Enhancement of E-commerce Sponsored Search Relevancy with LLM
यह शोध पत्र एक नवीन ई-कॉमर्स प्रायोजित खोज प्रासंगिकता मॉडल प्रस्तुत करता है जो विज्ञापन-क्वेरी प्रासंगिकता को वर्गीकृत करने में 89.43% सटीकता प्राप्त करने के लिए लो-रैंक अडैप्टेशन (LoRA) का उपयोग करके LLAMA2 7B भाषा मॉडल को फाइन-ट्यून करता है, जो परिचालन दक्षता और गोपनीयता को बढ़ाते हुए बेसलाइन और GPT-4 मॉडलों से बेहतर प्रदर्शन करता 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 आप एक विशाल, अस्त-व्यस्त गोदाम (जैसे Walmart.com) में एक विशिष्ट वस्तु, जैसे कि "वॉटरप्रूफ हाइकिंग बूट्स" (waterproof hiking boots) की तलाश में जा रहे हैं। आप अपनी पसंद ज़ोर से चिल्लाते हैं, और स्टोर का डिजिटल असिस्टेंट तुरंत आपको उन बूट्स की एकदम सही जोड़ी दिखाने के लिए तैयार हो जाता है।
अतीत में, यह असिस्टेंट एक ऐसे रोबोट की तरह था जो केवल सटीक शब्दों के मिलान को समझता था। यदि आप "रेन बूट्स" (rain boots) कहते, तो यह भ्रमित हो सकता था यदि उत्पाद को "वॉटरप्रूफ हाइकिंग शूज" के रूप में सूचीबद्ध किया गया हो। यह अक्सर उस बारीकी को समझने में विफल रहता था जो वास्तव में आप चाहते थे, और ऐसी चीजें दिखाता था जो करीब तो थीं लेकिन बिल्कुल सही नहीं थीं।
यह पेपर बताता है कि कैसे वॉलमार्ट (Walmart) की टीम ने एक बहुत अधिक स्मार्ट असिस्टेंट बनाया है, जो आर्टिफिशियल इंटेलिजेंस के एक प्रकार का उपयोग करता है जिसे लार्ज लैंग्वेज मॉडल (LLM) कहा जाता है, विशेष रूप से LLaMA2 नामक एक संस्करण। यहाँ इसका सरल विवरण दिया गया है कि उन्होंने क्या किया और यह क्यों महत्वपूर्ण है:
1. समस्या: "घास के ढेर में सुई" (The Needle in a Haystack)
ई-कॉमर्स में, लाखों उत्पाद और उन्हें खोजने के लाखों तरीके हैं। चुनौती उपयोगकर्ता के छोटे, कभी-कभी अस्पष्ट खोज प्रश्न (जैसे "वॉटरप्रूफ हाइकिंग बूट्स") को उत्पादों की एक विशाल सूची से सही उत्पाद के साथ मिलाने की है।
- पुराना तरीका: कठोर नियमों का उपयोग करता था। यह यह समझने में विफल रहता था कि "हाइकिंग बूट्स" और "आउटडोर शूज" मनुष्यों के लिए एक ही चीज़ हो सकते हैं।
- नया तरीका: एक ऐसे AI का उपयोग करता है जो शब्दों के पीछे के अर्थ को "पढ़ता" और "समझता" है, ठीक वैसे ही जैसे एक इंसान करता है।
2. समाधान: एक "विशेषज्ञ इंटर्न" (LoRA)
टीम ने एक बहुत ही शक्तिशाली, प्री-ट्रेन्ड AI मस्तिष्क (LLaMA2 7B) लिया जो पहले से ही मानवीय भाषा के बारे में बहुत कुछ जानता है। हालाँकि, यह मस्तिष्क बहुत बड़ा और चलाने में महंगा है। वे पूरे मस्तिष्क को फिर से प्रशिक्षित नहीं करना चाहते थे (जो कि एक जीनियस को फिर से डिक्शनरी पढ़ने सिखाने जैसा होगा)।
इसके बजाय, उन्होंने LoRA (Low-Rank Adaptation) नामक तकनीक का उपयोग किया।
- उपमा (Analogy): कल्पना कीजिए कि LLaMA2 मॉडल एक बहुत ही बुद्धिमान, सामान्य उद्देश्य वाला लाइब्रेरियन है जो किताबों, फिल्मों और विज्ञान के बारे में सब कुछ जानता है। आप चाहते हैं कि वे विशेष रूप से लाइब्रेरी के "हाइकिंग गियर" सेक्शन में काम करें।
- तरीका: लाइब्रेरियन को निकालने और नया काम पर रखने के बजाय, या लाइब्रेरियन को पूरी लाइब्रेरी फिर से पढ़वाने के बजाय, आप उन्हें एक विशेषज्ञ 'चीट शीट' (specialized cheat sheet) (LoRA एडॉप्टर) देते हैं। यह चीट शीट उन्हें बिना उनके पूरे व्यक्तित्व या स्मृति को बदले "हाइकिंग गियर" के विशिष्ट नियम सिखाती है।
- परिणाम: लाइब्रेरियन तुरंत हाइकिंग गियर में विशेषज्ञ बन जाता है, जिसमें बहुत कम अतिरिक्त ऊर्जा या समय लगता है।
3. कार्य: एक "प्रासंगिकता निर्णायक" (The Relevance Judge)
टीम ने इस विशेष AI को खोज परिणामों के लिए एक जज के रूप में कार्य करने के लिए प्रशिक्षित किया। जब कोई उपयोगकर्ता कोई प्रश्न टाइप करता है और सिस्टम एक उत्पाद का सुझाव देता है, तो AI उस जोड़ी को देखता है और उन्हें तीन श्रेणियों में से एक में स्कोर देता है:
- प्रासंगिक (Relevant): "हाँ, ये बिल्कुल वही हैं जो उपयोगकर्ता चाहता है।" (जैसे, क्वेरी: "वॉटरप्रूफ बूट्स" / उत्पाद: "Gore-Tex हाइकिंग बूट्स")।
- आंशिक रूप से प्रासंगिक (Partially Relevant): "यह करीब है, लेकिन शायद एकदम सही नहीं है।" (जैसे, क्वेरी: "हाइकिंग बूट्स" / उत्पाद: "वॉटरप्रूफ रेन बूट्स" – बारिश के लिए अच्छे हैं, लेकिन शायद हाइकिंग के लिए नहीं)।
- अप्रासंगिक (Irrelevant): "नहीं, यह पूरी तरह से गलत आइटम है।" (जैसे, क्वेरी: "हाइकिंग बूट्स" / उत्पाद: "सिलिकॉन बेकिंग मैट")।
4. परिणाम: स्मार्ट और तेज़
टीम ने अपने इस "विशेषज्ञ इंटर्न" का परीक्षण अन्य स्मार्ट मॉडलों के विरुद्ध किया, जिसमें GPT-4 जैसा बहुत प्रसिद्ध मॉडल और पुराने, मानक खोज उपकरण भी शामिल थे।
- सटीकता: नया मॉडल 89.43% बार सही था।
- तुलना: इसने पुराने मानक मॉडलों को पछाड़ दिया और इस विशिष्ट कार्य में GPT-4 से भी बेहतर प्रदर्शन किया।
- GPT-4 क्यों हारा: पेपर सुझाव देता है कि GPT-4 कभी-कभी "अति-सामान्यीकरण" (over-generalized) कर देता है। उदाहरण के लिए, यदि आप "श्रेड किए हुए चिकन" (shredded chicken) की खोज करते हैं, तो GPT-4 सोच सकता है कि एक "चिकन शेडर" (Chicken Shredder) टूल अत्यधिक प्रासंगिक है क्योंकि शब्द मेल खाते हैं। लेकिन विशेष LLaMA2 समझ गया कि यदि आप भोजन की खोज कर रहे हैं, तो आप शायद उस उपकरण को नहीं चाहते जो उसे बनाने के काम आता है। वह केवल शब्दों को नहीं, बल्कि इरादे (intent) को समझ गया।
5. यह आपके लिए क्यों मायने रखता है
- बेहतर खरीदारी: आपको वे परिणाम मिलते हैं जो वास्तव में आपकी खोज से मेल खाते हैं, न कि वे जो केवल दिखने में समान शब्द हैं।
- लागत और गोपनीयता: क्योंकि उन्होंने पूरे मस्तिष्क को फिर से बनाने के बजाय "चीट शीट" विधि (LoRA) का उपयोग किया, इसलिए इसे चलाना सस्ता है और यह डेटा को अधिक सुरक्षित रखता है (क्योंकि उन्हें एक विशाल मॉडल का उपयोग करने के लिए बाहरी सर्वर पर डेटा भेजने की आवश्यकता नहीं है)।
- व्यावसायिक सफलता: जब ग्राहक जो चाहते हैं उसे तेज़ी से ढूंढ लेते हैं, तो वे अधिक खुश होते हैं और खरीदारी करने की अधिक संभावना रखते हैं।
संक्षेप में: यह पेपर दिखाता है कि एक स्मार्ट, सामान्य AI को खरीदारी के लिए एक विशेष "चीट शीट" देकर, वॉलमार्ट पहले की तुलना में ग्राहकों की वास्तविक इच्छाओं को बहुत बेहतर ढंग से समझ सकता है, जिससे एक सहज, अधिक सटीक खरीदारी अनुभव मिलता है, और वह भी बिना भारी खर्च के।
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।