اگه تا حالا توی سایت‌هایی مثل eBay دنبال یه محصول می‌گشتید، حتماً براتون پیش اومده که اول یه چیزی سرچ کنید، بعد ببینید جوابش اون چیزی که می‌خواستید نبوده، پس دوباره یه جور دیگه بنویسید یا اصلاحش کنید. خلاصه تا برسید به همون چیزی که واقعاً می‌خواستید بگیرید.
حالا یه تیم تحقیقاتی اومده با کمک هوش مصنوعی، مخصوصاً از مدل‌های بزرگ زبانی (LLMs – یعنی همون سیستم‌هایی مثل ChatGPT که می‌تونن متن درست کنن و خیلی باهوشن)، راه جدیدی رو پیشنهاد دادن که این مسیر جستجو و خرید رو راحت‌تر و دقیق‌تر می‌کنه.
قبل از این، سیستم‌ها معمولاً هر سرچ و اصلاح (query reformulation) رو جدا جدا نگاه می‌کردن. یعنی هر بار که شما چیزی رو توی باکس سرچ می‌نوشتید و عوضش می‌کردید، فقط به همون سرچ فکر می‌کردن نه به کل مسیر و روند فکری شما. اما واقعیت اینه که مغز ما یه مسیر فکر کردن داره؛ مثلاً اول مینویسیم “کفش ورزشی”، به نتیجه‌ها نگاه می‌کنیم، بعد مینویسیم “کفش رانینگ سبک” و همین‌طور تا برسیم به چیزی که واقعاً توی ذهنمون بوده. این وسط اصلاح‌هایی که می‌زنیم بهش می‌گن “تغییرهای میانی” یا transitional queries.
تو این تحقیق جالب، یه چارچوب ساختن که دقیقاً این “تغییرهای میانی” رو توی مسیر جستجو رسم می‌کنه تا بفهمه کاربر چجوری مسیرش رو اصلاح می‌کنه و کم‌کم به نتیجه می‌رسه. برای این کار از داده‌های خیلی عظیم ثبت‌شده توی سایت eBay استفاده کردن؛ یعنی از گزارش‌های واقعی رفتار کاربرها که چی سرچ کردن و بعدش چی زدن و آخرش چی خریدن. با تحلیل این داده‌ها، تونستن سیکل کامل تغییر نیت کاربر رو مدل‌سازی کنن. اینطوری می‌تونن مثلاً پیش‌بینی کنن که اگه فلان کاربر “کفش نایک” سرچ کرد و چند بار تغییر داد، احتمالاً دنبال یه چیز خاصه و بتونن کمکش کنن سریع‌تر پیداش کنه.
نکته باحال دیگه اینه که از مدل‌های زبانی پیشرفته (Generative LLMs) استفاده کردن. این مدل‌ها می‌تونن خودشون جملات و سرچ‌های جدید بسازن که معنی و نیت اصلی رو نگه داره ولی متنوع باشه. یعنی حتی اگه کاربر بلانسبت، بلد نباشه دقیق سرچ کنه، سیستم می‌فهمه و براش گزینه‌های مشابه و مرتبط تولید می‌کنه. اینجوری کاربر توی جستجوهای پیشنهادشده (مثلاً Related Searches یا همون سرچ‌های پیشنهادی) خیلی راحت‌تر می‌تونه چیزی که واقعاً دنبالش بوده رو پیدا کنه یا جذب محصولات جدید بشه.
در عمل، وقتی این سیستم جدید رو با روش‌های قدیمی مقایسه کردن (مثلاً همون الگوریتم‌های collaborative filtering که فقط بر اساس رفتار جمعی پیشنهاد می‌دن)، دیدن تعامل کاربرها و حتی میزان خرید (conversion) بیشتر شده. این یعنی تأثیرش توی دنیای واقعی هم جواب داده و نه فقط روی کاغذ!
این تحقیقات سه تا دستاورد مهم داشتن:
۱- اول اینکه اصلاً همین خود ایده مدل‌سازی تغییرهای میانی سرچ کاربرها رو جدی گرفتن و پیاده کردن. ۲- دوم یه خط تولید داده ساختن که مسیر نیت کاربر رو از روی داده‌های واقعی بفهمه. ۳- سوم هم اینه که از مدل‌های زبانی جدید به‌طور مقیاس‌پذیر برای گسترش و پیشنهاد کردن اصلاح‌های باحال استفاده کردن.
در کل اگه بخوایم خلاصه کنیم، این مدل جدید، با نگاه کردن چندبعدی و هوشمند به رفتار جستجوی ما کاربرها، باعث میشه زودتر و راحت‌تر چیزی که می‌خوایم رو تو فروشگاه‌های آنلاین پیدا کنیم. دیگه لازم نیست ده بار تیتر رو عوض کنیم تا سیستم بفهمه منظورمون چیه! هوش مصنوعی مثل یه دوست باهوش میاد وسط و خودش کشف می‌کنه چی تو سر ماست! چقدر خوب؟
منبع: +
