GenPage هو نظام ذكاء اصطناعي توليدي تم تطويره بواسطة Netflix ليحل محل خط التوصيات التقليدي متعدد المراحل من خلال إنشاء صفحات رئيسية مخصصة للمستخدم مباشرةً. تعمل GenPage على تعزيز سجل المستخدم وسياق الطلب كمطالبة لإنتاج الصفحة بأكملها، مما يؤدي إلى تحسين مشاركة المستخدم وتقليل زمن وصول الخدمة.
اعتمد حل Netflix السابق على “خط أنابيب معقد ومتعدد المراحل، مع مكونات منفصلة لإنشاء المرشحين وتصنيفهم”. تم تكرار هذه العملية لكل صف ولكل كيان داخل الصف، تليها المرحلة النهائية المسؤولة عن تخطيط الصفحة. في المقابل، تتبنى GenPage نهجًا من خطوة واحدة يوحد المستويات الثلاثة، واختيار العنصر، وبناء الصف، وإنشاء التخطيط، ضمن نموذج واحد:
أظهرت النماذج اللغوية الكبيرة أن النموذج التوليدي الواحد يمكنه أداء مهام متنوعة فقط عن طريق توليد استجابة للموجه. مستوحاة من نموذج الاستجابة السريعة هذا، قمنا بتدريب نموذج توليدي واحد لبناء الصفحة الرئيسية من خلال الإجابة مباشرة على سؤال واحد:
بالنظر إلى كل ما نعرفه عن هذا المستخدم وهذا الطلب، ما هي الصفحة الرئيسية التي يجب علينا إنشاؤها لتحقيق أقصى قدر من رضا المستخدم؟
إلى جانب تبسيط سير العمل في خطوة واحدة، يتفوق GenPage على النهج السابق من خلال تمكين تحسين الصفحة بأكملها. من خلال التعلم المعزز بعد التدريب (RL)، يمكنه حساب التفاعلات ليس فقط داخل الصفوف الفردية ولكن أيضًا عبر الصفوف وعلى مستوى العنصر:
على سبيل المثال، قد يلبي صف “متابعة المشاهدة” بالقرب من أعلى الصفحة نية المستخدم المباشرة بشدة، ولكنه يقلل أيضًا من مقدار الصفحة التي يتصفحها.
تسلط Netflix الضوء أيضًا على أن GenPage أكثر مرونة في التكيف مع أنواع المحتوى المختلفة ويمكن توسيعها بسهولة أكبر لتشمل تجارب المنتجات الجديدة وأشكال التخطيط المختلفة.
هناك نتيجتان رئيسيتان من استخدام الإنتاج هما أن إثراء الموجه كان أكثر تأثيرًا من توسيع نطاق سعة النموذج وأن RL بعد التدريب قدم فائدة إضافية غير متوقعة من خلال زيادة تنوع الصفحة الرئيسية وتخصيصها. وبشكل أكثر تحديدًا، لاحظ مهندسو Netflix أنه على الرغم من توسيع نطاق النموذج من 120 مليونًا إلى 900 مليون معلمة وتعزيز الأداء المحسن السريع، فإن الإثراء الفوري حقق مكاسب أكبر:
والفجوة بين الاثنين ملفتة للنظر. يؤدي توسيع النموذج من 120 مليونًا إلى 900 مليون معلمة إلى تقليل فقدان كريات الدم البيضاء بنسبة 1.3% تقريبًا، في حين يبلغ التأثير التراكمي لإثراء السياق حوالي 6.9%. في العديد من الحالات، توفر إضافة سياق واحدة جيدة التصميم تحسينًا أكبر من مقياس سعة النموذج الذي يصل إلى 7.5× بالكامل.
ومع ذلك، فقد لاحظوا أن إثراء السياق له عوائد متناقصة: بمجرد أن يصبح سياق المدخلات مشبعًا، فمن المرجح أن تصبح قدرة نموذج القياس المحرك الرئيسي لمزيد من التحسينات. وعلى نطاق أوسع، يقترحون أن الإثراء الفوري قد يكون أكثر فعالية من توسيع نطاق النموذج في إعدادات التخصيص الأخرى على مستوى الصناعة.
تم التحقق من صحة فوائد GenPage من خلال اختبار A/B، والذي أظهر تحسينات ذات دلالة إحصائية على مقياس مشاركة المستخدم الأساسي. هناك ميزة رئيسية أخرى تقدمها GenPage وهي تقليل زمن الوصول للخدمة الشاملة بنسبة 20%، على عكس الافتراض الشائع بأن النماذج التوليدية بطيئة بطبيعتها.
هناك الكثير في المقالة الأصلية مما يمكن تغطيته هنا، بما في ذلك تفاصيل حول كيفية تصميم النظام وتدريبه وما بعد التدريب، بالإضافة إلى المقايضات التي تمت مواجهتها والدروس المستفادة. تأكد من قراءة المقال كاملاً للحصول على نظرة شاملة.
