Fine-Tuned LLM as a Complementary Predictor Improving Ads System
تقدم هذه الورقة نظاماً إعلانياً بمقياس إنتاجي يدمج نموذج لغة كبير مفتوح المصدر ومضبوط بدقة كمتنبئ إضافي تكميلي للتنبؤ بالمعلنين المحتملين من ملفات تعريف المستخدمين، مما يعزز عملية توليد المرشحين ويوفر احتمالات معرفية لعمليات الترتيب اللاحقة لتحقيق تحسينات تجارية كبيرة على المستويين التجريبي والفعلي.
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 تدير سوقاً رقمياً ضخماً ومزدحماً (مثل بينتيريست - Pinterest). لديك ملايين الزوار، ومهمتك هي عرض الإعلانات المثالية لهم—الإعلانات لمنتجات يرغبون حقاً في شرائها.
تقليدياً، يعمل نظامك كأمين مكتبة كفء للغاية. ينظر إلى ما نقر عليه الشخص بالأمس ويجد كتباً (إعلانات) مشابهة على الرف. إنه سريع وجيد في العثور على "المزيد من الشيء نفسه". ولكن في بعض الأحيان، قد يخطئ الهدف لأنه لا يفهم حقاً الرغبات العميقة للشخص أو الروابط الدقيقة بين عادات التصفح الخاصة بهم وعلامات تجارية معينة.
تقدم هذه الورقة أداة جديدة: مساعداً ذكياً ومطلعاً (نموذج لغوي كبير (LLM) تم ضبطه بدقة) لا يحل محل أمين المكتبة، بل يعمل بجانبه لتقديم تخمينات أفضل.
إليك كيف يعمل النظام، مقسماً إلى خطوات بسيطة:
1. المشكلة: أمين المكتبة يحتاج إلى تلميح
النظام التقليدي بارع في الرياضيات، لكنه يعاني مع "المعرفة بالعالم". هو يعرف أن المستخدم نقر على حذاء تنزه، لكنه قد لا يربط ذلك بشكل حدسي بوجبة طاقة من علامة تجارية معينة أو بمتجر محلي لمعدات التخييم ما لم يكن قد رأى هذا المزيج تحديداً من قبل.
2. الحل: المساعد "متنبئ الإعلانات"
بدلاً من مطالبة الذكاء الاصطناي بكتابة الإعلان بالكامل أو ترتيب كل عنصر (وهو أمر بطيء ومكلف للغاية)، طلب الفريق من الذكاء الاصطناعي سؤالاً محدداً جداً:
"بناءً على ملف هذا الشخص وما كان يبحث عنه، ما هي العلامات التجارية المحددة التي من المرجح أن يشتري منها لاحقاً؟"
فكر في هذا الذكاء الاصطناعي كأنه عراف للعلامات التجارية. فهو يقرأ تاريخ المستخدم (عمليات البحث، النقرات، التسوق خارج الموقع) ويتنبأ بقائمة قصيرة مكونة من 20 شركة محددة (مثل "نايكي"، "سيفورا"، أو "هوم ديبوت") التي يكون هذا المستخدم مستعداً للتفاعل معها.
3. كيف قاموا بتدريب المساعد
لا يمكنك مجرد سؤال ذكاء اصطناعي عام للقيام بذلك؛ يجب أن يتعلم قواعد سوقك الخاصة.
- الواجب المنزلي (SFT): أولاً، علموا الذكاء الاصطناعي النظر إلى تاريخ المستخدم وتخمين علامة تجارية واحدة فقط قد يشتري منها. كان هذا يشبه تعليم طالب كيفية حل مسألة رياضية واحدة بشكل صحيح.
- التدريب العملي (GRPO): ثم جعلوا الأمر أكثر صعوبة. طلبوا من الذكاء الاصطناعي إدراج 20 علامة تجارية و5 اهتمامات للمستخدم، لكنهم أعطوه "بطاقة تقييم". إذا خمن الذكاء الاصطناعي العلامة التجارية الصحيحة ووضعها في أعلى القائمة، فإنه يحصل على درجة عالية. وإذا خمن خطأ أو أدرج عناصر كثيرة جداً، فإنه يتلقى عقوبة. هذا علّم الذكاء الاصطناعي أن يكون دقيقاً وأن يتبع القواعد.
- الرمز السري (Semantic IDs): لجعل الأمر أكثر حدة، علموا الذكاء الاصطناعي لغة "اختصار" خاصة (المعرفات الدلالية - Semantic IDs) التي تمثل الصور والمنتجات. إنه يشبه تعليم المساعد التعرف على صورة فستان أحمر ليس فقط من خلال كلمات "فستان أحمر"، ولكن من خلال رمز فريد يربطه بفساتين حمراء أخرى واتجاهات الموضة.
4. وضع الأمر قيد التنفيذ: طريقتان للمساعدة
بمجرد تدريب الذكاء الاصطناعي، لم يتركوه يدير العرض بأكمله. بدلاً من ذلك، استخدموا توقعاته بطريقتين محددتين:
الطريقة (أ): الفلترة (الاسترجاع - Retrieval)
تخيل أن أمين المكتبة يبحث في مستودع يحتوي على مليارات العناصر. يقول الذكاء الاصطناعي: "مهلاً، بالنسبة لهذا المستخدم، ابحث فقط في الممرات التابعة لهذه العلامات التجارية العشرين". هذا يقلص عملية البحث فوراً، مما يضمن عدم إضاعة الوقت في عرض إعلانات غير ذات صلة. إنه يشبه إعطاء أمين المكتبية قائمة VIP بالمتاجر التي يجب التحقق منها أولاً.الطريقة (ب): الدليل (الترتيب - Ranking)
عندما يقرر النظام أي إعلان سيظهر أولاً، فإنه يعطي توقعات الذكاء الاصطناعي لصانع القرار النهائي. إنه يشبه الهمس في أذن القاضي: "هذا المستخدم يحب العلامة التجارية (X) حقاً، لذا امنح ذلك الإعلان درجة أعلى".
5. النتائج: هل نجح الأمر؟
اختبر الفريق ذلك في العالم الحقيقي (على حركة مرور بينتيريست الفعلية).
- الاختبارات غير المتزامنة (Offline): أصبح الذكاء الاصطناعي أفضل بكثير في تخمين العلامات التجارية الصحيحة من النظام القديم أو من ذكاء اصطناعي "صفر استباقي" (Zero-shot) (الذي لم يتم تدريبه على هذه المهمة المحددة).
- الاختبارات المباشرة (Online): عندما قاموا بتشغيله للمستخدمين الحقيقيين، كانت النتائج واضحة. كانت الإعلانات المعروضة أكثر ملاءمة، وارتفع العائد على الإنفاق الإعلاني (RoAS) بنسبة تقارب 5% إلى 6%. وهذا يعني أن المعلنين حصلوا على قيمة أكبر لأموالهم لأن الإعلانات عُرضت على أشخاص مهتمين بها بالفعل.
الخلاصة الكبرى
تجادل الورقة بأنك لست بحاجة لاستبدال نظام التوصية بالكامل بذكاء اصطناعي ضخم وبطيء. بدلاً من ذلك، يمكنك استخدام ذكاء اصطناعي متخصص ومضبوط بدقة كـ "متنبئ تكميلي".
فكر في الأمر كفريق رياضي: لديك لاعبو النجوم (الخوارزميات التقليدية) الذين يتميزون بالسرعة والموثوقية. الآن، لقد أضفت مدرباً تكتيكياً (النموذج اللغوي الكبير - LLM) الذي يدرس تاريخ الخصم ويخبر اللاعبين: "ركزوا على هذه الاستراتيجيات المحددة". المدرب لا يلعب المباراة، لكن نصيحته تساعد الفريق على الفوز في كثير من الأحيان.
باختصار: استخدموا ذكاءً اصطناعياً ذكياً للتنبؤ بالعلامات التجارية التي يحبها المستخدم، واستخدموا تلك التوقعات لفلترة وترتيب الإعلانات، ونجحوا في زيادة كمية الأموال التي يجنيها المعلنون.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.