OpenAIతో Wayfair క్యాటలాగ్ ఖచ్చితత్వం, మద్దతు వేగం మెరుగుదల

ప్రపంచంలోని అతిపెద్ద గృహ ఉత్పత్తుల రిటైలర్లలో ఒకటైన Wayfair, సరఫరాదారుల మద్దతు వర్క్‌ఫ్లోలు మరియు ప్రొడక్ట్ క్యాటలాగ్ నాణ్యతను విస్తృత స్థాయిలో మెరుగుపరచడానికి OpenAI మోడల్స్‌ను ముఖ్యమైన అంతర్గత సిస్టమ్‌లలో సమీకరించింది. 2024లో చిన్న స్థాయి విడుదలలతో ప్రారంభమైన విలువ పరీక్షలు, ఇప్పుడు పూర్తిస్థాయి ప్రొడక్షన్ సిస్టమ్‌గా మారి, మానవ శ్రమను తగ్గించి, నిర్ణయాల వేగాన్ని పెంచి, లక్షల ప్రొడక్ట్‌లలో డేటా నాణ్యతను మెరుగుపరుస్తోంది.

జనరేటివ్ AIని ఒక ప్రయోగంగా లేదా తాత్కాలిక పరిష్కారంగా కాకుండా, Wayfair OpenAI మోడల్స్‌ను ప్రధాన ఆపరేషనల్ వర్క్‌ఫ్లోల్లో నేరుగా అమలు చేసింది. సంస్థ మొదట అధిక క్లిష్టత మరియు విస్తృత స్థాయి అవసరం ఉన్న ప్రాంతాలపై దృష్టి పెట్టింది: సరఫరాదారుల మద్దతు అభ్యర్థనలను సరైన దారిలో పంపించడం మరియు పరిష్కరించడం, అలాగే సుమారు 30 మిలియన్ ఐటెమ్‌ల క్యాటలాగ్‌లో పదివేలల ప్రొడక్ట్ లక్షణాలను స్థిరంగా మెరుగుపరచడం.

Wayfair క్యాటలాగ్ టీమ్ దాదాపు వెయ్యి రకాల ప్రొడక్ట్ వర్గాల్లో పదివేలల మిలియన్ల ప్రొడక్ట్‌లను నిర్వహిస్తుంది. ఒకే విధంగా మరియు ఖచ్చితంగా ఉన్న ప్రొడక్ట్ లక్షణ ట్యాగ్‌లు—రంగు, పదార్థం, పరిమాణం లేదా ప్రత్యేక లక్షణాలు—సర్చ్, సిఫార్సులు మరియు మెర్చండైజింగ్‌కు చాలా ముఖ్యమైనవి.    

"మా డేటా నాణ్యత ఎంత మెరుగ్గా ఉంటే, కస్టమర్‌తో అంత ఎక్కువ నమ్మకం ఏర్పడుతుంది. ఇది చాలా ముఖ్యమైనది, ఎందుకంటే ఇది కొనుగోలుదారులు సరైన కొనుగోలు నిర్ణయాలు తీసుకునేలా చేస్తుంది, దాంతో తప్పుగా చూపబడిన ప్రొడక్ట్‌ల వల్ల వచ్చే రిటర్న్‌లాంటి ఖర్చుతో కూడిన సమస్యలు నేరుగా తగ్గుతాయి," అని Wayfairలో క్యాటలాగ్ మెర్చండైజింగ్ అసోసియేట్ డైరెక్టర్ జెసికా డి'ఆర్సీ చెప్పారు.

OpenAIకి ముందు, ట్యాగింగ్ మెరుగుదలలు ప్రధానంగా సరఫరాదారులు మరియు కస్టమర్లు ఏదైనా తప్పుగా కనిపిస్తే చెప్పడంపైనే ఆధారపడి ఉండేవి. మానవ శ్రమ ఆ స్థాయి పరిమాణాన్ని అందుకోలేకపోయింది.  ప్రతి ట్యాగ్ కోసం రూపొందించిన ప్రారంభ కస్టమ్ AI మోడల్స్ ప్రభావవంతంగా ఉన్నప్పటికీ, వాటిని నిర్మించడం మరియు నిర్వహించడం ఖర్చుతో కూడినది. "మేము మొదట ప్రతి ట్యాగ్ కోసం ప్రత్యేక మోడల్స్‌ను నిర్మించడం ప్రారంభించాం, సాంకేతికంగా అది పని చేసింది," అని Wayfairలో స్టాఫ్ మెషిన్ లెర్నింగ్ సైంటిస్ట్ క్యారోలిన్ Phillips చెప్పారు. "కానీ 47,000 ట్యాగ్‌లను చూసేటప్పుడు, ఆ విధానం విస్తృత స్థాయికి సరిపోదు."

ఒక్కోసారి ఉపయోగించే మోడల్స్‌కి మించి వెళ్లడానికి, Wayfair ఒకే OpenAI మోడల్‌పై ఆధారపడి ట్యాగ్‌కు సంబంధం లేకుండా పనిచేసే సిస్టమ్‌ను రూపొందించింది. ఒక "డెఫినిషన్ ఏజెంట్" వెబ్ మరియు అంతర్గత నిర్వచనాలను తీసుకుని, ప్రతి ట్యాగ్‌కు సందర్భానికి సరిపోయే అర్థాన్ని రూపొందిస్తుంది. "అసలు అడ్డంకి మోడల్ పనితీరు కాదు," అని Phillips చెప్పారు. "ప్రతి ట్యాగ్ అసలు ఏమి సూచిస్తుందో నిర్వచించి కోడ్ చేయడానికి అవసరమైన మానవ సమయం." ఈ సందర్భ సమాచారంతో పాటు Wayfair డేటా ఎకోసిస్టమ్ అంతటా సమీకరించిన ప్రొడక్ట్ డేటా కలిసి, వివిధ ప్రొడక్ట్ వర్గాలపై లక్షణాలను వర్గీకరించగల ఫ్రేమ్‌వర్క్‌లోకి చేరుతుంది. ఇప్పుడు టీమ్ కొత్త లక్షణాలపై మోడల్ పరిధిని గత ఏడాది కంటే 70 రెట్లు వేగంగా విస్తరిస్తోంది.

ఈ సిస్టమ్ ఇప్పుడు 1 మిలియన్‌కు పైగా ప్రొడక్ట్‌లపై ప్రొడక్షన్‌లో నడుస్తోంది. మెరుగైన లక్షణాలతో ఉన్న మొదటి దశ ప్రొడక్ట్‌లు ఇప్పుడు కస్టమర్ ప్రయాణంపై డేటా నాణ్యత మెరుగుదల ప్రభావాన్ని కొలవడానికి తగినంత కాలం లైవ్‌లో ఉన్నాయి.  "లక్షణాల పూర్తి స్థాయిని మెరుగుపరిస్తే, అది ఒక భావన మాత్రమే కాదు. అది SEO మరియు PLA పనితీరులో కనిపిస్తుంది—కస్టమర్లు ప్రొడక్ట్‌లను ఎలా కనుగొంటారో దానిలో ప్రభావం చూపిస్తుంది," అని Phillips చెప్పారు. నియంత్రిత A/B పరీక్షలో ట్రీట్‌మెంట్ గ్రూప్‌లో ఇంప్రెషన్స్, క్లిక్స్ మరియు పేజ్ ర్యాంక్‌లో గణనీయమైన పెరుగుదల కనిపించింది.

అయితే, ప్రొడక్ట్ డేటా సవరణ నిర్ణయాలను Wayfair పూర్తిగా మోడల్‌కు అప్పగించలేదు. "మా లక్ష్యం నమ్మకాన్ని నిర్మించడం, కస్టమర్లు వారు కొనుగోలు చేసే విషయంపై పూర్తిగా విశ్వాసం కలిగి ఉండేలా చేయడం," అని Phillips చెప్పారు. సంస్థ ఒక నిర్మిత పరీక్ష విధానాన్ని అభివృద్ధి చేసింది, ఇందులో అసోసియేట్లు నమూనాలను ప్రత్యక్షంగా పరిశీలించి మోడల్ ఫలితాలను ధృవీకరిస్తారు, అలాగే మార్పులను నిర్ధారించడానికి సరఫరాదారులతో కలిసి పని చేస్తారు. ఇప్పుడు డేటా ఆధారిత నమ్మకం ఎక్కువగా ఉన్నప్పుడు, ఆటోమేటెడ్ సిస్టమ్‌లు కంటెంట్‌ను నేరుగా మార్చి, ఆ మార్పు గురించి సరఫరాదారికి తెలియజేస్తాయి. మరియు, అవసరమైన ప్రమాణం చేరుకోకపోతే లేదా ట్యాగ్‌ను అధిక ప్రమాదంగా భావిస్తే, మార్పు చేయడానికి ముందు Wayfair సరఫరాదారి నిర్ధారణను కోరుతుంది.

సమగ్ర క్యాటలాగ్‌కు మద్దతుగా Wayfair పదివేలల సరఫరాదారులతో కలిసి పనిచేస్తుంది. సరఫరాదారుల మద్దతు అభ్యర్థనలను నిర్వహించడానికి, గతంలో Wayfair అసోసియేట్లు ప్రతి టికెట్‌ను పరిశీలించి, సరఫరాదారులు ఏం చేయాలని చూస్తున్నారో మానవంగా గుర్తించి, సమస్యలను సరైన అంతర్గత బాధ్యతదారికి పంపించేవారు—ఇది ఎక్కువ సమయం తీసుకునే మరియు తప్పిదాలకు అవకాశం ఉన్న ప్రక్రియ. "సరఫరాదారుల అభ్యర్థనలు సులభమైనవి కావు," అని Wayfairలో సరఫరాదారుల మద్దతు మరియు ఆపరేషన్స్‌లో ఉన్న గ్రాహమ్ గాన్సల్ చెప్పారు. "వీటిలో వందల సమస్య రకాలుంటాయి, ఒక్క అసోసియేట్ అన్నింటినీ పూర్తిగా నేర్చుకోవడం సాధ్యం కాదు."

ఈ వర్క్‌ఫ్లోలను AIతో మెరుగుపరచడానికి, Wayfair Wilma అనే ప్రొడక్ట్‌లో ఏజెంటిక్ ఫీచర్‌లను జోడించింది. ప్రొడక్షన్‌లో ప్రారంభమైన ముఖ్యమైన ఫీచర్‌లలో ఒకటి OpenAI మోడల్ ఆధారిత టికెట్ ట్రయాజ్. ఈ సిస్టమ్ వచ్చిన అభ్యర్థనలను చదివి, లోపించిన సందర్భ సమాచారాన్ని పూర్తి చేసి, టికెట్లను సరైన టీమ్‌కు పంపిస్తుంది. Wilma వేగంగా అమలు చేయడానికి రూపొందించబడింది; ఇప్పటికే OpenAI APIs‌తో అనుసంధానమైన సిస్టమ్‌పై నిర్మించబడినందున, ఇది ప్రోటోటైప్ నుంచి లైవ్‌కు దాదాపు ఒక నెలలో చేరింది. "Wilma అసోసియేట్లకు అదనపు సామర్థ్యాన్ని అందిస్తుంది," అని Ganssle చెప్పారు. "ఇది టికెట్‌ను చదివి, ఉద్దేశాన్ని గుర్తించి, మా డేటాబేస్‌ల నుంచి సందర్భ సమాచారాన్ని నింపి, అవసరమైతే సరఫరాదారులతో మళ్లీ సంప్రదించి, సమస్యను సరైన దిశలో నడిపిస్తుంది."

రూటింగ్‌ను దాటి, Wayfair ప్రత్యేక పరిష్కార టీమ్‌ల కోసం పన్నెండు ఏజెంటిక్ AI ఫ్లోలను అమలు చేసింది. ఉదాహరణకు, రీప్లేస్మెంట్ పార్ట్ ఆపరేషన్స్ టీమ్ కోసం ఉన్న కో-పైలట్ క్లిష్టమైన కేస్ చరిత్రను చదివి, తదుపరి చర్యలను సూచించి, మానవ అసోసియేట్లు సమీక్షించే డ్రాఫ్ట్ ప్రతిస్పందనలను అందిస్తుంది. ఈ అసిస్టెంట్లు గత డేటాపై శిక్షణ పొందాయి, అందువల్ల సందర్భంలో విజయవంతమైన ఫలితం ఎలా ఉండాలో నేర్చుకుంటాయి. "మోడల్స్ మొత్తం ప్రయాణంలో ఉన్న సందర్భాన్ని కలిపి అర్థం చేసుకోగలవు, ఇది ఒక్క అసోసియేట్‌కు చేయడం కష్టం," అని Ganssle చెప్పారు. "ఈ విస్తృత అవగాహన కస్టమర్ మరియు సరఫరాదారుల సంతృప్తిని పెంచుతుంది."

AI సూచనలు మానవ ఏజెంట్ చివరి నిర్ణయంతో ఎంత తరచుగా సరిపోతాయో Wayfair ట్రాక్ చేస్తుంది—దీనిని "అలైన్‌మెంట్ రేట్" అని అంటారు. ప్రతి టీమ్‌లో, అలైన్‌మెంట్ నిరంతరం ముందుగా నిర్ణయించిన స్థాయిని చేరుకున్నప్పుడు, వర్క్‌ఫ్లోలు సహాయక ("కో-పైలట్") మోడ్ నుంచి అర్ధ స్వయంచాలక ("ఆటోపైలట్") మోడ్‌కు మారవచ్చు. ఈ దశలవారీ విధానం నమ్మకాన్ని పెంచి, అమలు సమయంలో నాణ్యత నియంత్రణను నిర్ధారిస్తుంది.

OpenAI మోడల్స్‌ను అంతర్గత సిస్టమ్‌లలో సమీకరించిన తర్వాత Wayfair కొలిచే విధంగా మెరుగుదలలను నివేదిస్తోంది.

క్యాటలాగ్ వైపు, కస్టమర్ చూసే తప్పు లేదా లేని ప్రొడక్ట్ లక్షణ ట్యాగ్‌ల సంఖ్యను కంపెనీ తగ్గించింది—Wayfair క్యాటలాగ్‌లో ఎక్కువగా కనిపించే మరియు కొనుగోలు చేసే ఒక మిలియన్‌కు పైగా ప్రొడక్ట్‌లలో 2.5 మిలియన్ ట్యాగ్‌లను సరిచేసింది. వచ్చే ఆరు నెలల్లో ఈ ప్రభావాన్ని నాలుగు రెట్లు పెంచాలని వారు ఆశిస్తున్నారు.

సరఫరాదారుల మద్దతులో, ట్రయాజ్, కో-పైలట్ మరియు ఆటోపైలట్ సిస్టమ్‌లు ప్రతి నెల 41,000 టికెట్లను ఆటోమేటిక్ చేసి (కొన్ని వర్క్‌ఫ్లోల్లో 70% వరకు), అసోసియేట్ల పనిలో ఉన్న సాధారణ మానవ పనిని తగ్గించడం ద్వారా పనితీరును పెంచి, పూర్తి చేసే సమయాన్ని తగ్గించాయి. ఇది అనేక వర్క్‌ఫ్లోల్లో సమస్య పరిష్కార సమయాన్ని గణనీయంగా తగ్గించి, సరఫరాదారుల సంతృప్తిని పెంచి, టికెట్ల మళ్లీ తెరవబడే సందర్భాలను తగ్గిస్తుంది.

ఒకే అసోసియేట్ స్క్రీన్‌పై చూడగల దానికంటే ఎక్కువగా, టికెట్లు మరియు సరఫరాదారుల ఉద్దేశంపై మోడల్స్ అందించే విస్తృత అవగాహన సంతృప్తి పెరగడానికి కారణమైంది.

ఆపరేషనల్‌గా, టీమ్‌లు ఇలా నివేదిస్తున్నాయి:

• క్లిష్టమైన సరఫరాదారుల టికెట్లను వేగంగా దారి మళ్లించడం మరియు పరిష్కరించడం
• సరఫరాదారుల సంతృప్తి పెరగడం
• మానవ డేటా ఎంట్రీ మరియు వర్గీకరణ పనులు తగ్గడం
• వందల అంశాల్లో ప్రత్యేక నైపుణ్యం అవసరం లేకుండానే విస్తృత సమస్యలను కవర్ చేయగలగడం
• ప్రచురణకు ముందు క్యాటలాగ్ లక్షణాలపై ఎక్కువ నమ్మకం.

Wayfair తన సుమారు 12,000 మంది ఉద్యోగుల్లో 1,200కు పైగా ChatGPT Enterprise సీట్లను అమలు చేసి, తాత్కాలిక పనులు, అంతర్గత సమస్యల పరిష్కారం మరియు జనరేటివ్ మోడల్స్‌తో ప్రయోగాలకు మద్దతు ఇస్తోంది.

తన వ్యాపారాన్ని అభివృద్ధి చేయడానికి Wayfair మెషిన్ లెర్నింగ్‌లో పెట్టుబడులు పెట్టడం మరియు AI ప్లాట్‌ఫార్మ్‌లు, LLM ప్రొవైడర్లతో కలిసి పనిచేయడం వంటి దీర్ఘకాల అనుభవం కలిగి ఉంది. ఇప్పుడు ఫ్రంటియర్ మోడల్స్‌లో, ముఖ్యంగా మల్టీమోడల్ సిస్టమ్‌లలో వచ్చిన పురోగతి, వారి టీమ్‌లు నిర్మించగల సామర్థ్యాన్ని విస్తరిస్తోంది. ఇది హోమ్ రిటైల్‌లో ముఖ్యమైనది, ఎందుకంటే అక్కడ ప్రొడక్ట్‌లు విజువల్, స్టైల్‌కు సంబంధించినవి మరియు చాలాసార్లు వ్యక్తిగత అభిరుచిపై ఆధారపడి ఉంటాయి.

"ఇప్పుడు మేము పరిష్కరించగల సమస్యల పరిధి గురించి మేము చాలా ఉత్సాహంగా ఉన్నాం," అని క్యారోలిన్ Phillips చెప్పారు. "సాంప్రదాయ అల్గోరిథమ్‌లు స్పష్టంగా నిర్వచించిన డేటాసెట్‌లను అవసరం పడతాయి. ఈ మోడల్స్ మాకు అస్పష్టత మరియు సందర్భంతో పని చేయడానికి, ఇంతకుముందు విస్తృత స్థాయిలో సాధ్యం కాని విధంగా సహాయపడుతున్నాయి." 

ముందుకు చూస్తే, ChatGPT Enterprise కోసం ఉద్యోగుల డిమాండ్ బలంగా ఉంది. Wayfair టీమ్‌లు దీనిని వేగంగా పని చేయడానికి సహాయపడే ప్రాక్టికల్ టూల్‌గా చూస్తున్నాయి.

కస్టమర్ అంచనాలు కూడా వేగంగా మారుతున్నాయి. మరింత మంది కొనుగోలుదారులు తమ రోజువారీ జీవితంలో AI ఉపయోగించడానికి అలవాటు పడుతున్నారు, అలాగే ఆన్‌లైన్‌లో బ్రౌజ్, పోల్చి, కొనుగోలు చేసే సమయంలో కూడా అదే సామర్థ్యాలను ఆశించడం ప్రారంభించారు.

"ఇంట్లో ఉన్నప్పుడు, కస్టమర్లు వారు వెతుకుతున్న దానికి సరైన పదాలు చాలాసార్లు తెలియవు," అని Fiona Tan చెప్పారు. "సహజ భాష మరియు మల్టీమోడల్ సిస్టమ్‌లు ఆ ఖాళీని భర్తీ చేయడంలో సహాయపడతాయి."

Wayfair నాయకుల కోసం, మానవ నైపుణ్యాన్ని పెంచుతూ, అంతర్గత సామర్థ్యాన్ని విస్తరించడం లక్ష్యంగా ఉంది. "మా సైట్‌లో, మద్దతు ద్వారా లేదా సంభాషణాత్మక ఇంటర్‌ఫేస్‌ల ద్వారా అయినా, AI షాపింగ్ ప్రయాణంలో భాగమయ్యే ప్రపంచం కోసం మేము నిర్మిస్తున్నాం," అని Fiona Tan ముగించారు.