High Fidelity Textual User Representation over Heterogeneous Sources via Reinforcement Learning
تقترح هذه الورقة إطار عمل للتعلم التعزيزي يعمل على توليد تمثيلات نصية موحدة وموجزة وقابلة للتفسير للمستخدمين من مصادر بيانات متباينة، وذلك باستخدام إشارات التفاعل الضمنية والقيود القائمة على القواعد كحوافز، مما يحسن بشكل كبير الأداء في المهام اللاحقة على منصة توظيف واسعة النطاق.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل أنك تعمل كخاطبة محترفة لدى وكالة زواج عالمية ضخمة. لديك آلاف العملاء، ومع كل شخص منهم، تمتلك جبلًا من الأوراق الفوضوية: قصص حياتهم الطويلة، سيرهم الذاتية القديمة، قائمة بكل حفلة حضروها على الإطلاق، ومذكرات عن كل شخص "أعجبوا به" على تطبيقات المواعدة.
إذا حاولت قراءة كل صفحة لكل عميل في كل مرة يدخل فيها شريك محتمل من الباب، فلن تنجز أي شيء أبدًا. ستشعر بالإرهاق، وستكون بطيئًا، وربما تنسى التفاصيل المهمة بسبب كل هذا "الضجيج".
هذا الورقة تشرح كيف حلت LinkedIn هذه المشكلة تمامًا باستخدام الذكاء الاصطناعي.
المشكلة: "انهيار المعلومات"
تمتلك LinkedIn ملايين المستخدمين. وكل مستخدم لديه كمية هائلة من البيانات: ملفه الشخصي، تاريخ عمله، وعمليات البحث عن الوظائف الأخيرة التي قام بها.
في الماضي، حاولت الحواسيب تحويل هذه البيانات إلى قوائم طويلة من الأرقام (تسمى "التضمينات" أو embeddings). لكن الأرقام تشبه الشفرة السرية؛ فهي فعالة، ولكن إذا نظر إليها البشر، فلن يكون لها أي معنى. كما أنه إذا قمت بتغيير الشفرة قليلًا، فإن النظام بأكمله يتعطل.
الطريقة الجديدة هي استخدام نماذج اللغات الكبيرة (LLMs) — وهي نفس التقنية التي تقف وراء ChatGPT. نماذج اللغات الكبيرة تعشق النصوص، لكن لديها "مدى انتباه قصير". إذا غذيتهم بسيرة ذاتية مكونة من 50 صفحة لمستخدم ما، فسيصبحون "مشتتين" بالأجزاء المملة وسيفوتهم الجزء المهم.
الحل: "المحرر الذكي" (التعلم التعزيزي)
بدلاً من مجرد إلقاء كل البيانات في وجه الذكاء الاصطناعي، قام الباحثون ببناء "محرر ذكي".
تخيل هذا المحرر كصحفي مدرب تدريبًا عاليًا. وظيفة الصحفي هي قراءة الجبل الهائل من بيانات المستخدم وكتابة "ملخص عالي الدقة" — ملخص صغير وموجز يتكون من 150 كلمة فقط، يلتقط فقط الأجزاء الأكثر أهمية (مثل "هذا الشخص مهندس سحابي يحب لغة بايثون ويبحث حاليًا عن عمل عن بُعد في برلين").
لتدريب هذا المحرر، استخدموا التعلم التعزيزي (RL). هذا يشبه تدريب جرو صغير باستخدام المكافآت:
- الإجراء: يقوم المحرر بكتابة ملخص.
- المكافأة (المكافأة/القطعة اللذيذة): يراقب النظام ما فعله المستخدم بالفعل بعد ذلك. هل نقر المستخدم على وظيفة؟ هل تقدم بطلب؟ إذا كان الملخص جيدًا جدًا لدرجة أنه ساعد النظام في التنبؤ بخطوة المستخدم التالية بدقة مثالية، يحصل المحرر على "مكافأة" (مكافأة رياضية).
- العقوبة (كلمة "لا"): إذا بدأ المحرر في كتابة مقالات طويلة ومسهبة فقط لمحاولة "خداع" النظام، فإن الباحثين يمنحونه عقوبة لإجباره على البقاء موجزًا.
"السر الخاص": طرق مختلفة للمكافأة
جرب الباحثون طرقًا مختلفة لتقديم "المكافآت":
- مكافأة "نعم/لا": "هل تنبأت بأنه سيتقدم بطلب؟ نعم؟ إليك مكافأة!"
- مكافأة "التصنيف": بدلًا من وظيفة واحدة فقط، يتم عرض قائمة من الوظائف للمحرر. إذا استطاع تصنيفها بشكل صحيح من "الأكثر احتمالية للتقديم" إلى "الأقل احتمالية"، فإنه يحصل على مكافأة ضخمة. هذا يشبه قول الخاطبة: "لا تخبرني فقط إذا كان معجبًا بهذا الشخص؛ بل أخبرني من هم أفضل 5 أشخاص المفضلين لديه!"
النتائج: LinkedIn أكثر ذكاءً وسرعة
باستخدام هذا "المحرر الذكي"، شهدت LinkedIn تحسينات هائلة:
- مطابقات أفضل: أصبح النظام أفضل بكثير في إظهار الوظائف التي يرغب الناس حقًا في التقديم عليها.
- السرعة والكفاءة: لأن الملخصات قصيرة و"نظيفة"، يمكن للذكاء الاصطناعي معالجتها بشكل أسرع بكثير.
- قابلة للقراءة من قبل البشر: على عكس تلك الأرقام التي تشبه "الشفرة السرية" من الماضي، فإن هذه الملخصات مكتوبة بلغة إنجليزية بسيطة. إذا أراد مهندس بشري معرفة سبب توصية الذكاء الاصتناعي بوظيفة معينة، فيمكنه بالفعل قراءة الملخص وفهم السبب.
باختًا: علمت LinkedIn ذكاءً اصطناعيًا أن يكون محررًا عالمي المستوى، محولًا جبلًا من البيانات الفوضوية إلى "ورقة غش" صغيرة وقوية تساعد في ربط الناس بوظائف أحلامهم.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.