Wayfair: вища точність та швидкість завдяки OpenAI

Компанія Wayfair, один із найбільших у світі роздрібних продавців товарів для дому, інтегрувала моделі OpenAI у критично важливі внутрішні системи, щоб покращити робочі процеси підтримки постачальників і якість каталогізації продуктів у великому масштабі. Те, що починалося як маломасштабні релізи для перевірки цінності у 2024 році, перетворилося на повноцінну виробничу систему, яка зменшує обсяг ручної роботи, прискорює прийняття рішень і підвищує якість даних для мільйонів продуктів.

Замість того, щоб розглядати генеративний ШІ як експеримент або точкове рішення, Wayfair інтегрувала моделі OpenAI в основні операційні робочі процеси. Компанія спочатку зосередилася на тих аспектах, де складність і потреба в масштабуванні були найвищими: маршрутизація та вирішення запитів постачальників до служби підтримки, а також узгоджене поліпшення десятків тисяч атрибутів продуктів у каталозі з приблизно 30 мільйонами позицій.

Команда з каталогізації Wayfair оперує десятками мільйонів товарів у майже тисячі різних класів продукції. Узгоджені та точні теги атрибутів продукції — колір, матеріал, розмір чи конкретні характеристики — є важливими для пошуку, рекомендацій і мерчандайзингу.    

«Що краща якість наших даних, то більше нам довіряють клієнти. Це важливо, адже це дає покупцям змогу ухвалювати правильні рішення щодо покупки, безпосередньо мінімізуючи подальші проблеми, як-от повернення через неправильно представлені товари», — пояснює Джессіка Д'Арсі, заступниця директора з мерчандайзингу каталогу в Wayfair. 

До OpenAI вдосконалення тегування переважно залежали від того, що постачальники та клієнти повідомляли Wayfair, що щось виглядало неправильно. Вручну впоратися з таким обсягом роботи було неможливо.  Ранні індивідуальні моделі ШІ для окремих тегів були ефективними, але виявилися дорогими в розробці та підтримці. «Ми почали зі створення індивідуальних моделей для окремих тегів, і технічно це працювало», — згадує Керолін Філліпс, штатна науковиця з машинного навчання Wayfair. «Але коли ви маєте справу з 47 000 тегами, цей підхід просто не масштабується».

Аби вийти за межі разових моделей, Wayfair створила систему, незалежну від тегів, побудовану на єдиній моделі OpenAI. «Агент визначень» аналізує веб- і внутрішні визначення, щоб створити контекстуальне значення для кожного тегу. «Справжньою проблемою була не ефективність моделі», — каже Філліпс. «Це був час, потрібний людині, щоб визначити й закодувати, що насправді означає кожен тег». Цей контекст разом із даними про товари, агрегованими з усієї екосистеми даних Wayfair, надходить у фреймворк, який може класифікувати атрибути в межах класів товарів. Наразі команда розширює охоплення моделі новими атрибутами зі швидкістю, яка у 70 разів перевищує ту, що була лише рік тому.

Система вже працює у продакшн-середовищі на понад 1 000 000 товарів. Перша хвиля товарів із покращеними атрибутами вже достатньо довго перебуває в експлуатації, щоб можна було оцінити вплив покращення якості даних на клієнтський досвід.  «Покращення повноти атрибутів — не щось абстрактне. Видно, як це проявляється в показниках SEO та PLA — у тому, як клієнти знаходять товари», — зазначає Філліпс. Контрольований A/B тест показав суттєве та статистично значуще зростання показів, кліків і рейтингу сторінки в експериментальній групі.

Однак Wayfair не просто передала моделі ухвалення рішень щодо виправлення даних про продукти. «Наша мета — зміцнити довіру, щоб клієнти були повністю впевнені у своїх покупках», — пояснює Філліпс. Компанія розробила структуроване тестування з використанням практичного процесу аудиту, у межах якого співробітники фізично перевіряють зразки для підтвердження вихідних даних моделі, а також працювала з постачальниками для верифікації змін. Тепер, коли рівень упевненості на основі даних є високим, автоматизовані системи безпосередньо перезаписуватимуть вміст і сповіщатимуть постачальника про зміну. Якщо високий стандарт не дотримано або тег вважається таким, що має високий ризик, Wayfair спочатку запитує підтвердження постачальника перед внесенням змін.

Для підтримки велетенського каталогу Wayfair співпрацює з десятками тисяч постачальників. Щоб керувати запитами постачальників до служби підтримки, співробітники Wayfair раніше переглядали кожну вхідну заявку, вручну визначали, чого намагалися досягти постачальники, і перенаправляли проблеми до відповідального внутрішнього власника процесу. Це був трудомісткий процес, у якому часто траплялися помилки. «Запити постачальників — це не просто», — каже Грем Ганссл, фахівець із підтримки постачальників та операційної діяльності у Wayfair. «Вони охоплюють сотні типів проблем, і жоден окремий співробітник просто не здатен опанувати їх усі.»

Щоб доповнити ці робочі процеси за допомогою ШІ, компанія Wayfair додала агентні функції до продукту під назвою Wilma. Однією з перших функцій у продакшені став розгляд заявок на базі моделі OpenAI. Система читає вхідні запити, заповнює відсутній контекст і перенаправляє заявки до відповідної команди. Wilma було розроблено так, щоб її можна було швидко впроваджувати; побудована на системі, уже інтегрованій з API OpenAI, вона перейшла від прототипу до запуску приблизно за один місяць. «Wilma дає нашим співробітникам перевагу,» — каже Ганссл. «Вона читає тікет, визначає намір, підтягує контекст із наших баз даних, за потреби знову звертається до постачальників і спрямовує проблему в правильному напрямку.»

Окрім маршрутизації, Wayfair розгорнула з десяток агентних ШІ-процесів для конкретних команд з вирішення проблем. Наприклад, асистент для команди з операцій із запасними частинами читає складну історію кейсу, пропонує подальші кроки та чернетки відповідей, які перевіряють співробітники-люди. Такі помічники навчені на попередніх даних, тож вони вчаться тому, як виглядає успіх у контексті. «Моделі можуть синтезувати контекст протягом усього шляху так, як це складно зробити одному співробітнику», — пояснює Ганссл. «Ця ширша видимість сприяє підвищенню задоволеності клієнтів і постачальників.»

Wayfair відстежує, як часто рекомендації ШІ збігаються з остаточним рішенням агента-людини — показником, який називається «рівень узгодженості». У межах кожної команди, коли узгодженість стабільно досягає заздалегідь визначеного порогового значення, робочі процеси можуть переходити з допоміжного («асистент») до напівавтономного («автопілот») режимів. Такий поетапний підхід зміцнює довіру та забезпечує контроль якості під час розгортання.

Wayfair повідомила про помітні покращення після інтеграції моделей OpenAI у внутрішні системи.

З боку каталогу компанія зменшила кількість неправильних або відсутніх тегів атрибутів товарів, які може побачити клієнт, — виправивши 2,5 млн тегів товарів у понад мільйоні найпомітніших і найпопулярніших товарів у каталозі Wayfair. Вони очікують, що протягом наступних шести місяців цей вплив збільшиться в чотири рази.

В аспекті підтримки постачальників системи розгляду заявок та асистування підвищили пропускну здатність, автоматизувавши обробку 41 000 звернень на місяць (до +70% у деяких робочих процесах!), і скоротили час виконання, прибравши рутинну ручну роботу з навантаження співробітників. Це суттєво скорочує час до вирішення для кількох робочих процесів, значно підвищує задоволеність постачальників і зменшує частоту повторних відкриттів заявок у цих робочих процесах.

Ширша видимість, яку моделі забезпечують щодо звернень і намірів постачальників — поза межами того, що один співробітник може побачити на екрані, — сприяла зростанню рівня задоволеності.

На операційному рівні команди повідомляють про такі результати:

• Швидша маршрутизація та вирішення складних заявок постачальників
• Підвищення задоволеності постачальників
• Зменшення обсягу ручного введення даних і роботи з класифікації
• Ширше охоплення питань без потреби в експертизі з сотень тем
• Вища впевненість в атрибутах каталогу перед публікацією

Wayfair також розгорнула понад 1 200 ліцензій ChatGPT Enterprise серед приблизно 12 000 працівників, щоб підтримувати виконання разових завдань, внутрішнє розв’язання проблем і експерименти з генеративними моделями.

Wayfair має тривалу історію інвестування в машинне навчання та співпраці з платформами ШІ й постачальниками LLM у рамках розвитку власного бізнесу. Тепер досягнення в передових моделях, зокрема мультимодальних системах, розширюють можливості того, що можуть створювати її команди. Це має суттєве значення в роздрібній торгівлі товарами для дому, де продукти є візуальними, стильовими й часто суб’єктивними.

«Ми раді тому, який спектр проблем тепер можемо вирішувати», — каже Керолін Філліпс. «Традиційні алгоритми потребують чітко визначених наборів даних. Ці моделі дають нам змогу працювати з неоднозначністю та контекстом так, як раніше не вдавалося масштабувати.» 

Компанія вже розглядає майбутні плани. До слова, попит на ChatGPT Enterprise серед співробітників виявився доволі високим. Команди в Wayfair вважають його практичним інструментом, який допомагає їм рухатися швидше.

Очікування клієнтів також швидко змінюються. У міру того, як дедалі більше покупців почуваються комфортно, використовуючи ШІ у своєму повсякденному житті, вони починають очікувати подібних можливостей, коли переглядають, порівнюють і купують товари онлайн.

«Удома клієнти часто не мають точних слів для того, що вони шукають», — пояснює Фіона Тан. «Системи природної мови та мультимодальні системи допомагають подолати цю прогалину».

Для керівників Wayfair мета залишається незмінною: доповнювати людську експертизу, водночас масштабуючи внутрішні можливості. «Ми будуємо світ, у якому ШІ є частиною шляху покупця — чи то на нашому сайті, через підтримку, чи через розмовні інтерфейси», — підсумувала Фіона Тан.