నమ్మకం, సందర్భోచితత కోసం ChatGPT కొత్త ప్రకటనల వ్యవస్థను ఎలా నిర్మించాము

సంప్రదాయ ప్రకటనల వ్యవస్థలు వినియోగదారు ఉద్దేశాన్ని సూచించే విడివిడి చర్యలకు స్పందించేలా రూపొందించబడ్డాయి. వినియోగదారు ఆన్‌లైన్‌లో ఏదైనా వెతికినా, చూసినా, ప్రకటనల వ్యవస్థ ఆ శోధనలను, పేజీ వీక్షణలను ఘటనలుగా స్వీకరించి, వాటి ఆధారంగా సరిపోయే ప్రకటనలను వెతుకుతుంది. ChatGPT కోసం ప్రకటనల సాంకేతిక వ్యవస్థను నిర్మించడం భిన్నమైన పని: వినియోగదారు ఉద్దేశం సంభాషణలతో రూపుదిద్దుకుంటుంది, పలు విడతల్లో మారుతుంది. కొన్నిసార్లు ప్రకటనకు తగిన సందర్భమే ఉండదు. ఈ కొత్త విధానానికి మద్దతుగా, ప్రత్యేకంగా రూపొందించిన ప్రకటనల డెలివరీ వ్యవస్థను నిర్మించాము. ఈ కొత్త రకం ప్రకటనల వ్యవస్థకు పునాది ప్రత్యేకంగా రూపొందించిన పోస్ట్-ట్రెయిన్డ్ అత్యాధునిక LLM. ఇది వెలికితీత (ఉత్తమ ఎంపికల గుర్తింపు), ర్యాంకింగ్ (వినియోగదారు స్పందన అంచనా), సందర్భోచితత (ప్రకటన ఉపయోగాన్ని మూల్యాంకనం చేయడం), తుది ప్రకటన ఎంపిక, ధర నిర్ణయానికి వేలం నిర్వహణ కోసం సాధనాలను కాల్ చేస్తుంది.

మారుతూ ఉండే వినియోగదారు లక్ష్యాల్లోని సూక్ష్మతలను పరిగణించడానికి మూడు కీలక రూపకల్పన నిర్ణయాలు తీసుకున్నాము: 1) సమాచారాన్ని గుర్తుంచుకునే ప్రకటనల సెషన్‌లు—సంభాషణలోని విడతల మధ్య, వేర్వేరు సంభాషణల మధ్య సమాచారం నిలుస్తుంది. 2) సాధనాలను పిలిచే నిర్మాణంతో సంభాషణ సందర్భాన్ని, అంతర్లీన ఉద్దేశాన్ని అర్థం చేసుకుని, ప్రకటనలను సమర్థంగా ఎంచుకుని, ర్యాంక్ చేసి, అందించే ప్రత్యేక పోస్ట్-ట్రెయిన్డ్ LLM. 3) సమాధానాలపై ప్రకటనల ప్రభావం లేకుండా, ChatGPT స్వరం తటస్థంగా ఉండేలా, దాని సమాధాన రూపకల్పనకు వేరుగా ప్రత్యేక సేవలో ప్రకటనల ఎంపిక నిర్వహణ. మొత్తం ప్రకటన ప్రక్రియను సమన్వయం చేయడానికి మా పోస్ట్-ట్రెయిన్డ్ LLM‌ను ఉపయోగిస్తాము. వినియోగదారు ప్రస్తుత సందేశం, సంభాషణ చరిత్ర రెండింటి ఆధారంగా సరైన సమయంలో చూపాల్సిన సరైన ప్రకటనను అది నిర్ణయిస్తుంది. గతంలో ఇలాంటి స్వీయ మెరుగుదల ప్రకటనల వ్యవస్థను మొదటి నుంచి నిర్మించడానికి ఏళ్లు పట్టేది. కానీ ChatGPT యాడ్స్ ప్రారంభించిన 200 రోజులలోపే వార్షికంగా లెక్కించిన ఆదాయ వేగంలో $1 బిలియన్‌కు చేరుకుంది. ప్రారంభమైనప్పటి నుంచి ఇప్పటివరకు 100,000 మందికి పైగా ప్రకటనదారులు ChatGPTలో ప్రకటనలు ఇచ్చారు.

సంప్రదాయ ప్రకటన అభ్యర్థన సాధారణంగా స్పష్టంగా నిర్వచించిన ఘటనతో ప్రారంభమవుతుంది. వినియోగదారు శోధన ప్రశ్నను పంపినా, వెబ్‌పేజీ తెరిచినా, ప్రకటనల వ్యవస్థకు అభ్యర్థన అందుతుంది. ఈ రకం వ్యవస్థ చాలా సరళమైనది: సాధ్యమైన ప్రకటనలను వెలికితీసి, ర్యాంక్ చేసి, ఆ అవకాశానికి తగిన ధరను నిర్ణయించడానికి వేలం నిర్వహిస్తుంది. అందులో ఎంపికైన ప్రకటనను వినియోగదారుకు చూపుతుంది. ChatGPTలో సహజంగా అలాంటి నిర్దిష్ట క్షణం ఏర్పడదు.

ChatGPT సంభాషణకు ప్రజలు ఒకే సమాధానం కోసం చేసే శోధనతో కాకుండా, లక్ష్యాలతో వస్తారు. వారు యాత్రను ప్లాన్ చేస్తుండవచ్చు, బిజినెస్‌కు సాఫ్ట్‌వేర్ ఎంచుకుంటుండవచ్చు, ఇంటికి ఫర్నిచర్ సమకూరుస్తుండవచ్చు లేదా కొత్త అభిరుచిని నేర్చుకుంటుండవచ్చు. ఇవన్నీ సంభాషణలోని ఒకే విడతలో జరగవు. సంభాషణ సాగుతున్న కొద్దీ ఏది ముఖ్యమో స్పష్టం చేసుకోవడంలో ChatGPT తరచూ వినియోగదారుకు సహాయపడుతుంది.

ఉదాహరణకు, పరుగు పందెం కోసం ఎలా శిక్షణ పొందాలో మా ఇంజినీరింగ్ బృందం ChatGPTని అడిగింది. పరుగు గురించి సాధారణ ప్రశ్నతో సంభాషణ మొదలవుతుంది. కొన్ని విడతల తర్వాత, శిక్షణకు ఉపయోగపడే బూట్ల గురించి అడుగుతారు. ప్రతి కొత్త పరిమితి వెల్లడైనప్పుడల్లా సంభాషణ వాణిజ్యపరమైన అర్థం మారుతుంది. ఈ వ్యక్తిగత సందర్భం పలు సెషన్‌లలో రూపుదిద్దుకుంటుంది. మొదటి సందేశానికే స్పందించే వ్యవస్థ ఉద్దేశాన్ని పూర్తిగా తప్పుగా గ్రహించి, తప్పుడు ప్రకటనలను తీసుకురావచ్చు. దీంతో వినియోగదారు అనుభవం దెబ్బతిని, వారి పనికి ఆటంకం కలగవచ్చు.

మా ప్రకటనల వ్యవస్థను నిర్మించడానికి అభ్యర్థన–స్పందన నిర్మాణాన్ని దాటి ఆలోచించాల్సి వచ్చింది. వినియోగదారు నమ్మకానికి, ప్రయోజనానికి ప్రాధాన్యమిస్తూ, సాధ్యమైన ఆర్థిక అవకాశాలను గుర్తించే వ్యవస్థను మొదటి నుంచి నిర్మించాము.

సంప్రదాయ ప్రకటనల వ్యవస్థలా ప్రతి సందేశాన్నీ విడి అభ్యర్థనగా మార్చితే, మా సంభాషణ వినియోగంలో కొన్ని ప్రమాదాలు ఉంటాయి: 1) వినియోగదారు లక్ష్యాన్ని అతి సరళీకరించి తప్పుగా అర్థం చేసుకోవడం. 2) అసలు అవసరం స్పష్టమవకముందే ప్రకటన ప్రక్రియను ప్రారంభించడం. 3) వినియోగదారు లక్ష్యసాధనకు తోడ్పడకుండా అడ్డుపడే ప్రకటనలను చూపడం. 4) అభ్యర్థన మారినప్పుడల్లా అనవసరంగా ప్రకటన ప్రక్రియను మళ్లీ నడిపి, గందరగోళం సృష్టించడం, ఖర్చు వృథా చేయడం. విడివిడి ఘటనల ఆధారంగా పనిచేయకుండా, వెలికితీత, ర్యాంకింగ్, డెలివరీతో కూడిన ప్రకటనల వ్యవస్థ సమాచారాన్ని గుర్తుంచుకునే సెషన్‌ను కొనసాగిస్తుంది. అంటే, అర్హమైన సంభాషణ విడత కొనసాగేంత సేపు ప్రకటనల సెషన్ నడుస్తూ, మారే సమాచారాన్ని గుర్తుంచుకుని నవీకరిస్తుంది. ChatGPT తొలి అభ్యర్థన సందర్భాన్ని ప్రకటనల సర్వర్‌కు పంపుతుంది. ఒకే సరళీకృత ప్రశ్నపై ఆధారపడకుండా, ప్రకటనల వ్యవస్థ కొనసాగుతున్న సంభాషణను అనుసరిస్తూ, దానికి అనుగుణంగా మారుతుంది.

ChatGPT సమాధానాలపై ప్రకటన ప్రక్రియ ప్రభావం పడకుండా, ప్రకటనల ఎంపిక దాని సాధారణ సమాధాన రూపకల్పనకు సమాంతరంగా నడుస్తుంది. ప్రత్యేక వ్యవస్థ సంభాషణను స్వీకరించి, తన అర్హత, నాణ్యత, డెలివరీ పరిమితులకు లోబడి ప్రకటనలను వడపోసి ఎంచుకుంటుంది. వేర్వేరు మోడల్‌లు, కోడ్ ఉపయోగించే ప్రత్యేక సేవల మధ్య ఈ ముఖ్యమైన నిర్మాణ సరిహద్దు వల్ల ప్రధాన ChatGPT సర్వర్‌లు సాధారణ సమాధానాన్ని రూపొందిస్తాయి. అదే సమయంలో, ప్రకటనల వ్యవస్థ సముచితమైన ప్రకటన అవకాశం ఉందో లేదో స్వతంత్రంగా అంచనా వేస్తుంది. ఉంటే, ప్రత్యేక డెలివరీ ప్రక్రియ ద్వారా ప్రాయోజిత ప్రకటనను సిద్ధం చేస్తుంది.

వినియోగదారు అనుభవాన్ని కాపాడటంతో పాటు, ఇలా వేరుగా ఉంచడం వల్ల కొన్ని ఆచరణాత్మక ప్రయోజనాలూ ఉన్నాయి. ChatGPT ప్రకటనల వ్యవస్థపై ఆధారపడదు. ఈ సేవలు ఏ విధంగానూ ఒకదానితో ఒకటి ముడిపడి ఉండవు; కంటెంట్‌ను రూపొందించడానికి ఒకే మోడల్‌ను ఉపయోగించవు. కాబట్టి ప్రకటనల డెలివరీ వ్యవస్థ అందుబాటులో లేకున్నా, నెమ్మదిగా పనిచేసినా, ChatGPT సాధారణ సమాధానంపై ప్రభావం పడదు. అంటే ప్రకటనల వ్యవస్థ వల్ల ChatGPT పనిచేయడం ఆగిపోదు, ఆలస్యమూ కాదు. ఈ విభజన వల్ల మరో ప్రయోజనం ఏమిటంటే, ప్రకటనలు ఉపయోగకరంగా ఉండాలనే విషయంలో అత్యున్నత ప్రమాణాలు కొనసాగుతాయి. ఏ ప్రకటననూ అందించకపోవడం కూడా సాధారణమైన, విజయవంతమైన ఫలితమే. వినియోగదారులకు, ప్రకటనదారులకు స్పష్టమైన ప్రయోజనం ఉన్నప్పుడే వ్యవస్థ ప్రకటనను అందిస్తుంది.

మా ప్రకటనల సాంకేతిక వ్యవస్థలో మరో కీలక భాగం పోస్ట్-ట్రెయిన్డ్ LLM. ఇది సంభాషణలను అర్థం చేసుకుని, ఏజెంట్‌గా పునరావృత చర్యలతో మొత్తం ప్రకటన ప్రక్రియను నడుపుతుంది. ప్రకటనల వెలికితీత నుంచి ర్యాంకింగ్, వేలం, చివరికి డెలివరీ వరకు వ్యవస్థలోని ప్రధాన పనుల కోసం సాధనాలను కాల్ చేస్తుంది. ఈ LLM‌ను మేము సమన్వయకర్త అని పిలుస్తాము.

ప్రకటన ప్రక్రియలో మొదటి పని వినియోగదారు ఉద్దేశాన్ని అర్థం చేసుకుని వెలికితీతను ప్రారంభించడం. తరువాత వడపోయడానికి, సాధ్యమైన ప్రకటనలను వేగంగా, ఉద్దేశపూర్వకంగా విస్తృత స్థాయిలో సేకరించడమే ఈ ప్రక్రియ. సంభాషణ విడతలవారీగా అందుతుంటే వెలికితీతకు మరింత సమాచారం లభిస్తుంది, కానీ అస్పష్టత కూడా పెరుగుతుంది. ఎందుకంటే ప్రకటనల వ్యవస్థ ప్రస్తుత ఉద్దేశాన్ని పాత సందర్భం నుంచి వేరు చేయాలి. సమన్వయకర్త మునుపటి సందేశాల ప్రస్తావనలను అర్థం చేసుకోవాలి, వినియోగదారు ఊహాత్మకంగా మాట్లాడుతున్నప్పుడు గుర్తించాలి. ఉత్పత్తి లేదా సేవ ప్రస్తావన వచ్చిన ప్రతిసారీ దాన్ని కొనుగోలు అభ్యర్థనగా పరిగణించకూడదు.

ప్రకటనల సమన్వయకర్త అందుబాటులోని సంభాషణను, వినియోగదారు సందర్భాన్ని ఉపయోగించి మంచి ప్రకటనల కోసం పదేపదే ప్రయత్నిస్తుంది. ఎప్పుడు ఏ సాధనాన్ని కాల్ చేయాలో ఎంచుకుంటుంది. ఆ సంభాషణకు, సందర్భానికి అత్యంత సముచితమైన ప్రకటనను (వినియోగదారుకు, ప్రకటనదారుకు అధిక ప్రయోజనాన్ని సమతూకంలో అందించేదాన్ని) కనుగొనడమే దీని ప్రధాన లక్ష్యం. వినియోగదారు వ్యక్తిగతీకరించిన ప్రకటనలను ఎంచుకుంటే, సరైన ప్రకటనలను కనుగొనడానికి వారి గత సంభాషణలకు సంబంధించిన అందుబాటులోని సున్నితేతర సమాచారాన్నీ సమన్వయకర్త పరిగణిస్తుంది.

సంభాషణ ముందుకు సాగే కొద్దీ ప్రకటనల సమన్వయకర్తకు తాజా సమాచారం అందుతుంది. కొత్త సందర్భంతో మళ్లీ సాధనాలను కాల్ చేసి, మెరుగైన ప్రకటనలను కనుగొని క్లయింట్‌కు పంపగలదు. అవి సకాలంలో చేరితే క్లయింట్ వాటిని ఉపయోగించవచ్చు.

వినియోగదారులకు ఎల్లప్పుడూ ప్రాధాన్యమిస్తూ, వారికి, ప్రకటనదారులకు కలిగే ప్రయోజనాల మధ్య సమతూకం సాధించేలా సమన్వయకర్తను రూపొందించాము.

ప్రకటనల వ్యవస్థలో విడివిడి సాధనాలు ఉంటాయి. సంభాషణకు అత్యుత్తమ ప్రకటనలను కనుగొనడానికి సమన్వయకర్త వాటిని పదేపదే కాల్ చేస్తుంది. స్థూలంగా చెప్పాలంటే, సమన్వయకర్త సంభాషణలను సంక్షిప్త సారాంశాలుగా మారుస్తుంది. వాటిని అర్థసంబంధ ఎంబెడింగ్‌లుగా మారుస్తుంది (అంటే ప్రకటనల వ్యవస్థ సులభంగా జల్లెడపట్టగల రూపంలో నిల్వ చేసిన అర్థాలు). వాటితో సాధ్యమైన ప్రకటనలను వెలికితీసి, (బడ్జెట్, వినియోగదారు సెట్టింగ్‌లు, ఇతర ప్రాథమిక తనిఖీల ఆధారంగా అర్హత కోసం) వడపోస్తుంది. నాణ్యత, సందర్భోచితతను అంచనా వేసి, సంభాషణ సమాధానం చివర చూపడానికి అధిక ప్రయోజనం ఉన్న ప్రకటనలను తుది ర్యాంకింగ్ ద్వారా గుర్తిస్తుంది. అందువల్ల చూపించడానికి అర్హత పొందాలంటే ప్రతి ప్రకటన అర్హత, సందర్భోచితత విషయంలో ఉన్నత ప్రమాణాలను అందుకోవాలి.

సమన్వయకర్త LLM ముందుగా సంబంధిత వాణిజ్య ఉద్దేశాన్ని ప్రతిబింబించే ఒకటి లేదా అంతకంటే ఎక్కువ ప్రశ్నలను సిద్ధం చేస్తుంది. ఇందులో సంభాషణలోని ఒక్కో ప్రశ్నకు నేరుగా సరిపోయే శోధనలకే పరిమితం కాకుండా, వాణిజ్య అవకాశాలను విస్తరించేలా సందర్భాన్ని తిరగరాయడం, ఆపై అర్థసంబంధ ప్రాతినిధ్యాలను సృష్టించడం ఉండవచ్చు. సమన్వయకర్త పలు విడతల సంభాషణను వెలికితీత వ్యవస్థ కోసం సంక్షిప్తీకరిస్తుంది. దీంతో మా డేటాబేస్ నుంచి లక్ష్యబద్ధంగా ప్రకటనలను వెలికితీయవచ్చు.

వినియోగదారు ఉద్దేశంపై లోతైన అవగాహన ఉన్నప్పుడే ప్రకటనలు చూపితే, వినియోగదారులకు, ప్రకటనదారులకు అవి మరింత ప్రయోజనకరంగా ఉంటాయి. బహుళ ప్రశ్నలతో ఉద్దేశంలోని విభిన్న కోణాలను నిలుపుకోవచ్చు. ఉదాహరణకు, ట్రిప్ ప్లాన్ గురించిన సంభాషణలో రవాణా, బస లేదా చేయదగిన పనులకు సంబంధించిన వేర్వేరు అవసరాలు ఉండవచ్చు. మొత్తం సంభాషణను ఒకే పదబంధంగా కుదించకుండా, వెలికితీత వ్యవస్థ ఈ తేడాలను నిలుపుకోగలదు.

ఉదాహరణగా, కొండదారుల్లో నడవడానికి ఉపయోగించే బూట్ల గురించి ఇలా సంభాషణ జరగవచ్చు:

1. యోసెమిటీకి రెండు రోజుల కోసం వెళ్లే ట్రిప్‌లో ఏమేమి చూడాలి?

2. వచ్చే వారం చలిగా ఉంటుందా?

3. [insert brand] కొత్త ఉత్పత్తి శ్రేణులు ఏవి?

బూట్ల బ్రాండ్ గురించిన ప్రశ్నను వినియోగదారు యోసెమిటీ ట్రిప్‌తో అనుసంధానించకపోయినా, మా ప్రకటనల వ్యవస్థ ఈ సంభాషణను [shoes appropriate for hiking trip], [new [brand] product lines good for travel] వంటి రెండు ప్రశ్నలుగా ప్రతిబింబించవచ్చు. ఇది మొదటి ప్రయత్నం మాత్రమే కావచ్చు. మా వద్ద ఉన్న ప్రకటనల్లో వినియోగదారుకు ఎంతో ఉపయోగపడేవి దొరికే వరకు ఈ ప్రాతినిధ్యాలను మెరుగుపరుస్తూ మళ్లీ ప్రయత్నించేలా సమన్వయకర్తను రూపొందించాము.

ఎంపిక కోసం ఉద్దేశపూర్వకంగా విస్తృతమైన ప్రకటనల సమూహాన్ని సృష్టించడమే వెలికితీత ప్రక్రియ. సంభావ్య ప్రకటనలు విభిన్న వెలికితీత వ్యూహాల ద్వారా రావచ్చు. తర్వాత అవి ఒకే డెలివరీ పరిమితుల కింద పోటీపడవచ్చు. వ్యవస్థ, ఉత్పత్తికి సంబంధించిన వివిధ పరిమితులకు అనుగుణంగా మేము బహుళ సూచికలను నిర్మిస్తాము. (ఉదాహరణకు, ఉత్పత్తుల ఫీడ్ ప్రకటనల సూచిక అత్యుత్తమ ప్రకటనలను తీసుకువచ్చేటప్పుడు ఉత్పత్తిపై సానుకూల, ప్రతికూల సమీక్షలను పరిగణించేలా రూపొందించబడింది. సమీక్షలు లేని ఇతర ప్రకటనలకు ఇది వర్తించదు.) వినియోగదారు ఉద్దేశాన్ని ప్రతిబింబించే ఎంబెడింగ్‌లతో, సుమారు సమీప పొరుగు (ANN) శోధనలోని ఏదో ఒక రూపానికి ప్రతి సూచికను అనుకూలీకరిస్తాము. ఈ సుమారు సమీప పొరుగు శోధన, భారీ అర్థసంబంధ సూచికల్లో వెలికితీతకు ఉపయోగించే ఉజ్జాయింపు అల్గారిథమ్. అంటే, “ఖచ్చితమైన” పరిష్కారాన్ని వెతకకుండా మంచి పరిష్కారానికి దగ్గరగా చేరడం ద్వారా ప్రకటనలను చాలా వేగంగా తీసుకువస్తుంది. అదే సమయంలో సంబంధిత ప్రకటనల్లో చాలా వాటిని నిలుపుకుంటుంది.

సందర్భోచితత, బిడ్‌లు, బడ్జెట్ విషయంలో ప్రదర్శన ప్రమాణాలను అందుకోని ప్రకటనలన్నింటినీ పరిశీలన నుంచి తొలగించడమే వడపోత లక్ష్యం. ప్రకటన, కాన్ఫిగరేషన్‌ను బట్టి వడపోత తనిఖీల్లో ఇవి ఉండవచ్చు: ప్రకటన కంటెంట్, ప్రచారం అందుబాటు (అవి సక్రియంగా ఉన్నాయా), ప్రచార లక్ష్య నిర్దేశం (ఏ ప్రాంతాల్లో అనుమతి ఉంది), విధాన పరిమితులు (వేటిని ప్రకటించవచ్చనే నియమాలు), బడ్జెట్ అందుబాటు (ఖర్చు చేయడానికి ఇంకా నిధులు ఉన్నాయా), ఖర్చు వేగ నియంత్రణ (ఇప్పుడే ఖర్చు చేయాలా, రోజులో మరో సమయంలోనా), ప్రదర్శన అనుకూలత (ఏ రకమైన సంభాషణల్లో ఈ ప్రకటనను చూపవచ్చు), ప్రకటనదారు, ప్రచార స్థాయిలో పునరావృతాల తొలగింపు (వ్యాపారాలన్నింటికీ న్యాయమైన భాగస్వామ్యం కల్పించేలా ఒక్కో ప్రకటనదారు నుంచి తగిన సంఖ్యలో ప్రకటనలను ఎంచుకోవడం).

అర్హత తనిఖీల్లో నెగ్గిన ప్రకటనలు స్కోరింగ్ దశకు వెళ్తాయి. అక్కడ సమన్వయకర్త వివిధ స్కోరింగ్ వ్యవస్థల సాధనాలను పిలుస్తుంది. ప్రకటన డెలివరీకి అవసరమైన అంశాలను అవి అంచనా వేస్తాయి: అర్థసంబంధ సందర్భోచితత (వినియోగదారు లక్ష్యానికి ప్రకటన సరిపోతుందా?), అంచనా వేసిన స్పందన (దాన్ని చూసి, క్లిక్ చేసి, ప్రకటనదారు ఆశించిన చర్య తీసుకునే అవకాశం ఉందా?), గత పనితీరు (ఇప్పటివరకు వినియోగదారులకు చూపినప్పుడు బాగా పనిచేసిందా?). వేలానికి ముందు సందర్భోచితత, భద్రతను నిర్ధారించడానికీ సమన్వయకర్త ప్రకటనలను వడపోస్తుంది. ఈ వ్యవస్థలు ప్రకటనల సంఖ్యను తగ్గించి, వేలానికి సిద్ధమైన చిన్న సమూహాన్ని ఏర్పరుస్తాయి. అయితే చివరగా అందించే ప్రకటనను ఇంకా నిర్ణయించవు.

సమన్వయకర్త సిద్ధం చేసిన ప్రకటనలను సంభాషణ సందర్భంలో మూల్యాంకనం చేసి, తుది వేలానికి తగినవాటిని ఎంచుకుంటుంది. ఏ ప్రకటనను అందించాలో సమన్వయకర్త నేరుగా నిర్ణయించదు; ధరనూ నిర్ణయించదు. వేలం సాధనం మూల్యాంకనం చేయడానికి సందర్భానికి తగిన ప్రకటనలను ప్రతిపాదిస్తుంది.

వేలం ప్రక్రియ తుది డెలివరీ విధానాలను అమలు చేస్తుంది. వీటిలో వేలానికి ప్రవేశం (సందర్భోచితత, ప్రయోజనానికి కనీస ప్రమాణాలను దాటడం), ఖర్చు వేగ నియంత్రణ (బడ్జెట్‌ను మరింత సమంగా ఖర్చు చేయడం), బిడ్, వేలం లక్షణాల గణన, నాణ్యతకు అనుగుణంగా ర్యాంకింగ్, ధర నిర్ణయం, తుది ఎంపిక ఉంటాయి.

వేలం తర్వాత కూడా రెండు కారణాల వల్ల ప్రకటన అందకపోవచ్చు. రెండూ ChatGPT సంభాషణ మాధ్యమానికి ప్రత్యేకమైనవే.

1. సంభాషణలో ప్రకటన సముచితంగా అనిపించకపోవచ్చు: ప్రకటనను ఎప్పుడు అందించడం సముచితమో నిర్ణయించే సమగ్రతా మోడల్‌లు (ఆ సంభాషణలో ప్రకటన చూపడం సురక్షితమేనని తేల్చినా, ప్రకటన కూడా విధానాలకు అనుగుణంగా ఉన్నా), కొన్ని సంభాషణల సందర్భంలో అది అనుచితంగా అనిపించవచ్చు. అలాంటి ప్రకటనలు కనిపించకుండా సమన్వయకర్త అడ్డుకుంటుంది.

2. ప్రకటన అభ్యర్థన సకాలంలో చేరకపోవచ్చు: ChatGPT మోడల్ సమాధానమివ్వడానికి సిద్ధంగా ఉండి, ప్రకటన ఇంకా సిద్ధంగా లేకపోతే, ప్రకటన అభ్యర్థన గడువు ముగిసి, ప్రకటన అందించబడదు. అందుకే వీలైనంత వేగంగా పనిచేయడం ప్రకటనల వ్యవస్థ లక్ష్యాల్లో ఒకటి. ChatGPT మోడల్ స్పందన సమయం మారుతూ ఉంటుంది. ప్రకటనలు లోడ్ అయ్యే వరకు వేచి ఉండటానికి సంభాషణ సమాధానాలను మేము ఆలస్యం చేయము.

పై తనిఖీలన్నీ పూర్తయితే, ప్రదర్శన కోసం ప్రకటనను వినియోగదారుకి రెండరింగ్‌కు పంపుతాము. దీన్ని సర్వర్ వైపు ప్రకటన డెలివరీగా పరిగణిస్తాము. అయినా వినియోగదారుకు ప్రకటన కనిపించకపోవచ్చు—అది ఉద్దేశపూర్వకమైన రూపకల్పనే.

ChatGPT వంటి సంభాషణ ఉత్పత్తిలో, సర్వర్ వైపు ప్రకటన కంటెంట్ అందించినంత మాత్రాన అది ప్రదర్శించబడుతుందని హామీ లేదు. ప్రస్తుత సంభాషణ విడతలో చేర్చడానికి అది సకాలంలో చేరాలి. ప్రకటన కంటెంట్‌లో శీర్షిక, వివరణ, గమ్యస్థాన లింక్, చర్య తీసుకోవాలని కోరే సందేశం ఉంటాయి. అదనంగా, మోడల్ రూపొందించిన ఉపోద్ఘాతాన్నీ ప్రకటనల వ్యవస్థ పంపుతుంది. సంభాషణకు ప్రకటన ఎలా సంబంధించిందో తటస్థంగా వివరించే చిన్న పరిచయం ఇది. ఉపోద్ఘాతాన్ని ప్రకటన కంటెంట్ నుంచి వేరుగా ఉంచడం వల్ల ఒకవైపు ChatGPT స్వరం తటస్థంగా కొనసాగుతూనే, మరోవైపు ప్రకటనకర్త సందేశం యథాతథంగా భద్రంగా ఉంటుంది.

ChatGPT వినియోగదారు అంతర్ముఖానికి ఉపోద్ఘాతం, ప్రకటన కంటెంట్ ఒకే సముదాయంగా అందుతాయి. ChatGPT సమాధానం పూర్తిగా రూపొందకముందే అది చేరితే, అంతర్ముఖం ఆ సమాధానం కింద ప్రకటనను చూపుతుంది. దాన్ని ప్రాయోజితమని స్పష్టంగా గుర్తిస్తుంది. ఆలస్యంగా చేరితే, ఆ విడతలో ప్రకటన కనిపించదు. సర్వర్ వైపు ప్రకటన డెలివరీకి, వినియోగదారుకు కనిపించే ప్రకటన ప్రదర్శనకు ఉన్న తేడా ఇదే.

మా ప్రకటనల సాంకేతిక వ్యవస్థ సంప్రదాయ లాగింగ్, డేటా ప్రవాహ విధానాలను ఉపయోగిస్తుంది. వీటివల్ల మూడు ప్రధాన ప్రయోజనాలు ఉన్నాయి: ప్రకటనదారులు తమ ప్రస్తుత వ్యవస్థలను మా వ్యవస్థతో సులభంగా అనుసంధానించవచ్చు; నివేదికల డేటాతో వ్యూహాలను మెరుగుపరచుకోవచ్చు; మా బృందం వ్యవస్థలో మెరుగుపరచాల్సిన అంశాలను గుర్తించవచ్చు. ఈ నివేదిక, అనుకూలీకరణ సాధనాలతో పాటు, మా డెలివరీని మూల్యాంకనం చేయడానికి, ఇతర ప్రకటన మోడల్‌లకు శిక్షణ ఇవ్వడానికి నాణ్యమైన మోడల్‌ను ఉపయోగిస్తాము. దీనివల్ల శక్తిమంతమైన స్వీయ మెరుగుదల చక్రం ఏర్పడుతుంది.

జరిగిన పరిణామాల వివరణాత్మక విశ్లేషణలు ప్రకటనల వ్యవస్థలోని ప్రతి భాగాన్ని విడిగా అర్థం చేసుకుని మెరుగుపరచడానికి సహాయపడతాయి. లాగ్‌ల ప్రాసెసింగ్ వ్యవస్థ ఇలాంటి సూక్ష్మస్థాయి ఫలితాలనూ నమోదు చేస్తుంది:

• ఆ సంభాషణ విడత ప్రకటనకు అర్హత పొందలేదు.

• ప్రకటనల సెషన్ ప్రారంభమైంది, కానీ వెలికితీత అభ్యర్థించబడలేదు.

• వెలికితీతలో సంభావ్య ప్రకటనలేవీ దొరకలేదు.

• సంభావ్య ప్రకటనలు వెలికితీయబడ్డాయి, కానీ పూర్తి వివరాల సమీకరణలో లేదా అర్హత తనిఖీలో విఫలమయ్యాయి.

• ప్రకటన డెలివర్ అయింది; ఆ తర్వాత వినియోగదారు దానిపై చర్య తీసుకున్నారు.

ఈ వివరణాత్మక విశ్లేషణలు ప్రకటనల డెలివరీ వ్యవస్థలోని ప్రతి భాగాన్ని విడిగా మెరుగుపరచడానికి సహాయపడతాయి. అవకాశాల గుర్తింపును మెరుగుపరచడానికి కావాల్సిన ఆధారాలు వేరు; వెలికితీత, సంభావ్య ప్రకటనల నాణ్యత, వేలంలో భాగస్వామ్యం లేదా డెలివరీ విశ్వసనీయతను మెరుగుపరచడానికి కావాల్సినవి వేరు.

మోడల్ ఆధారిత మూల్యాంకనం వెనుక ఆలోచన ఏమిటంటే అత్యధిక రీజనింగ్ సామర్థ్యమున్న మా అత్యంత శక్తిమంతమైన మోడల్‌లు వ్యవస్థ ఫలితాలను పరిశీలించి అంచనా వేస్తాయి. తర్వాత మరింత బాగా పనిచేసేలా శిక్షణనిచ్చి పోస్ట్-ట్రెయిన్డ్ LLM‌ను మెరుగుపరుస్తాయి. ఉదాహరణకు, మా అత్యంత శక్తిమంతమైన మోడల్ ఫీడ్‌బ్యాక్‌లను సేకరించి, చిన్న మోడల్‌లు సాధ్యమైనంత బాగా పనిచేసేలా శిక్షణ ఇస్తే, సమన్వయం లేదా వెలికితీత కోసం చిన్న, మరింత సమర్థమైన మోడల్‌లను లేదా తక్కువ రీజనింగ్ సామర్థ్యమున్న మోడల్‌లను ఉపయోగించవచ్చు.

మేము మానవ ఫీడ్‌బ్యాక్ (వినియోగదారులు ప్రకటనలను క్లిక్ చేయడం, దాచడం వంటి చర్యలు) అలాగే సర్వేల ద్వారా ఫీడ్‌బ్యాక్‌ను సేకరించి వాటిపై చర్య తీసుకుంటాము. మా యాడ్స్ మేనేజర్ ద్వారా ప్రకటనదారుల ప్రత్యక్ష ఫీడ్‌బ్యాక్‌లను స్వీకరిస్తాము. వ్యవస్థను నిర్మిస్తున్నప్పుడే ఫీడ్‌బ్యాక్‌లను స్వీకరించడానికి మా బృందాన్ని అందుబాటులో ఉంచుతాము. ChatGPT వినియోగదారులు, ప్రకటనదారులు ఏమి కోరుకుంటున్నారో నేరుగా వింటాము. మోడల్ పరిశీలనల ద్వారా వచ్చే సూచనల కంటే ఈ ఫీడ్‌బ్యాక్‌లే మా దిశను ఎక్కువగా ప్రభావితం చేస్తాయి. ఉత్పత్తికి సంబంధించిన సరైన నిర్ణయాల వైపు వేగంగా మెరుగులు దిద్దుకుంటూ సాగడంలో ఇవి కీలక పాత్ర పోషించాయి. వినియోగదారు ఉద్దేశాన్ని అర్థం చేసుకుని, విమర్శనాత్మకంగా ఆలోచించి, ఉపయోగకరమైనదాన్ని అందించగల సామర్థ్యం మోడల్‌కు ఉండవచ్చు. కానీ అభిరుచిని తీర్చిదిద్దేది మనుషులే.

ఏడాది క్రితం మా వద్ద ప్రకటనల వ్యవస్థ లేదు. ఈ సమస్య గురించి ఆలోచిస్తున్నవారు కొద్దిమంది మాత్రమే. ఇప్పుడు మాకు పటిష్ఠమైన ప్రకటనల వ్యవస్థ ఉంది. ప్రస్తుత రాబడి వేగాన్ని వార్షికంగా లెక్కిస్తే అది $1 బిలియన్‌కు పైగా ఆదాయాన్ని సమకూరుస్తోంది. LLM ఆధారిత సమన్వయకర్త ప్రకటన ప్రక్రియను నడుపుతోంది. మా సామర్థ్యాన్ని ఎన్నో రెట్లు పెంచడంలో Codex కీలక పాత్ర పోషించింది. వ్యవస్థను మొదటి నుంచి నిర్మించి, అసాధారణ వేగంతో వినియోగంలో ఈ ప్రధాన మైలురాయిని చేరుకోవడానికి అది తోడ్పడింది. మొదటి నుంచీ వ్యవస్థను వేగంగా నిర్మించి విస్తరించడానికి Codex ఉపయోగించేలా బృందాన్ని, అభివృద్ధి పని విధానాలను ఏర్పాటు చేశాము. Codex విశ్వసనీయంగా, సురక్షితంగా కోడ్‌ను విడుదల చేయడానికి రక్షణ నియమాలను రూపొందించాము. అదే సమయంలో, అంతర్దృష్టులను సేకరించి వ్యవస్థలో మెరుగుదలలు అమలు చేసే చక్రాన్ని బాగా వేగవంతం చేయడానికి Codex కోసం డేటా మౌలిక వసతుల ప్లగిన్‌లను ఏర్పాటు చేశాము. ఈ మెరుగుదలల్లో కొత్త ఉత్పత్తి ఫీచర్లు, అధిక నాణ్యత, మెరుగైన వ్యవస్థ పనితీరు ఉన్నాయి.

మా ప్రకటన సూత్రాల⁠పై ఆధారపడిన వ్యవస్థ పరిమితులు, LLM ఆధారిత సమన్వయకర్త కలిసి, ప్రతి సంభాషణనూ ప్రకటన అభ్యర్థనగా పరిగణించకుండానే ప్రకటనలను ఉపయోగకరంగా మార్చడానికి వీలు కల్పిస్తున్నాయి. ముందుకు సాగుతూ, వినియోగదారులకు, ప్రకటనదారులకు ప్రయోజనాన్ని పెంచడానికి మరింత చురుకైన ప్రకటన రూపాలతో ప్రయోగాలు కొనసాగిస్తాము. ఉదాహరణకు, ప్రకటనల ద్వారా బిజినెస్‌లతో నేరుగా మాట్లాడే వీలు వినియోగదారులకు కల్పించడం. నిరంతర ఫీడ్‌బ్యాక్‌లతో, OpenAI మోడల్‌లపై నిర్మించిన ఈ వ్యవస్థ స్వీయ మెరుగుదల నిర్మాణం, కాలక్రమేణా సందర్భోచితత, వ్యక్తిగతీకరణను మరింత వేగంగా మెరుగుపరచడానికి తోడ్పడుతుంది.