Query as Anchor: Scenario-Adaptive User Representation via Large Language Model
تقدم هذه الورقة "الاستعلام كمرساة" (Query-as-Anchor)، وهو إطار عمل يستفيد من مجموعة بيانات تدريب مسبق واسعة النطاق (UserU) وبنية نموذج لغوي كبير ثنائية البرج مع ضبط المحفز الناعم القائم على التجميع لتوليد تمثيلات مستخدم ديناميكية ومرتبطة بالاستعلام، مما يحقق أداءً هو الأفضل حالياً ونشراً فعالاً عبر سيناريوهات صناعية متعددة في Alipay.
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
إليك شرح لورقة البحث "Query as Anchor" (الاستعلام كمرساة) باستخدام لغة بسيطة وتشبيهات إبداعية.
المشكلة الكبرى: "البدلة التي تناسب الجميع"
تخيل أنك تعمل في متجر ضخم (مثل Alipay) يخدم ملايين العملاء. تريد فهم كل عميل بعمق شديد بحيث يمكنك:
- بيع الأحذية المناسبة لهم (التسويق).
- تحديد ما إذا كانوا يشكلون خطراً ائتمانياً (إدارة المخاطر).
- معرفة متى من المرجح أن يزوروا المتجر (التفاعل).
حالياً، تستخدم معظم الشركات "ملف تعريف مستخدم ثابت". فكر في هذا الأمر كأنك تأخذ صورة واحدة ضخمة للعميل وتضعها في ملف.
- العيب: إذا عرضت هذه الصورة نفسها على بائع الأحذية، ومسؤول الائتمان، ورجل الأمن، فسيشاهدون جميعاً الشيء نفسه. بائع الأحذية يحتاج لمعرفة ذوقهم في الموضة؛ بينما يحتاج مسؤول الائتمان لمعرفة تاريخ ديونهم. الصورة الواحدة لا يمكنها إبراز تفاصيل مختلفة لأشخاص مختلفين.
- النتيجة: تنتهي الشركات ببناء "غرف ملفات" منفصلة ومكلفة لكل قسم. هذا الأمر فوضوي، بطيء، ومكلف في الصيانة.
الحل: "الاستعلام كمرساة" (Query as Anchor)
يقترح المؤلفون طريقة جديدة للتفكير في بيانات المستخدم. بدلاً من الصورة الثابتة، تخيل هولوغرام ذكي ومتغير الشكل للعميل.
يتم بناء هذا الهولوغرام من جميع أفعال العميل السابقة (دفع الفواتير، استخدام البرامج المصغرة، البحث عن أشياء). ولكن إليك الخدعة السحرية: الهولوغرام يغير شكله بناءً على من ينظر إليه.
- "المرساة" (The Anchor): تاريخ العميل هو المرساة الثقيلة في الأسفل. وهي تظل ثابتة.
- "الاستعلام" (The Query): السؤال المحدد المطروح (مثلاً: "هل من المرجح أن يشتري هذا الشخص وجبة جاهزة؟" أو "هل هذا الشخص يمثل خطر احتيال؟") يعمل كمغناطيس يسحب الأجزاء ذات الصلة من الهولوغرام إلى السطح.
إذا سأل مدير التسويق: "ماذا يحب هذا الشخص أن يأكل؟"، سيقوم الهولوغرام بتسليط الضوء على طلبات الطعام الخاصة به ويتجاهل أرصدتهم البنكية.
وإذا سأل مسؤول المخاطر: "هل هذا الشخص آمن؟"، سيقوم الهولوغرام بتسليط الضوء على أنماط معاملاتهم ويتجاهل طلبات الطعام الخاصة بهم.
التشبيه: فكر في بيانات المستخدم كأنها مكتبة ضخمة وفوضوية.
- الطريقة القديمة: عليك قراءة كل كتاب في المكتبة للإجابة على أي سؤال.
- الطريقة الجديدة (الاستعلام كمرساة): لديك أمين مكتبة فائق الذكاء (الذكاء الاصطناعي). أنت فقط تسأل: "أرني كل الكتب المتعلقة بـ الطبخ الإيطالي"، وسيقوم أمين المكتبة فوراً باستخراج تلك الكتب فقط، متجاهلاً البقية. أنت لا تحتاج إلى أمين مكتبة مختلف لكل موضوع؛ أنت فقط تغير السؤال.
كيف بنوا ذلك (الخلطة السرية)
لجعل هذا يعمل، قام الفريق بثلاثة أشياء رئيسية:
1. بنوا "صالة تدريب" (مجموعة بيانات UserU)
نماذج اللغات الكبيرة (LLMs) تُدرب عادةً على الكتب والمقالات. لكن بيانات المستخدم (مثل "ضغط المستخدم على الزر X في الساعة 3 مساءً") تختلف تماماً عن النصوص؛ فهي مبعثرة وغير منتظمة.
- الحل: أنشأوا مجموعة بيانات ضخمة تسمى UserU. لم يكتفوا بتغذية الذكاء الاصطناعي بالبيانات الخام فحسب، بل علموه لعب دور "التنبؤ بالمستقبل" و"المقابلة".
- التشبيه: بدلاً من مجرد حفظ القاموس، جعلوا الذكاء الاصطناعي يتدرب من خلال النظر إلى ماضي الشخص وتخمين ما سيفعله بعد ذلك، أو الإجابة على أسئلة مثل: "بناءً على إنفاقه، هل هو يدخر لشراء منزل؟". هذا علم الذكاء الاصطناعي فهم القصة وراء الأرقام.
2. "المُشفّر الهرمي" (المنظم الذكي)
تأتي بيانات المستخدم في أشكال عديدة: نصوص، أرقام، نقرات، ومواقع.
- الحل: بنوا نظاماً ينظم هذه البيانات مثل دمى الماتريوشكا الروسية (الدمى المتداخلة).
- الطبقة 1 (الأحداث): أفعال فردية (مثل "اشترى قهوة").
- الطبقة 2 (الأنماط): مجموعات من الأفعال (مثل "جميع مشتريات الطعام").
- الطبقة 3 (الشخص بأكمله): الصورة الكبيرة.
- التشبيه: تخيل محققاً ينظم الأدلة. هو لا يضع كل الأدلة على الطاولة فحسب، بل يجمعها حسب النوع (بصمات، سجلات هاتف، شهادات شهود) حتى يتمكن الذكاء الاصطناعي من العثور بسهولة على الدليل المناسب عند طرح سؤال محدد.
3. "المطالبة الناعمة" (الريموت كنترول السحري)
هذا هو الجزء الأكثر ذكاءً. عادةً، لجعل الذكاء الاصطناعي جيداً في مهمة جديدة، يجب عليك إعادة تدريب "الدماغ" بالكامل (وهو أمر بطيء ومكلف).
- الحل: يستخدمون تقنية "ضبط المطالبة الناعمة" (Soft Prompt Tuning). بدلاً من إعادة تدريب الدماغ بالكامل، يضيفون "جهاز تحكم عن بعد" صغيراً وقابلاً للتعديل (بضعة رموز إضافية) إلى الاستعلام.
- التشبيه: تخيل أن لديك تلفازاً عالي الجودة. لمشاهدة مباراة رياضية، أنت لا تعيد بناء التلفاز؛ بل تضغط فقط على زر "وضع الرياضة". تتغير الصورة فوراً. وبالمثل، يحتفظ الذكاء الاصطناعي بمعرفته الأساسية ولكنه يستخدم "زراً" صغيراً لتحويل تركيزه إلى سيناريو العمل المحدد (المخاطر مقابل التسويق) دون الحاجة إلى عملية إصلاح شاملة.
لماذا يعد هذا تغييراً جذرياً في قواعد اللعبة
- السرعة والتكلفة: نظرًا لأن "ملف تعريف المستخدم" (الجزء الثقيل) يتم حسابه مرة واحدة وحفظه، يمكن للنظام الإجابة على 100 سؤال مختلف حول هذا المستخدم في جزء من الثانية. إنه يشبه امتلاك بطاقة مكتبة تعمل لكل أقسام المكتبة فوراً.
- دقة أفضل: في الاختبارات الواقعية على تطبيق Alipay (تطبيق دفع صيني ضخم)، تفوقت هذه الطريقة على جميع النماذج السابقة. كانت أفضل في رصد الاحتيال، والتنبؤ بمن سيشتري الأشياء، وتحديد المستخدمين ذوي المخاطر العالية.
- نموذج واحد للسيطرة على الجميع: بدلاً من امتلاك 10 نماذج ذكاء اصطناذ مختلفة لـ 10 أقسام، أصبح لديهم الآن نموذج واحد يتكيف مع جميعها.
الخلاصة
"الاستعلام كمرساة" (Query as Anchor) يشبه منح الشركة مساعداً واحداً فائق الذكاء يعرف كل شيء عن كل عميل. بدلاً من إجبار المساعد على حفظ 10 كتب قواعد مختلفة، أنت ببساطة تطرح عليه السؤال الصحيح، وهو يقوم فوراً بإعادة تنظيم معرفته ليعطيك الإجابة المثالية لهذا الموقف المحدد. إنه أسرع، وأرخص، وأذكى مما كان لديهم من قبل.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.