Meta, компанія, яка володіє Facebook, Instagram, WhatsApp, Threads та іншими платформами, продовжує вдосконалювати рекомендаційні системи. У своїх останніх дослідженнях компанія презентувала новий підхід, що використовує генеративні моделі для кращого розуміння та реагування на потреби користувачів. Завдяки цьому підходу рекомендації стають більш змістовними та ефективними, порівняно з традиційними методами.
Про це Інформує Venturebeat.
Генеративні моделі здатні передбачати, який об’єкт або документ може зацікавити користувача, не вдаючись до пошуку у великих базах даних. Це відкриває широкі перспективи для програм, які працюють із рекомендаціями товарів, контенту чи інших елементів.
Традиційні системи рекомендацій базуються на обчисленні та зберіганні щільних представлень елементів. Для того щоб запропонувати користувачеві релевантний контент, система порівнює його запит із вбудованими представленнями об’єктів у базі даних. Однак, зі зростанням обсягу даних збільшуються витрати на зберігання та обчислення.
Генеративний пошук пропонує інший підхід. Замість пошуку в базі даних система передбачає наступний елемент у послідовності взаємодій користувача. Для цього використовуються так звані «семантичні ідентифікатори» (SID), які кодують контекстну інформацію про кожен елемент. Модель навчається прогнозувати наступний SID у послідовності, що дозволяє уникнути складного пошуку в базах даних і знижує витрати на зберігання.
Розвиток генеративного пошуку: LIGER та Mender
Попри переваги генеративного підходу, він має свої обмеження, зокрема труднощі з обробкою нових елементів або користувачів, які не мають історії взаємодії. Для вирішення цієї проблеми Meta створила гібридну систему LIGER. Ця система поєднує ефективність генеративного пошуку з точністю класичного підходу. LIGER під час висновків комбінує генеративні рекомендації з новими елементами, які потім ранжуються за релевантністю.
Окрім цього, Meta розробила метод Multimodal preference discerner (Mender), який додає нові можливості до генеративних рекомендацій. Завдяки використанню великих мовних моделей (LLM), Mender може аналізувати текстові відгуки користувачів і на їх основі адаптувати рекомендації до індивідуальних уподобань.
Вплив на корпоративні додатки
Інноваційні рішення Meta можуть значно змінити підхід до корпоративних рекомендаційних систем. Генеративний пошук знижує витрати на інфраструктуру, прискорює роботу та забезпечує ефективне управління даними незалежно від розміру каталогу. Це може бути корисним для таких галузей, як електронна комерція, корпоративний пошук і медіаплатформи.
Технологія генеративного пошуку все ще знаходиться на ранніх етапах розвитку, однак уже зараз вона демонструє свій потенціал. Подальші вдосконалення обіцяють зробити ці системи ще більш персоналізованими та адаптивними до потреб користувачів.
Нещодавно редакція сайту AI360 писала про те, як Meta представляє новий підхід для швидкого мислення ШІ, команда дослідників Meta представила модель Dualformer, яка поєднує підходи мислення людини та ШІ в одному алгоритмі.
