Image Score: Learning and Evaluating Human Preferences for Mercari Search
यह शोध पत्र चेन-ऑफ-थॉट प्रॉम्प्टिंग का उपयोग करने वाला एक लागत प्रभावी, एलएलएम-संचालित दृष्टिकोण प्रस्तुत करता है जो इमेज क्वालिटी लेबल उत्पन्न करने के लिए है जो मर्कारी के ई-कॉमर्स प्लेटफॉर्म पर मानवीय व्यवहार के साथ सहसंबंध रखते हैं, जो अंततः बेहतर खोज प्रासंगिकता और व्याख्यात्मकता के माध्यम से महत्वपूर्ण बिक्री वृद्धि की ओर ले जाता है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि Mercari एक विशाल, हलचल भरे डिजिटल कबाड़ी बाज़ार (flea market) की तरह है जहाँ लाखों लोग विंटेज कपड़ों से लेकर पुराने इलेक्ट्रॉनिक्स तक सब कुछ खरीदते और बेचते हैं। इस बाज़ार में, एक विक्रेता के लिए सबसे महत्वपूर्ण चीज़ उनकी "दुकान की खिड़की" है—वह फोटो जो वे अपने आइटम की लेते हैं। यदि फोटो धुंधली, अंधेरी या अस्त-व्यस्त है, तो खरीदार उसे अनदेखा कर आगे बढ़ जाते हैं, भले ही कीमत एकदम सही क्यों न हो। यदि फोटो चमकदार, स्पष्ट और पेशेवर दिखती है, तो खरीदार रुकते हैं और क्लिक करते हैं।
Mercari की टीम एक विशिष्ट समस्या को हल करना चाहती थी: हम बिना सेना के रूप में तैनात मानव न्यायाधीशों को नियुक्त किए, स्वचालित रूप से यह कैसे बता सकते हैं कि कौन सी तस्वीरें "अच्छी" हैं और कौन सी "बुरी"?
यहाँ बताया गया है कि उन्होंने इसे कैसे किया, सरल शब्दों में:
1. समस्या: "मौन" खरीदार
एक सामान्य दुकान में, आप किसी दोस्त से पूछ सकते हैं, "क्या तुम्हें यह शर्ट पसंद है?" एक ऑनलाइन बाज़ार में, खरीदार कुछ कहते नहीं हैं। वे बस क्लिक करते हैं या नहीं करते। इसे "इम्प्लिसिट फीडबैक" (implicit feedback) कहा जाता है।
- चुनौती: यदि कोई खरीदार किसी आइटम पर क्लिक करता है, तो क्या ऐसा इसलिए है क्योंकि वह आइटम बिल्कुल वही है जो उन्हें चाहिए था (प्रासंगिकता/relevance), या सिर्फ इसलिए क्योंकि फोटो शानदार दिख रही थी?
- लक्ष्य: टीम "अच्छी फोटो" वाले कारक को "सही उत्पाद" वाले कारक से अलग करना चाहती थी। वे जानना चाहते थे: यदि दो आइटम एक ही कीमत और एक ही प्रकार के हैं, तो क्या बेहतर फोटो वाला आइटम अधिक क्लिक प्राप्त करता है?
2. समाधान: "AI कला समीक्षक"
आमतौर पर, कंप्यूटर को यह सिखाने के लिए कि एक "अच्छी फोटो" कैसी दिखती है, आपको हजारों मनुष्यों की आवश्यकता होती है जो चित्रों को देखकर उन्हें ग्रेड दें। यह धीमा और महंगा है।
इसके बजाय, Mercari की टीम ने एक लार्ज लैंग्वेज मॉडल (LLM) का उपयोग किया—एक सुपर-स्मार्ट AI जो छवियों को "देख" सकता है। इस AI को एक आभासी कला समीक्षक (virtual art critic) के रूप में सोचें।
- प्रक्रिया: उन्होंने समान वस्तुओं के समूह लिए (जैसे कि एक ही प्रकार की जींस के लिए पांच अलग-अलग लिस्टिंग) और AI से पूछा: "इन तस्वीरों को देखो। इनकी आपस में तुलना करो। इनमें से कौन सी सबसे अच्छी दिखती है? क्यों?"
- सीक्रेट सॉस (चेन-ऑफ-थॉट): उन्होंने केवल स्कोर नहीं मांगा। उन्होंने AI को "ज़ोर से सोचने" (Chain-of-Thought) के लिए कहा। AI को यह समझाना था कि एक फोटो क्यों अच्छी थी: "लाइटिंग उज्ज्वल है," "रंग मेल खाते हैं," "बैकग्राउंड साफ है।" इससे AI को बहुत अधिक सटीक स्कोर देने में मदद मिली जो वास्तव में वही था जो वास्तविक मनुष्य सोचते।
3. "स्मार्ट सॉर्टर" को प्रशिक्षित करना
AI समीक्षक बहुत अच्छा है, लेकिन यह बहुत धीमा और महंगा है कि इसे हर बार जब कोई व्यक्ति खोज करता है, तो बाज़ार के हर एक आइटम के लिए उपयोग किया जाए। यह एक लाइब्रेरी में मौजूद हर फोटो को ग्रेड देने के लिए एक प्रसिद्ध कला समीक्षक को काम पर रखने जैसा है; इसमें बहुत समय लगेगा।
इसलिए, उन्होंने AI समीक्षक के ग्रेड का उपयोग एक हल्के, तेज़ कंप्यूटर मॉडल (एक "स्मार्ट सॉर्टर") को प्रशिक्षित करने के लिए किया।
- उपमा: कल्पना कीजिए कि AI समीक्षक एक मास्टर शेफ है जो व्यंजन का स्वाद लेता है और एक विस्तृत समीक्षा लिखता है। "स्मार्ट सॉर्टर" एक जूनियर शेफ है जो मास्टर शेफ को कई व्यंजनों का स्वाद लेते हुए देखता है, पैटर्न सीखता है, और फिर मास्टर शेफ की मदद के बिना भी नए व्यंजनों की गुणवत्ता का तेज़ी से अनुमान लगा सकता है।
- परिणाम: इस नए मॉडल ने सीखा कि AI समीक्षक द्वारा दिए गए "ग्रेड" के आधार पर कौन सी तस्वीरें क्लिक प्राप्त करेंगी।
4. बड़ा परीक्षण: काम में लाना
उन्होंने इस सिस्टम का वास्तविक दुनिया में Mercari वेबसाइट पर परीक्षण किया। उन्होंने उपयोगकर्ताओं को दो समूहों में विभाजित किया:
- समूह A (कंट्रोल ग्रुप): इन्होंने सामान्य रूप से खोज परिणाम देखे।
- समूह B (टेस्ट ग्रुप): इन्होंने ऐसे खोज परिणाम देखे जहाँ "उच्च-गुणवत्ता वाली तस्वीरों" वाले आइटम को ऊपर लाया गया था, भले ही वे खोज शब्द के लिए थोड़े कम प्रासंगिक हों।
परिणाम:
- वेबसाइट पर: टेस्ट ग्रुप ने कंट्रोल ग्रुप की तुलना में लगभग 7% अधिक खरीदारी की। "स्मार्ट सॉर्टर" ने सुंदर तस्वीरों को खरीदारों के सामने सफलतापूर्वक रखा, और खरीदारों ने अधिक क्लिक और खरीदारी करके इसका जवाब दिया।
- मोबाइल पर: दिलचस्प बात यह है कि यह मोबाइल फोन पर उतना प्रभावी नहीं रहा। लेखकों का सुझाव है कि ऐसा इसलिए हो सकता है क्योंकि फोन की स्क्रीन छोटी होती है, इसलिए उपयोगकर्ता बड़े कंप्यूटर मॉनिटर पर ब्राउज़ करने वाले लोगों की तुलना में सूक्ष्म दृश्य विवरणों पर कम ध्यान दे सकते हैं।
5. पकड़: "नकली" तस्वीरें
पेपर एक मज़ेदार साइड इफेक्ट का भी उल्लेख करता है। क्योंकि AI को सुंदर तस्वीरें पसंद हैं, इसलिए कुछ विक्रेताओं ने वास्तविक उत्पादों के बजाय AI-जनरेटेड इमेज (कंप्यूटर द्वारा बनाई गई कला) पोस्ट करना शुरू कर दिया। ये नकली छवियां परफेक्ट स्कोर प्राप्त करती थीं और लिस्ट के शीर्ष पर पहुँच जाती थीं, भले ही वे वास्तविक उत्पाद न हों।
- सबक: सिस्टम को एक "ट्रुथ डिटेक्टर" (सत्य का पता लगाने वाला) की आवश्यकता है ताकि यह सुनिश्चित हो सके कि सुंदर तस्वीरें वास्तव में वास्तविक वस्तुएं हैं, न कि केवल डिजिटल आर्ट।
सारांश
Mercari की टीम ने एक ऐसा सिस्टम बनाया है जो उत्पाद की तस्वीरों को ग्रेड देने के लिए एक स्मार्ट AI का उपयोग करता है, एक तेज़ मॉडल को उस ग्रेडिंग की नकल करना सिखाता है, और उन ग्रेड का उपयोग सर्वोत्तम दिखने वाले आइटम दिखाने के लिए करता है। परिणाम? वेबसाइट पर, लोगों ने अधिक खरीदारी की क्योंकि आइटम बेहतर दिख रहे थे। यह किराने की दुकान को फिर से व्यवस्थित करने जैसा है ताकि ताजी, सबसे रंगीन सब्जियां हमेशा आंखों के स्तर पर हों—स्वाभाविक रूप से, लोग उन्हें अधिक खरीदते हैं।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।