாகும் என்று நிரூபித்தன. “தனித்தனி டேக்குகளுக்காக தனிப்பயன் மாடல்கள் உருவாக்குவதிலிருந்து நாங்கள் தொடங்கினோம், தொழில்நுட்ப ரீதியாக அது வேலை செய்தது,” என்று Wayfair நிறுவனத்தின் ஸ்டாஃப் மெஷின் லெர்னிங் விஞ்ஞானி Carolyn Phillips கூறினார். “ஆனால் நீங்கள் 47,000 tags ஐப் பார்க்கும் போது, அந்த அணுகுமுறை பெரிய அளவில் செயல்படாது.”

ஒருமுறை பயன்பாட்டு மாடல்களைத் தாண்டிச் செல்ல, Wayfair ஒரு ஒற்றை OpenAI மாடலை அடிப்படையாகக் கொண்டு உருவாக்கப்பட்ட டேக்-அக்னாஸ்டிக் அமைப்பை உருவாக்கியது. ஒரு “வரையறை ஏஜென்ட்” ஒவ்வொரு டேக்கிற்கும் பொருத்தமான சூழல்சார் அர்த்தத்தை உருவாக்க, வலை மற்றும் உள்நாட்டு வரையறைகளை உட்கொள்கிறது. “உண்மையான தடையாக இருந்தது மாடல் செயல்திறன் அல்ல,” என்று Phillips கூறினார். “ஒவ்வொரு டேக் உண்மையில் என்ன அர்த்தம் கொண்டது என்பதை வரையறுத்து குறியாக்கம் செய்ய தேவையான மனித நேரமே அது.” இந்தச் சூழல், Wayfair-ன் தரவு சூழலமைப்பில் இருந்து ஒருங்கிணைக்கப்பட்ட தயாரிப்பு தரவுகளுடன் சேர்ந்து, தயாரிப்பு வகுப்புகளின் பண்புக்கூறுகளை வகைப்படுத்தும் ஒரு கட்டமைப்பில் சேர்க்கப்படுகிறது. குழு இப்போது புதிய பண்புக்கூறுகளுக்கு மாடல் கவரேஜை, அவர்கள் ஒரு ஆண்டுக்கு முன்பு இருந்த வேகத்தை விட எழுபது மடங்கு வேகத்தில் விரிவுபடுத்துகிறது.

இந்த அமைப்பு இப்போது உற்பத்தியில் 1 million க்கும் மேற்பட்ட தயாரிப்புகளில் இயங்கியுள்ளது. மேம்படுத்தப்பட்ட பண்புகளுடன் கூடிய தயாரிப்புகளின் முதல் அலை இப்போது போதுமான காலமாக செயல்பாட்டில் இருந்து, வாடிக்கையாளர் பயணத்தில் தரவுத் தரத்தை மேம்படுத்துவதன் தாக்கத்தை அளவிட முடிகிறது.  “நீங்கள் பண்புக்கூறு முழுமையை மேம்படுத்தும்போது, அது கற்பனையானது அல்ல. “SEO மற்றும் PLA செயல்திறனில்—வாடிக்கையாளர்கள் தயாரிப்புகளை எவ்வாறு கண்டறிகிறார்கள் என்பதிலேயே—அது வெளிப்படுவதை நீங்கள் பார்க்கிறீர்கள்,” என்று Phillips கூறினார். ஒரு கட்டுப்படுத்தப்பட்ட A/B சோதனை, சிகிச்சை குழுவில் இம்ப்ரெஷன்கள், கிளிக்குகள் மற்றும் பக்க தரவரிசையில் கணிசமான மற்றும் குறிப்பிடத்தக்க உயர்வைக் காட்டியது.

இருப்பினும், Wayfair தயாரிப்புத் தரவைச் சரிசெய்வது குறித்த முடிவுகளை மாடலுக்கு மட்டும் ஒப்படைக்கவில்லை. “வாடிக்கையாளர்கள் தாங்கள் வாங்குவது குறித்து முழுமையாக நம்பிக்கையுடன் இருக்கும்படி நம்பிக்கையை உருவாக்குவதே எங்கள் நோக்கம்,” என்று Phillips கூறினார். நிறுவனம், இணை பணியாளர்கள் மாதிரிகளை இயற்பியல்முறையாக ஆய்வு செய்து மாடல் வெளியீட்டைச் சரிபார்க்கும் கைமுறை ஆடிட் செயல்முறையைப் பயன்படுத்தி கட்டமைக்கப்பட்ட சோதனையை உருவாக்கியது, மேலும் மாற்றங்களைச் சரிபார்க்க சப்ளையர்களுடன் பணியாற்றியது. இப்போது, தரவு அடிப்படையிலான நம்பகத்தன்மை உயர்ந்திருக்கும்போது, தானியங்கி அமைப்புகள் உள்ளடக்கத்தை நேரடியாக மேலெழுதி, மாற்றம் குறித்து வழங்குநருக்கு அறிவிக்கும். மேலும், உயர்ந்த தரநிலை பூர்த்தி செய்யப்படாதபோது அல்லது டேக் அதிக அபாயம் கொண்டதாகக் கருதப்படும்போது, மாற்றத்தைச் செய்வதற்கு முன் Wayfair முதலில் சப்ளையர் உறுதிப்படுத்தலை நாடுகிறது.

Wayfair தங்களின் விரிவான பட்டியலை ஆதரிக்க பல்லாயிரக்கணக்கான சப்ளையர்களுடன் பணியாற்றுகிறது. சப்ளையர் ஆதரவு கோரிக்கைகளை நிர்வகிக்க, Wayfair பணியாளர்கள் பாரம்பரியமாக ஒவ்வொரு உள்வரும் டிக்கெட்டையும் பரிசீலித்து, சப்ளையர்கள் எதைச் சாதிக்க முயல்கிறார்கள் என்பதை கைமுறையாக அடையாளம் கண்டு, பிரச்சினைகளை சரியான உள்நாட்டு பொறுப்பாளரிடம் அனுப்பினர்—இது நேரம் அதிகம் எடுத்துக்கொள்ளும் மற்றும் பிழை ஏற்படும் வாய்ப்பு அதிகமான செயல்முறை. “சப்ளையர் கோரிக்கைகள் எளிதானவை அல்ல,” என்று Wayfair நிறுவனத்தின் சப்ளையர் ஆதரவு மற்றும் செயல்பாடுகள் பிரிவைச் சேர்ந்த Graham Ganssle கூறினார். "அவை நூற்றுக்கணக்கான சிக்கல் வகைகளைக் கொண்டுள்ளன, மேலும் எந்த ஒரு கூட்டாளியும் அவை அனைத்தையும் யதார்த்தமாக தேர்ச்சி பெற முடியாது."

இந்த பணிச்சூழல்களை AI மூலம் மேம்படுத்துவதற்காக, Wayfair Wilma என்ற தயாரிப்பில் ஏஜென்டிக் அம்சங்களைச் சேர்த்தது. புரொடக்ஷனில் உள்ள முதல் அம்சங்களில் ஒன்று OpenAI மாடல் மூலம் இயக்கப்படும் டிக்கெட் ட்ரையாஜ் ஆகும். அமைப்பு உள்வரும் கோரிக்கைகளை வாசித்து, குறைவான சூழல் தகவலை நிரப்பி, டிக்கெட்டுகளை பொருத்தமான குழுவிற்கு அனுப்புகிறது. Wilma விரைவாக அமல்படுத்தக்கூடியதாக வடிவமைக்கப்பட்டது; OpenAI APIs -களுடன் ஏற்கனவே ஒருங்கிணைக்கப்பட்ட ஒரு அமைப்பின் மேல் உருவாக்கப்பட்டதால், அது முன்மாதிரியில் இருந்து நேரடி பயன்பாட்டிற்கு சுமார் ஒரு மாதத்தில் நகர்ந்தது. “Wilma இணை பணியாளர்களுக்கு தாக்கத்தை வழங்குகிறது,” என்று Ganssle கூறினார். “இது டிக்கெட்டை வாசித்து, நோக்கத்தை அடையாளம் கண்டு, எங்கள் தரவுத்தளங்களிலிருந்து சூழலை நிரப்பி, தேவையெனில் விநியோகஸ்தர்களை மீண்டும் அணுகி, பிரச்சினையை சரியான திசையில் வழிநடத்துகிறது.”

ரூட்டிங்கைத் தாண்டி, Wayfair குறிப்பிட்ட தீர்வு குழுக்களுக்காக ஒரு டஜன் ஏஜென்டிக் AI ஃப்ளோக்களை பிரயோகித்துள்ளது. உதாரணமாக, Replacement Part Operations குழுவுக்கான ஒரு கோ-பைலட் சிக்கலான வழக்கு வரலாற்றை வாசித்து, அடுத்த படிகளை முன்மொழிந்து, மனித இணைப்பாளர்கள் மீளாய்வு செய்யும் வரைவு பதில்களை பரிந்துரைக்கிறது. இந்த உதவியாளர்கள் வரலாற்றுத் தரவின் அடிப்படையில் பயிற்சி பெறுகின்றனர், ஆகவே அவர்கள் சூழலுக்கேற்ப வெற்றி எப்படி இருக்கும் என்பதை கற்றுக்கொள்கிறார்கள். “மாடல்கள் முழு பயணத்திலும் உள்ள சூழலை ஒருங்கிணைத்து உருவாக்க முடியும்; அதை ஒரு தனி பணியாளரால் செய்வது கடினம்,” என்று Ganssle கூறினார். “அந்த பரந்த காட்சித்திறன் வாடிக்கையாளர் மற்றும் வழங்குநர் திருப்தி அதிகரிக்க பங்களிக்கிறது.”

Wayfair, AI பரிந்துரைகள் மனித ஏஜென்ட் இறுதி முடிவுடன் எவ்வளவு அடிக்கடி பொருந்துகின்றன என்பதை கண்காணிக்கிறது—இது “alignment rate” என்று அழைக்கப்படும் ஒரு அளவீடு. ஒவ்வொரு குழுவிற்குள்ளும், ஒத்திசைவு தொடர்ந்து முன்கூட்டியே நிர்ணயிக்கப்பட்ட அளவுகோலை எட்டும்போது, பணிப்பாய்வுகள் உதவியாளர் (“co-pilot”) முறையிலிருந்து அரை-தன்னாட்சி (“autopilot”) முறைகளுக்கு மாறலாம். இந்த கட்டங்களாக மேற்கொள்ளும் அணுகுமுறை நம்பிக்கையை உருவாக்குகிறது மற்றும் வெளியீட்டின் போது தரக் கட்டுப்பாடுகளை உறுதிப்படுத்துகிறது.

உள் அமைப்புகளில் OpenAI மாடல்களை ஒருங்கிணைத்ததிலிருந்து அளவிடக்கூடிய மேம்பாடுகளை Wayfair அறிக்கையிடுகிறது.

கேட்டலாக் பக்கத்தில், Wayfair கேட்டலாகில் அதிகம் காணப்படும் மற்றும் அதிகம் வாங்கப்படும் ஒரு மில்லியனுக்கும் மேற்பட்ட தயாரிப்புகளில் 2.5 மில்லியன் தயாரிப்பு டேக்குகளைத் திருத்தியதன் மூலம், வாடிக்கையாளர் காணக்கூடிய தவறான அல்லது காணாமல் போன தயாரிப்பு பண்புக்கூறு டேக்குகளின் எண்ணிக்கையை நிறுவனம் குறைத்தது. அடுத்த ஆறு மாதங்களில் இந்த தாக்கத்தை நான்கு மடங்காக உயர்த்துவார்கள் என்று அவர்கள் எதிர்பார்க்கின்றனர்.

சப்ளையர் ஆதரவில், triage, co-pilot, மற்றும் auto-pilot அமைப்புகள் மாதத்திற்கு 41,000 டிக்கெட்டுகளை தானியங்கச் செய்வதன் மூலம் த்ரூபுட்-ஐ அதிகரித்துள்ளன (சில பணிப்பாய்வுகளில் அது 70% வரை) மற்றும் அசோசியேட் பணிச்சுமையிலிருந்து வழக்கமான கைமுறை பணிகளை நீக்குவதன் மூலம் திருப்பிச் செலுத்தும் நேரங்களை குறைத்துள்ளன. இது பல பணிப்பாய்வுகளுக்கான தீர்வை அடைய வேண்டிய நேரத்தை வியத்தகு முறையில் குறைத்து, சப்ளையர் திருப்தியை கணிசமாக உயர்த்தி, அந்த பணிப்பாய்வுகளில் டிக்கெட் மீண்டும் திறப்புகளை குறைக்கிறது.

டிக்கெட்டுகள் மற்றும் சப்ளையர் நோக்கம் குறித்து—ஒரு தனிப்பட்ட அசோசியேட் திரையில் பார்க்க முடிவதைத் தாண்டி—மாடல்கள் வழங்கும் பரந்த பார்வைத்திறன், அந்த திருப்தி அதிகரிப்பிற்கு பங்களித்துள்ளது.

செயல்பாட்டில், குழுக்கள் தெரிவிக்கின்றன:

• சிக்கலான சப்ளையர் டிக்கெட்டுகளுக்கான வேகமான வழிமாற்றம் மற்றும் தீர்வு
• சப்ளையர் திருப்தி அதிகரிப்பு
• கைமுறை தரவு உள்ளீடு மற்றும் வகைப்படுத்தல் பணியைக் குறைத்தது
• நூற்றுக்கணக்கான தலைப்புகளில் நிபுணத்துவம் தேவைப்படாமல், மேலும் பரந்த பிரச்சினை கவரேஜ்
• வெளியிடுவதற்கு முன் கேட்டலாக் பண்புக்கூறுகளில் அதிக நம்பிக்கை.

Wayfair, தற்காலிக பணிகள், உள்ளக பிரச்சனைத் தீர்வு மற்றும் ஜெனரேட்டிவ் மாடல்கள் பரிசோதனை செய்வதை ஆதரிக்க, அதன் சுமார் 12,000-பேர்கள் கொண்ட பணியாளர்களில் ChatGPT Enterprise இன் 1,200-க்கும் மேற்பட்ட சீட்களையும் பயன்படுத்தத் தொடங்கியுள்ளது.

Wayfair இயந்திரக் கற்றலில் முதலீடு செய்வதிலும், தங்களின் வியாபாரத்தை முன்னேற்ற AI பிளாட்ஃபார்ம்கள் மற்றும் LLM வழங்குநர்களுடன் கூட்டாக இணைவதிலும் நீண்ட வரலாற்றைக் கொண்டுள்ளது. இப்போது, ஃப்ரண்டியர் மாடல்களில் ஏற்பட்ட முன்னேற்றங்கள், குறிப்பாக பன்முக அமைப்புகள், அணிகள் உருவாக்கக்கூடியவற்றை விரிவுபடுத்துகின்றன. வீட்டு சில்லறை விற்பனையில் இது முக்கியமானது, அங்கு தயாரிப்புகள் காட்சிப்பூர்வமானவை, ஸ்டைலானவை மற்றும் பெரும்பாலும் தனிப்பட்ட கருத்துகளை சார்ந்தவை.

“இப்போது நாங்கள் சமாளிக்கக்கூடிய பிரச்சினைகளின் பரப்பளவைப் பற்றி நாங்கள் உற்சாகமாக உள்ளோம்,” என்று Carolyn Phillips கூறினார். “பாரம்பரிய அல்கோரிதம்கள் இறுக்கமாக வரையறுக்கப்பட்ட டேட்டாசெட்ஸைத் தேவைப்படுத்துகின்றன. இந்த மாடல்கள், முன்பு அளவிட முடியாத வகையில், தெளிவின்மை மற்றும் சூழலைக் கையாள அனுமதிக்கின்றன. 

எதிர்காலத்தை நோக்கி, ChatGPT Enterprise க்கான பணியாளர் தேவை வலுவாக உள்ளது. Wayfair-இல் உள்ள குழுக்கள் இதை அவர்கள் வேகமாக செயல்பட உதவும் ஒரு நடைமுறை கருவியாகக் காண்கிறார்கள்.

வாடிக்கையாளர் எதிர்பார்ப்புகளும் விரைவாக மாறிக்கொண்டிருக்கின்றன. மேலும் பல வாங்குபவர்கள் தங்கள் தினசரி வாழ்க்கையில் AI-ஐ பயன்படுத்துவதில் வசதியாகி வருகின்றனர், மேலும் அவர்கள் ஆன்லைனில் உலாவி, ஒப்பிட்டு மற்றும் வாங்கும் போது இதே போன்ற திறன்களை எதிர்பார்க்கத் தொடங்குகின்றனர்.

“வீட்டில் இருக்கும்போது, வாடிக்கையாளர்களுக்கு அவர்கள் தேடுவது என்ன என்பதற்கான துல்லியமான சொற்கள் பெரும்பாலும் இருக்காது,” என்று Fiona Tan கூறினார். “இயற்கை மொழி மற்றும் மல்டிமோடல் அமைப்புகள் அந்த இடைவெளியைப் பூர்த்தி செய்ய உதவுகின்றன.”

Wayfair தலைவர்களுக்காக, உள்நாட்டு திறனை விரிவுபடுத்தும் போது மனித நிபுணத்துவத்தை மேம்படுத்துவதே இலக்காகத் தொடர்கிறது. “AI என்பது ஷாப்பிங் பயணத்தின் ஒரு பகுதியாக இருக்கும் உலகிற்காக நாங்கள் உருவாக்கி வருகிறோம்—அது எங்கள் தளத்தில் இருந்தாலும், ஆதரவு வழியாக இருந்தாலும், அல்லது உரையாடல் இடைமுகங்கள் வழியாக இருந்தாலும்,” என்று ஃபியோனா டான் முடிவில் கூறினார்.