Pailitao-MMSearch: Building Native E-Commerce Multimodal Search Foundation
यह शोध पत्र Pailitao-MMSearch को प्रस्तुत करता है, जो Qwen पर आधारित एक नेटिव ई-कॉमर्स मल्टीमॉडल सर्च फाउंडेशन मॉडल है, जो अलग-थलग सिंगल-मोडल मॉडलों और सामान्य-उद्देश्य वाले विजन-लैंग्वेज मॉडलों की सीमाओं को दूर करने के लिए हाइब्रिड सिमेंटिक आईडी (Hybrid Semantic IDs), एक टू-स्टेज कॉन्टिनुअल प्री-ट्रेनिंग रणनीति और एक हाइब्रिड रीजनिंग पोस्ट-ट्रेनिंग पाइपलाइन को एकीकृत करता है, जिससे ताओबाओ (Taobao) के प्लेटफॉर्म पर +13.61% तक GMV सुधार के साथ महत्वपूर्ण व्यावसायिक लाभ प्राप्त हुआ 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, अनंत डिजिटल मॉल में घूम रहे हैं। अतीत में, यदि आप एक विशिष्ट शर्ट खोजना चाहते थे, तो आपको सर्च बार में एक बहुत ही सटीक विवरण टाइप करना पड़ता था, जैसे "लाल सूती टी-शर्ट।" यदि आप उन जूतों की तलाश में थे जो आपने सड़क पर देखी गई एक तस्वीर से मेल खाते हों, तो आपको एक फोटो लेनी पड़ती थी और इस उम्मीद में काम करना पड़ता था कि कंप्यूटर अनुमान लगा लेगा कि आप क्या ढूंढ रहे हैं। लंबे समय तक, कंप्यूटर विशेष कार्यों के लिए बने कर्मचारियों की तरह थे: एक कर्मचारी केवल टेक्स्ट समझता था, दूसरा केवल चित्र, और तीसरा केवल आवाज़। वे एक-दूसरे से बात नहीं करते थे। यदि आप उन्हें एक चित्र और एक वाक्य का मिश्रण देते, तो वे भ्रमित हो जाते, अक्सर आपके शब्दों को अनदेखा कर देते या फोटो के विवरण को मिस कर देते।
दूसरी ओर, कुछ सुपर-स्मार्ट, सामान्य-उद्देश्य वाले कंप्यूटर हैं जो एक तस्वीर देख सकते हैं और उस पर कविता लिख सकते हैं। लेकिन ये सामान्यज्ञ (generalists) मॉल में पर्यटकों की तरह हैं; वे सामान्य रूप से जानते हैं कि "शर्ट" क्या है, लेकिन वे यह नहीं जानते कि "सिल्क ब्लेंड" और "100% कॉटन" के बीच क्या अंतर है, या यह कि जो लोग एक विशिष्ट कैमरा खरीदते हैं, वे आमतौर पर एक विशिष्ट प्रकार का लेंस भी खरीदते हैं। उनमें खरीदारी के काम करने के गहरे, आंतरिक ज्ञान की कमी है। वैज्ञानिकों के सामने बड़ा सवाल यह है: हम एक ही, सुपर-स्मार्ट कंप्यूटर कैसे बनाएं जो एक कुशल 'मास्टर शॉपर' भी हो (हर छोटी चीज़ और लोगों की पसंद के बारे में जानकर) और एक बेहतरीन 'बातूनी' भी (जटिल, मिश्रित निर्देशों को समझते हुए), और साथ ही अपनी सोचने और तर्क करने की क्षमता को भी बनाए रखे?
यही वह सवाल है जिसे Pailitao-MMSearch की टीम ने हल करने का प्रयास किया। उन्होंने एक नया प्रकार का "सर्च ब्रेन" बनाया जो विशेष रूप से ई-कॉमर्स के लिए डिज़ाइन किया गया है। अलग-अलग टूल्स का उपयोग करने के बजाय, उन्होंने एक एकल मॉडल बनाया जो एक फोटो देख सकता है, एक अव्यवस्थित टेक्स्ट विवरण पढ़ सकता है, और तुरंत सटीक उत्पादों की एक सूची बना सकता है। उन्होंने केवल मौजूदा मॉडल में बदलाव नहीं किया; उन्होंने इसे उत्पादों के बारे में बात करने के लिए एक नई भाषा सिखाई, इसे लाखों खरीदारी की आदतों पर प्रशिक्षित किया, और फिर इसके तर्क करने के कौशल को सावधानीपूर्वक तराशा ताकि यह अपनी बुद्धिमत्ता न खो दे।
समस्या: "पैचवर्क" वाली दुकान बनाम "पर्यटक" गाइड
लेखक बताते हैं कि वर्तमान ऑनलाइन शॉपिंग सिस्टम थोड़े अस्त-व्यस्त हैं। अधिकांश बड़े स्टोर एक "पैचवर्क" दृष्टिकोण अपनाते हैं। यदि आप फोटो से खोजते हैं, तो एक विशेष इमेज-फाइंडर समान चित्रों की तलाश करता है। यदि आप शब्द टाइप करते हैं, तो एक टेक्स्ट-फाइंडर मिलते-जुलते शीर्षकों की तलाश करता है। यदि आप कहते हैं "इस फोटो जैसा एक लाल ड्रेस ढूंढो लेकिन लंबी आस्तीन के साथ," तो सिस्टम को आपके अनुरोध को टुकड़ों में बांटने, उन्हें अलग-अलग कर्मचारियों के पास भेजने और फिर परिणामों को वापस जोड़ने की कोशिश करनी पड़ती है। यह धीमा, जटिल है और अक्सर मुख्य बात को मिस कर देता है क्योंकि वे कर्मचारी यह नहीं समझते कि चित्र और शब्द एक साथ कैसे काम करते हैं।
वैकल्पिक रूप से, वहां "पर्यटक" गाइड (सामान्य-उद्देश्य वाले AI मॉडल) मौजूद हैं। वे दुनिया को समझने में माहिर हैं, लेकिन वे शॉपिंग मॉल के विशिष्ट नियमों को नहीं जानते। उन्हें शायद यह एहसास नहीं होगा कि "सिल्क" और "साटन" अलग हैं, या यह कि जो व्यक्ति फोन केस खरीदता है, वह संभवतः स्क्रीन प्रोटेक्टर की तलाश में है। वे सीधे अरबों उत्पादों की सूची में से किसी विशिष्ट उत्पाद की ओर भी इशारा नहीं कर सकते; उन्हें आमतौर पर एक अलग टूल की आवश्यकता होती है, जिससे प्रवाह टूट जाता है।
समाधान: उत्पादों के लिए एक नई भाषा
इसे ठीक करने के लिए, टीम ने Pailitao-MMSearch बनाया, जो एक नेटिव ई-कॉमर्स सर्च फाउंडेशन है। इसे मॉल की भाषा में धाराप्रवाह बोलने वाले एक नए कर्मचारी को प्रशिक्षित करने के रूप में समझें।
1. हाइब्रिड आईडी (HybSID): "ज़िप कोड" और "पोर्ट्रेट"
सबसे बड़ी चुनौती यह है कि कंप्यूटर को किसी उत्पाद के बारे में कैसे बताया जाए। कल्पना कीजिए कि आपके पास अरबों किताबों का एक पुस्तकालय है। यदि आप उन्हें केवल एक "ज़िप कोड" (जैसे "फिक्शन - मिस्ट्री") देते हैं, तो आपको किताबों का एक बड़ा ढेर मिल जाएगा, लेकिन आप सटीक वाली किताब नहीं ढूंढ पाएंगे। यदि आप केवल एक "पोर्ट्रेट" (एक विस्तृत विवरण) देते हैं, तो उन्हें कुशलतापूर्वक व्यवस्थित करना कठिन है।
टीम ने HybSID (हाइब्रिड सिमेंटिक आईडी) का आविष्कार किया। यह एक ही समय में हर उत्पाद को दो आईडी देने जैसा है:
- ज़िप कोड (डिस्क्रीट कोड): एक छोटा, सरल कोड जो उत्पादों को व्यापक श्रेणियों में समूहित करता है (जैसे, "समर ड्रेस")। यह कंप्यूटर को तेजी से खोज को सीमित करने में मदद करता है।
- पोर्ट्रेट (कंटीन्यूअस एम्बेडिंग): उत्पाद का एक विस्तृत, उच्च-रिज़ॉल्यूशन वाला "पोर्ट्रेट" जो नीले रंग के सटीक शेड, कपड़े की बनावट, या विशिष्ट ब्रांड लोगो जैसे सूक्ष्म विवरणों को कैप्चर करता है।
इन दोनों को जोड़कर, मॉडल उत्पादों के सही "पड़ोस" को जल्दी से ढूंढ सकता है और फिर उपयोगकर्ता के विशिष्ट, अस्पष्ट विवरण से मेल खाने वाले सटीक उत्पाद को चुन सकता है।
2. दो-चरणीय प्रशिक्षण: मॉल को सीखना, फिर दिमाग को बनाए रखना
एक सामान्य AI को शॉपिंग विशेषज्ञ बनाना जोखिम भरा है। यदि आप इसे केवल लाखों उत्पाद विवरण खिलाते हैं, तो यह सामान्य भाषा बोलना या तार्किक रूप से तर्क करना भूल सकता है। इसे "कैटास्ट्रोफिक फॉरगेटिंग" (विनाशकारी विस्मृति) कहा जाता है।
टीम ने एक चतुर दो-चरणीय प्रशिक्षण प्रक्रिया का उपयोग किया:
- चरण 1 (इंटर्नशिप): उन्होंने मॉडल को खरीदारी के बारे में सब कुछ सिखाया: उत्पाद विवरण, लोग कैसे ब्राउज़ करते हैं, और कौन सी चीजें एक साथ चलती हैं। उन्होंने इसे सामान्य बातचीत के डेटा से भी जोड़ा ताकि यह केवल उत्पादों के प्रति बहुत अधिक जुनूनी न हो जाए।
- चरण 2 (मेंटरशिप): उन्होंने देखा कि मॉडल सामान्य तर्क करने में थोड़ा "जंग खा" रहा है। इसलिए, उन्होंने मूल, स्मार्ट वर्जन वाले मॉडल को एक "मेंटर" के रूप में इस्तेमाल किया। उन्होंने नए मॉडल को मेंटर की निगरानी में सामान्य कार्यों का अभ्यास कराया, जिसने उसे धीरे से सुधारा ताकि वह सोचने और जटिल निर्देशों का पालन करने की अपनी क्षमता न खो दे। इसने यह सुनिश्चित किया कि अंतिम मॉडल एक शॉपिंग विशेषज्ञ और एक स्मार्ट वार्ताकार दोनों हो।
3. रीजनिंग इंजन: बोलने से पहले सोचना
शॉपिंग हमेशा सरल नहीं होती। कभी-कभी आप कहते हैं, "मुझे इस ड्रेस जैसा एक ड्रेस चाहिए, लेकिन नेवी ब्लू में, और इसे शादी के अनुकूल बनाएं।" यह एक जटिल अनुरोध है।
टीम ने कठिन सवालों के लिए मॉडल को चेन-ऑफ-थॉट (Chain-of-Thought) तर्क का उपयोग करना सिखाया। केवल उत्तर का अनुमान लगाने के बजाय, मॉडल समस्या को तोड़ने के बारे में सीखता है:
- फोटो का विश्लेषण करें: "यह एक फ्लोरल ड्रेस है।"
- अनुरोध पढ़ें: "रंग को नेवी में बदलें, स्टाइल को फॉर्मल में बदलें।"
- मैच खोजें: "ठीक है, मुझे एक नेवी, फॉर्मल, फ्लोरल ड्रेस चाहिए।"
सरल प्रश्नों के लिए, यह समय बचाने के लिए सोचने को छोड़ देता है और सीधे उत्तर पर चला जाता है।
परिणाम: वास्तविक दुनिया की सफलता
टीम ने इसे केवल लैब में टेस्ट नहीं किया; उन्होंने इसे Taobao के Pailitao प्लेटफॉर्म पर तैनात किया, जो प्रतिदिन करोड़ों उपयोगकर्ताओं को सेवा देता है। उन्होंने एक बड़ा परीक्षण (A/B टेस्ट) चलाया जहाँ कुछ उपयोगकर्ताओं को पुराना सर्च सिस्टम मिला और अन्य को नया Pailitao-MMSearch मिला।
परिणाम प्रभावशाली थे। नए सिस्टम से निम्नलिखित में वृद्धि हुई:
- कुल बेचे गए माल के मूल्य (GMV) में 13.61% की वृद्धि।
- लेनदेन की संख्या में 8.21% की वृद्धि।
यह सुझाव देता है कि जब कंप्यूटर वास्तव में समझता है कि आपका मतलब क्या है—आपके फोटो, आपके शब्दों और आपकी खरीदारी की आदतों को मिलाकर—तो यह आपको वही खोजने में मदद करता है जो आप चाहते हैं, और आप अधिक खरीदारी करते हैं।
आगे क्या?
लेखक स्वीकार करते हैं कि यह सिस्टम अभी भी पूर्ण नहीं है। यदि कोई उपयोगकर्ता एक अजीब कोण से ली गई धुंधली फोटो अपलोड करता है या गलतियों से भरा वाक्य लिखता है, तो मॉडल अभी भी भ्रमित हो सकता है। वे मॉडल को वास्तविक दुनिया की इन उलझी हुई स्थितियों में बेहतर तर्क करने के लिए और बेहतर बनाने की योजना बना रहे हैं। वे एक ऐसा भविष्य भी देखते हैं जहाँ यह स्मार्ट सर्च मॉडल स्वायत्त शॉपिंग एजेंटों के लिए एक "दिमाग" के रूप में कार्य करेगा जो कई चरणों वाले कार्य कर सकते हैं, जैसे एक आउटफिट ढूंढना, मौसम की जांच करना और एक ही बार में सब कुछ ऑर्डर करना।
संक्षेप में, Pailitao-MMSearch एक ऐसे शॉपिंग अनुभव की ओर एक कदम है जहाँ कंप्यूटर केवल कीवर्ड्स को मैच नहीं करता, बल्कि वास्तव में आपके इरादे, आपकी शैली और आपकी जरूरतों को समझता है, और वह भी एक सहज बातचीत में।
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।