تُبنى أنظمة الإعلانات التقليدية للاستجابة لوحدات منفصلة من نية المستخدم. يبحث المستخدم عن شيء ما أو يشاهده عبر الإنترنت، فيستقبل نظام الإعلانات تلك الاستعلامات ومشاهدات الصفحات كأحداث، ويبحث النظام عن إعلانات مطابقة بناءً على تلك الأحداث. أما بناء منظومة إعلانية لـ ChatGPT فقد كان مختلفًا: تتطور نية المستخدم عبر المحادثات وتتحول على مدار عدة أدوار في المحادثة، وأحيانًا دون وجود لحظة إعلانية مناسبة. ولدعم هذا النموذج الجديد، بنينا نظامًا مخصصًا لتقديم الإعلانات. هذه المنظومة الإعلانية الجديدة تعتمد على نموذج LLM رائد مُدرَّب لاحقًا بشكل مخصص يجري استدعاءات أدوات للاسترجاع (تحديد الخيارات الأفضل)، والترتيب (التنبؤ بتفاعل المستخدم)، والملاءمة (تقييم فائدة الإعلان)، وإجراء المزادات للاختيار النهائي للإعلان وتسعيره.
يدعم نظام الإعلانات لدينا تفاصيل أهداف المستخدم المتطورة من خلال ثلاثة قرارات تصميمية رئيسية: 1) تنفيذ جلسات إعلانية ذات حالة، أي أن المعلومات تُحفظ عبر أدوار المحادثة وعبر محادثات متعددة، 2) الاعتماد على نموذج LLM مُدرَّب لاحقًا بشكل مخصص يستخدم بنية استدعاء الأدوات لتفسير سياق المحادثة والنية الكامنة وراءها، ثم اختيار الإعلانات وترتيبها وتقديمها بفعالية، و3) تشغيل عملية اختيار الإعلانات بشكل منفصل عن توليد إجابات ChatGPT، في خدمة مستقلة خاصة بها، لمنع الإعلانات من التأثير على الإجابات والحفاظ على الحياد في صوت ChatGPT. نستخدم نموذج LLM المُدرَّب لاحقًا لتنسيق تدفق الإعلانات بالكامل، وتحديد الإعلان المناسب للعرض في الوقت المناسب بناءً على دور المستخدم الحالي وتاريخ المحادثة. وبينما كان إطلاق نظام إعلانات ذاتي التحسّن كهذا يستغرق سنوات في السابق، بلغت إيرادات ChatGPT Ads المannualized المعدل السنوي 1 مليار دولار بعد أقل من 200 يوم من الإطلاق؛ والآن، شغّل أكثر من 100,000 من المعلنين إعلانات على ChatGPT منذ الإطلاق.
كيف ينبغي أن تعمل الإعلانات في الدردشة الوكيلة؟
يبدأ طلب الإعلان التقليدي عادةً بحدث محدد بدقة. يقدّم المستخدم استعلام بحث أو يفتح صفحة ويب، فيتلقى نظام الإعلانات طلبًا. هذا النوع من الأنظمة بسيط نسبيًا: يسترجع المرشحين المحتملين للإعلانات، ويرتبهم، ويجري مزادًا لتسعير الفرصة بشكل مناسب، ثم يعرض الإعلان الناتج للمستخدم. أما ChatGPT فلا ينتج بشكل طبيعي لحظة ملموسة من هذا النوع.
في محادثة ChatGPT، يأتي الناس بأهداف وليست باستعلام بحث ذي إجابة واحدة. قد يكونون يخططون لرحلة، أو يختارون برامج لأعمالهم، أو يؤثثون منزلًا، أو يتعلمون هواية جديدة. ولا يحدث كل هذا في دور واحد من المحادثة. كثيرًا ما يساعد ChatGPT المستخدم على توضيح ما يهمه على طول الطريق.
على سبيل المثال، سأل فريق الهندسة لدينا ChatGPT عن كيفية التدريب لسباق: تبدأ المحادثة بسؤال عام عن الجري. وبعد عدة أدوار، يسألون عن أحذية للمساعدة في التدريب. يتغير المعنى التجاري للمحادثة مع وصول كل قيد جديدة—ويتطور هذا السياق الشخصي عبر جلسات متعددة. النظام الذي يتصرف بناءً على الرسالة الأولى قد يسترجع نية خاطئة تمامًا، مما قد يضر بتجربة المستخدم ويقف في طريقه.
تطلّب بناء نظام الإعلانات لدينا تجاوز بنية الإعلانات من نوع الطلب-الاستجابة وبناء منظومة إعلانية من الصفر لاكتشاف الفرص الاقتصادية المحتملة مع إعطاء الأولوية لثقة المستخدم وقيمته.
ذاكرة المحادثة، دون التأثير على إجابات ChatGPT
تحويل كل رسالة إلى طلب مستقل، كما يفعل نظام الإعلانات التقليدي، كان سيحمل مخاطر عدة في حالة استخدام الدردشة لدينا: 1) سوء فهم هدف المستخدم بسبب تبسيطه المفرط، 2) البدء في تدفق الإعلانات قبل الأوان، قبل أن تتضح الحاجة الحقيقية للمستخدم، 3) عرض إعلانات تقف في طريق رحلة المستخدم بدلاً من دعمها، و4) إعادة تشغيل تدفق الإعلانات بكفاءة منخفضة في كل مرة يتغير فيها الطلب، مما يخلق ضجيجًا ويهدر التكلفة. بدلاً من البناء حول أحداث فردية، يحافظ نظام الإعلانات (المكوّن من الاسترجاع والترتيب والتقديم) على جلسة ذات حالة، أي أن الجلسة الإعلانية تستمر طوال مدة الدور المؤهل، مع تذكّر المعلومات وتحديثها كلما تطورت. يرسل ChatGPT سياق الطلب الأولي إلى خادم الإعلانات. يتابع نظام الإعلانات التبادل المتطور ويتكيف معه بدلاً من الاعتماد على استعلام واحد مسطّح.
تُشغَّل عملية اختيار الإعلانات إلى جانب توليد الاستجابة الطبيعي لـ ChatGPT لضمان عدم تأثير تدفق الإعلانات على استجابات ChatGPT. تُفلتر الإعلانات وتُختار من خلال نظام منفصل يعالج المحادثة وفق قيوده الخاصة بالأهلية والجودة والتقديم. يتيح هذا الحد المعماري المهم—خدمات مختلفة تستخدم نماذج منفصلة وشيفرة منفصلة—لخوادم ChatGPT الأساسية التعامل مع توليد الاستجابة العضوية؛ وفي الوقت نفسه، يقيّم نظام الإعلانات بشكل مستقل ما إذا كانت هناك فرصة إعلانية مناسبة، وإذا وُجدت، يجهّز موضعًا مدعومًا عبر عملية تقديم منفصلة.
تُدار الإعلانات بالتوازي مع مسار إجابة ChatGPT.
إلى جانب حماية تجربة المستخدم، لهذا الفصل عواقب عملية أيضًا. لا يعتمد ChatGPT على نظام الإعلانات—فالخدمات غير مترابطة بأي شكل ولا تتشارك نموذج توليد محتوى. لذا إذا كان نظام تقديم الإعلانات غير متاح أو بطيئًا، تستمر الاستجابة العضوية لـ ChatGPT دون تأثر. هذا يعني أن نظام الإعلانات لا يستطيع تعطيل منتج ChatGPT أو تأخيره. الفائدة الأخرى لهذا الفصل هي أنه يُبقي عتبة الإعلانات القيّمة مرتفعة جدًا. فعدم إرجاع أي إعلان هو نتيجة عادية وناجحة. لا يقدّم النظام إعلانًا إلا إذا كان مفيدًا بوضوح للمستخدمين والمعلنين على حد سواء.
نموذج لغوي كبير (LLM) يفسّر المحادثات ويستدعي الأدوات
المكوّن المعماري الرئيسي الآخر في منظومة إعلاناتنا هو نموذج LLM المدرَّب لاحقًا الذي يفسّر المحادثات ويشغّل مسار الإعلانات بأكمله في حلقة وكلائية (agentic loop)—إذ يجري استدعاءات أدوات للوظائف الأساسية لنظام الإعلانات، من مرحلة الاسترجاع إلى الترتيب ثم المزاد وأخيرًا التسليم. نسمي نموذج LLM هذا المنسّق.
الجزء الأول من مسار الإعلانات هو فهم نية المستخدم لبدء عملية الاسترجاع، وهي عملية سريعة وواسعة عمدًا لجمع الإعلانات المحتملة من أجل فلترتها لاحقًا. إن استقبال المحادثة بشكل تدريجي يخلق مشكلة استرجاع أغنى لكنها أكثر غموضًا، لأن نظام الإعلانات يحتاج إلى التمييز بين النية الحالية والسياق القديم. ويجب على المنسّق أن يفسّر الإشارات إلى الرسائل السابقة، وأن يتعرّف على متى يتحدث المستخدم بصيغة افتراضية، وأن يتجنّب اعتبار كل ذكر لمنتج أو خدمة طلبًا لشراء شيء ما.
يستخدم منسّق الإعلانات المحادثة المتاحة وسياق المستخدم، ويعمل تكراريًا للعثور على إعلانات جيدة، ويختار بشكل متكرر متى يستدعي أي أداة، بهدف أساسي هو العثور على الإعلان الأكثر ملاءمة (الإعلان الذي يوازن بين قيمة عالية للمستخدم وقيمة عالية للمعلن) لتلك المحادثة وذاك السياق. وإذا اختار المستخدم تخصيص الإعلانات، فإن المنسّق يأخذ في الاعتبار أيضًا المعلومات غير الحساسة المتاحة عن محادثات المستخدم السابقة للعثور على أفضل تطابقات الإعلانات.
يستدعي منسّق الإعلانات أدوات تسليم الإعلانات بشكل تكراري للعثور على إعلانات ذات قيمة.
مع تقدّم المحادثة وحصول منسّق الإعلانات على معلومات أكثر حداثة، يمكن للمنسّق تشغيل مجموعة جديدة من استدعاءات الأدوات بالسياق المحدّث للعثور على إعلانات أفضل وإعادتها إلى العميل، الذي يمكنه بعد ذلك استخدام هذه الإعلانات الجديدة إذا وصلت في الوقت المناسب.
صُمّم المنسّق ليوازن بين قيمة المستخدم وقيمة المعلن، مع وضع المستخدمين دائمًا في المقام الأول.
كيفية استدعاء المنسّق لأدوات الإعلانات في حلقة وكلائية
يتكوّن نظام الإعلانات من أدوات فردية، ويستدعيها المنسّق بشكل تكراري للعثور على أفضل الإعلانات لمحادثة ما. وعلى مستوى عالٍ، يحوّل المنسّق المحادثات إلى ملخصات نصية موجزة، تُحوَّل بعد ذلك إلى تمثيلات دلالية (معاني مخزّنة يسهل على نظام الإعلانات فرزها)، ثم يسترجع الإعلانات المرشحة باستخدام تلك التمثيلات الدلالية، ويفلتر تلك المرشحين من حيث الأهلية (استنادًا إلى الميزانية وإعدادات المستخدم وفحوصات أولية أخرى)، ويقيّم جودتها ومدى ملاءمتها، ويجري ترتيبًا نهائيًا لتحديد الفرص عالية القيمة للعرض في نهاية رد الدردشة. لذا يجب أن يحقّق كل إعلان معيارًا عاليًا من الأهلية والملاءمة ليكون مؤهلاً للعرض.
إعداد استعلامات الاسترجاع التي تجسّد النية
يُعدّ نموذج LLM المنسّق أولًا استعلامًا واحدًا أو أكثر يمثّل النية التجارية ذات الصلة. وقد يشمل ذلك إعادة صياغة سياق المحادثة لتوسيع الاحتمالات التجارية بما يتجاوز استعلامات البحث 1:1، ثم إنشاء تمثيلات دلالية، حيث يقوم المنسّق بتقطير محادثة متعددة الأدوار إلى نسخة ملخّصة لمنظومة الاسترجاع—مسترجعًا الإعلانات من قاعدة بياناتنا بطريقة مركّزة.
ستكون مواضع عرض الإعلانات أفضل للمستخدمين والمعلنين على حد سواء إذا لم تظهر إلا عندما يكون هناك فهم عميق لنية المستخدم. ويمكن لاستعلامات متعددة أن تحفظ جوانب مختلفة من النية. فمحادثة حول التخطيط لرحلة، على سبيل المثال، قد تحتوي على احتياجات مميزة تتعلق بالنقل أو الإقامة أو الأنشطة. ويمكن لمنظومة الاسترجاع أن تحفظ هذه التمييزات بدلاً من ضغط المحادثة بأكملها في سلسلة نصية حرفية واحدة.
كمثال، لنلقِ نظرة على تسلسل محادثة محتمل حول أحذية المشي لمسافات طويلة:
ماذا يجب أن أزور في رحلة ليومين إلى يوسيميتي؟
هل سيكون الجو باردًا الأسبوع القادم؟
خطوط منتجات جديدة لـ [أدخل العلامة التجارية]؟
على الرغم من أن المستخدم لم يربط سؤال علامة обувية التجارية برحلة يوسيميتي، فقد تُمثَّل هذه المحادثة في نظام إعلاناتنا باستعلامين، مثل [shoes appropriate for hiking trip] و [new [brand] product lines good for travel]. وقد يكون هذا مجرد المحاولة الأولى؛ إذ صُمّم المنسّق للعمل تكراريًا على هذه التمثيلات حتى يعثر على إعلانات في مخزوننا تُعدّ ذات قيمة عالية للمستخدم.
استرجاع الإعلانات المحتملة
الاسترجاع هو عملية إنشاء مجموعة واسعة عمدًا من خيارات الإعلانات. وقد يأتي المرشحون من استراتيجيات استرجاع مختلفة، ويمكنهم لاحقًا التنافس في ظل قيود الخدمة نفسها. نحن نبني فهارس متعددة محسّنة لقيود مختلفة على مستوى النظام والمنتج (على سبيل المثال، الفهرس الخاص بإعلانات خلاصات المنتجات مصمم ليكون مدركًا للمراجعات الإيجابية أو السلبية للمنتجات أثناء جلب أفضل الإعلانات الممكنة. وهذا لا ينطبق على إعلانات أخرى قد لا ترتبط بها مراجعات). وكل فهرس محسّن لنسخة ما من البحث التقريبي لأقرب الجيران (ANN)، باستخدام تمثيلات دلالية تمثّل نية المستخدم. وهذا البحث ANN هو خوارزمية تقريبية للاسترجاع عبر فهارس دلالية ضخمة، أي تُجلب الإعلانات بسرعة كبيرة، مع الاقتراب من حل جيد بدلاً من البحث عن الحل «الصحيح»، مع الاحتفاظ بمعظم المرشحين ذوي الصلة.
يستخدم نظام الإعلانات استعلامات معاد صياغتها لإنشاء تمثيلات دلالية أثناء عملية استرجاع الإعلانات وإنتاج مجموعة واسعة من مرشحي الإعلانات.
فلترة المرشحين غير المؤهلين
الهدف من التصفية هو استبعاد جميع مرشحات الإعلانات من الاعتبار التي لا تستوفي المعيار المطلوب للعرض من حيث الصلة والمزايدات والميزانية. حسب المرشح والإعدادات، يمكن أن تشمل فحوصات التصفية توفر الإعلانات والحملات (ما إذا كانت الحملة أو الإعلانات الإبداعية نشطة)، واستهداف الحملة (على سبيل المثال، المواقع الجغرافية المسموح للحملة بالعمل فيها)، وقيود السياسات (متطلبات الامتثال المتعلقة بما يمكن الإعلان عنه)، وتوفر الميزانية (ما إذا كانت الحملة لا تزال لديها ميزانية متاحة للإنفاق)، وتنظيم الوتيرة (ما إذا كان ينبغي لحملة ما إنفاق الميزانية الآن مقارنة بوقت آخر من اليوم)، وتوافق موضع العرض (أنواع المحادثات التي يكون هذا الإعلان مؤهلاً لها)، وإزالة التكرار على مستوى المعلن والحملة (اختيار عدد مناسب من الإعلانات لكل معلن لضمان مشاركة عادلة بين الشركات).
تقييم الصلة والجودة
المرشحات التي تجتاز فحوصات الأهلية تنتقل إلى مرحلة التسجيل، حيث يجري المنسق استدعاءات أدوات ل variousأنظمة تسجيل متنوعة—لأغراض العرض مثل الصلة الدلالية (هل الإعلان ذو صلة بهدف المستخدم؟)، والمشاركة المتوقعة (هل من المرجح أن يُشاهد الإعلان ويُنقر عليه ويتحقق النتيجة المرغوبة للمعلن؟)، والأداء التاريخي (هل أدى الإعلان جيدًا عند عرضه على المستخدمين حتى الآن؟). كما يقوم المنسق بتصفية الإعلانات لضمان الصلة والسلامة قبل المزاد. تعمل هذه الأنظمة على تضييق المجال إلى مجموعة مرشحين أصغر جاهزة للمزاد، لكنها مع ذلك لا تحدد الإعلان النهائي الذي سيُسلَّم.
تشغيل مزاد الإعلانات
يقيّم المنسق المرشحات المُجهَّزة في سياق المحادثة ويختار أي مرشحات الإعلانات معقولة بما يكفي لدخول المزاد النهائي. لا يقرر المنسق بشكل مباشر أي إعلان سيُعرض، ولا يحدد السعر. بل يرشّح المرشحات الملائمة سياقيًا لتقييمها بواسطة أداة المزاد.
يطبّق المزاد آليات العرض النهائية، بما في ذلك قبول المزاد (تجاوز حد أدنى من الصلة والقيمة)، وتنظيم الوتيرة (إنفاق ميزانية الإعلان بشكل أكثر توازناً)، وحساب المزايدة وميزات المزاد، والترتيب المعدّل حسب الجودة، والتسعير، والاختيار النهائي.
فحوصات الأهلية النهائية
بعد المزاد، هناك طريقتان قد يفشل بهما تسليم الإعلان، وكلتاهما خاصتان بوسيط المحادثة في ChatGPT.
قد لا يبدو الإعلان مناسبًا في الدردشة: رغم أن المحادثة نفسها اعتُبرت آمنة لوضع الإعلانات من قِبل نماذج السلامة (النماذج التي تقرر متى يكون من المناسب عرض إعلان)، وأن الإعلان نفسه اعتُبر متوافقًا مع السياسات، فقد يبدو الإعلان أحيانًا غير مناسب في سياق محادثات معينة. يحجب المنسق هذه الإعلانات ويمنع عرضها.
قد لا يصل طلب الإعلان في الوقت المناسب: إذا كان نموذج ChatGPT جاهزًا للرد لكن الإعلان لم يكن جاهزًا بعد للوضع، فإن طلب الإعلان ينتهي مهلته ولا يُسلَّم الإعلان. لذلك، أحد أهداف نظام الإعلانات هو العمل بأسرع سرعة ممكنة. وقت استجابة نموذج ChatGPT ديناميكي، ولا نؤخر استجابات الدردشة انتظارًا لتحميل الإعلانات.
إذا استُوفيت جميع الفحوصات المذكورة أعلاه، نرسل الإعلان إلى الواجهة الأمامية للعرض. نعتبر هذا تسليمًا للإعلان من جهة الخادم delivery، لكننا قد لا نعرض الإعلان على المستخدم مع ذلك—وهذا مقصود بحسب التصميم.
الخطوة الأخيرة: عرض الإعلانات على المستخدم
في منتج محادثة مثل ChatGPT، لا يضمن تسليم الإعلان الإبداعي من جهة الخادم عرض الإعلان؛ إذ يجب أن يصل الإعلان أيضًا في الوقت المناسب ليُدرج في الدور الحالي. يتضمن الإعلان الإبداعي العنوان والوصف ورابط الوجهة وأي دعوة لاتخاذ إجراء. إضافةً إلى ذلك، يعيد نظام الإعلانات أيضًا تمهيدًا منشأً بواسطة النموذج، وهو مقدمة قصيرة ومحايدة تشرح كيف يرتبط الإعلان بالمحادثة. الحفاظ على فصل التمهيد عن الإعلان الإبداعي يحافظ على رسالة المعلن مع إبقاء صوت ChatGPT محايدًا.
تستقبل الواجهة الأمامية لـ ChatGPT التمهيد والإعلان الإبداعي كحزمة واحدة. إذا وصلت الحزمة قبل اكتمال توليد رد ChatGPT، تعرض الواجهة الأمامية الإعلان أسفل رد ChatGPT، مع تصنيفه بوضوح كمحتوى مدعوم. إذا وصلت متأخرة جدًا، لا يُعرض الإعلان في ذلك الدور. هذا هو الفرق بين تسليم الإعلان من جهة الخادم وانطباع الإعلان المرئي للمستخدم.
اختيار الفائز والتسليم حدثان منفصلان. لا يصبح الإعلان المختار تسليمًا إلا بعد أن يوافق ChatGPT على موضع العرض ويعرضه، وبعد الإقرار بالتسليم.
ماذا يحدث بعد عرض الإعلان
يستخدم نظام الإعلانات لدينا سجلات التقليد (logging) وخطوط معالجة البيانات التقليدية، لها ثلاث فوائد رئيسية: يمكن للمعلنين دمج أنظمتهم الحالية مع نظامنا بسهولة أكبر، ويمكن للمعلنين تحسين استراتيجياتهم ببيانات التقارير، ويمكن لفريقنا إيجاد أجزاء من النظام لتحسينها. وإلى جانب أدوات التقارير والتحسين هذه، ننشر نموذجًا عالي الجودة لتقييم عمليات التسليم لدينا وتدريب نماذج إعلانات أخرى، مما يخلق حلقة تحسين ذاتي قوية.
التفاصيل الدقيقة لما حدث تساعدنا على فهم كل جزء من نظام الإعلانات وتحسينه على حدة. كما يسجّل نظام معالجة السجلات نتائج تفصيلية مثل:
لم يكن الدور مؤهلاً للإعلان.
بدأت جلسة إعلانات ولكن لم يُطلب أي استرجاع.
أعاد الاسترجاع دون أي مرشحات.
استُرجعت المرشحات لكنها فشلت في التغذية (hydration) أو الأهلية.
سُلِّم إعلان ثم تلقى تفاعلاً لاحقًا.
تساعدنا هذه التفاصيل الدقيقة على تحسين كل جزء من نظام عرض الإعلانات على حدة. تحسين اكتشاف الفرص يتطلب أدلة مختلفة عن تحسين الاسترجاع أو جودة المرشحين أو المشاركة في المزاد أو موثوقية التسليم.
أنظمة التسليم والعرض والجودة تراقب أجزاءً مختلفة من دورة الحياة. وتحدد المعالجة الخاضعة لضوابط الخصوصية ما يمكن استخدامه للقياس وتحسين النماذج.
نماذج عالية القدرة تقيّم وتحسّن المنظومة بأكملها
تكمن الفكرة وراء التقييم القائم على النماذج في أن أقوى نماذجنا وأعلاها في الاستدلال تراقب وتحكم على نتائج نظامنا، ثم تحسّن النموذج اللغوي المدرَّب لاحقًا من خلال تدريبه على الأداء بشكل أفضل. على سبيل المثال، يمكننا استخدام نماذج أصغر وأكثر كفاءة أو نماذج أقل في الاستدلال للتنسيق أو الاسترجاع، إذا كان أقوى نماذجنا يجمع الملاحظات ويدرّب هذه العمال الصغار على أداء العمل بأفضل شكل ممكن.
الملاحظات البشرية توجّه الاتجاه الراقي
نجمع الملاحظات البشرية ونتصرف بناءً عليها (النقرات والإخفاء من المستخدمين)، إضافة إلى استطلاعات للمستخدمين وملاحظات مباشرة من المعلنين عبر مدير الإعلانات لدينا. كما نُتيح فريقنا لتقديم الملاحظات أثناء البناء، ونستمع مباشرة إلى ما يريده مستخدمو ChatGPT والمعلنون على حد سواء. هذا المصدر من الملاحظات يوجّه اتجاهنا أكثر حتى من الملاحظات الرصدية للنموذج، وهو جزء مما مكّننا من التكرار بسرعة نحو قرارات المنتج الصحيحة. قد يتمكن النموذج من فهم نية المستخدم والتفكير النقدي لتقديم شيء ذي قيمة، لكن الناس هم من يشكّلون الذوق.
الخطوات القادمة
قبل عام، لم يكن لدينا نظام إعلانات وكان هناك بضعة أشخاص فقط يفكرون في هذا المجال. أما الآن فلدينا نظام إعلانات متين يشغّل أكثر من 1 مليار دولار من معدل التشغيل السنوي، مع منسّق قائم على النماذج اللغوية الكبيرة يدير تدفق الإعلانات. كان Codex مضاعف قوة أساسيًا مكّننا من تأسيس نظامنا لتحقيق هذا الإنجاز الكبير في الاستخدام بسرعة لا مثيل لها. منذ البداية، أعددنا الفريق وآليات سير العمل لاستخدام Codex من أجل بناء النظام وتوسيعه بسرعة. وبنينا ضمانات لـ Codex لشحن الكود بشكل موثوق وآمن. وفي الوقت نفسه، أنشأنا إضافات بنية تحتية للبيانات لـ Codex لتضييق حلقة جمع الرؤى وتنفيذ التحسينات على النظام بشكل كبير، بما في ذلك ميزات منتج جديدة وتحسينات في الجودة وأداء أفضل للنظام.
إن الجمع بين حدود نظامنا (المستندة إلى مبادئ الإعلاناتالخاصة بنا) ومنسّقنا القائم على النماذج اللغوية الكبيرة يتيح لنا جعل الإعلانات مفيدة دون التعامل مع كل محادثة كطلب إعلاني. ونظرًا للمستقبل، سنواصل تجربة صيغ إعلانية أكثر ديناميكية لزيادة القيمة للمستخدمين (مثل منح المستخدمين القدرة على التحدث مباشرة مع الشركات عبر الإعلانات) والقيمة للمعلنين. إن بنية الحزمة ذاتية التحسين، المبنية على نماذج OpenAI مع حلقات ملاحظات مستمرة، ستسرّع قدرتنا على مواصلة تحسين الملاءمة والتخصيص مع مرور الوقت.