Traditionelle Werbesysteme sind darauf ausgelegt, auf diskrete Einheiten der Nutzerabsicht zu reagieren. Ein Nutzer sucht etwas online oder betrachtet es, das Werbesystem erhält diese Suchanfragen und Seitenaufrufe als Ereignisse, und das System sucht anhand dieser Ereignisse nach passenden Anzeigen. Der Aufbau eines Werbe-Stacks für ChatGPT war anders: Die Nutzerabsicht entwickelt sich über Konversationen hinweg und verändert sich über mehrere Gesprächsrunden, manchmal ohne einen passenden Werbemoment. Um dieses neue Paradigma zu unterstützen, haben wir ein maßgeschneidertes Auslieferungssystem für Werbung gebaut. Dieser neue Typ von Werbe-Stack basiert auf einem custom, post-trainierten Frontier-LLM, das Tool-Aufrufe für Retrieval (Identifizierung der Top-Optionen), Ranking (Vorhersage der Nutzerinteraktion), Relevanz (Bewertung des Nutzens der Anzeige) und die Durchführung von Auktionen für die finale Anzeigenauswahl und Preisgestaltung macht.
Unser Werbesystem unterstützt die Nuancen sich entwickelnder Nutzerziele durch drei zentrale Designentscheidungen: 1) die Implementierung zustandsbehafteter Werbesitzungen, d. h. Informationen werden über mehrere Runden einer Konversation und über mehrere Konversationen hinweg gespeichert, 2) die Nutzung eines custom, post-trainierten LLM, das eine Tool-Call-Architektur verwendet, um den Kontext und die zugrunde liegende Absicht einer Konversation zu interpretieren und dann effektiv Anzeigen auszuwählen, zu ranken und auszuliefern, und 3) die getrennte Ausführung des Anzeigenauswahlprozesses von ChatGPTs Antwortgenerierung, in einem eigenen Dienst, um zu verhindern, dass Werbung Antworten beeinflusst, und um ChatGPTs neutrale Stimme zu bewahren. Wir nutzen unser post-trainiertes LLM, um den gesamten Werbeablauf zu orchestrieren und die richtige Anzeige zur richtigen Zeit zu bestimmen, basierend sowohl auf der aktuellen Runde des Nutzers als auch auf dem Gesprächsverlauf. Während der Aufbau eines sich selbst verbessernden Werbesystems früher Jahre dauerte, erreichte ChatGPT Ads eine annualisierte Umsatz-Run-Rate von $1 Milliarden weniger als 200 Tage nach dem Start; inzwischen haben seit dem Start mehr als 100,000 Werbetreibende Anzeigen auf ChatGPT geschaltet.
Wie sollte Werbung im agentischen Chat funktionieren?
Eine konventionelle Werbeanfrage beginnt in der Regel mit einem klar definierten Ereignis. Ein Nutzer sendet eine Suchanfrage ab oder öffnet eine Webseite, und das Werbesystem erhält eine Anfrage. Ein solches System ist ziemlich einfach: Es ruft potenzielle Anzeigenkandidaten ab, rankt sie, führt eine Auktion durch, um die Gelegenheit angemessen zu bepreisen, und zeigt dem Nutzer die resultierende Anzeige. ChatGPT erzeugt von Natur aus keinen solchen konkreten Moment.
In einer ChatGPT-Konversation kommen Menschen mit Zielen anstatt mit einer Ein-Antwort-Suchanfrage. Sie planen vielleicht eine Reise, wählen Software für ihr Unternehmen aus, richten ein Zuhause ein oder lernen ein neues Hobby. Das alles passiert nicht in einer einzigen Runde einer Konversation. ChatGPT hilft dem Nutzer oft dabei, im Verlauf zu klären, was ihm wichtig ist.
Als Beispiel fragte unser Engineering-Team ChatGPT, wie man sich für ein Rennen vorbereiten kann: Eine Konversation beginnt mit einer allgemeinen Frage über Laufen. Mehrere Runden später fragen sie nach Schuhen zur Trainingsunterstützung. Die kommerzielle Bedeutung der Konversation verändert sich mit jeder neuen Rahmenbedingung – und dieser personalisierte Kontext entwickelt sich über mehrere Sitzungen hinweg. Ein System, das auf die erste Nachricht reagiert, könnte die völlig falsche Absicht erfassen, was die Nutzererfahrung potenziell verschlechtern und den Nutzer behindern würde.
Der Aufbau unseres Werbesystems erforderte, dass wir über die Request-Response-Werbearchitektur hinausgingen und einen Werbe-Stack von Grund auf neu bauten, um potenzielle wirtschaftliche Chancen zu finden und dabei Nutzervertrauen und -wert priorisieren.
Konversationsspeicher, ohne ChatGPT-Antworten zu beeinflussen
Jede Nachricht in eine eigenständige Anfrage umzuwandeln, wie es ein traditionelles Werbesystem tun würde, hätte in unserem Chat-Anwendungsfall einige Risiken mit sich gebracht: 1) das Nutzerziel durch übermäßige Vereinfachung falsch zu interpretieren, 2) den Werbeablauf zu früh zu beginnen, bevor der tatsächliche Bedarf des Nutzers klar geworden ist, 3) Anzeigen zu zeigen, die die Nutzerreise behindern, statt sie zu unterstützen, und 4) den Werbeablauf bei jeder Anfrageänderung ineffizient neu auszuführen, was Rauschen erzeugt und Kosten verschwendet. Statt um einzelne Ereignisse herum zu bauen, unterhält das Werbesystem (bestehend aus Retrieval, Ranking und Auslieferung) eine zustandsbehaftete Sitzung, d. h. die Werbesitzung läuft für die Dauer einer berechtigten Runde und speichert und aktualisiert Informationen, während sie sich entwickeln. ChatGPT sendet den anfänglichen Anfragekontext an den Werbeserver. Das Werbesystem folgt dem sich entwickelnden Austausch und passt sich ihm an, statt sich auf eine einzige abgeflachte Anfrage zu verlassen.
Der Anzeigenauswahlprozess läuft parallel zu ChatGPTs normaler Antwortgenerierung, um sicherzustellen, dass der Werbeablauf ChatGPTs Antworten nicht beeinflusst. Anzeigen werden durch ein separates System gefiltert und ausgewählt, das die Konversation unter seinen eigenen Berechtigungs-, Qualitäts- und Auslieferungsbedingungen verarbeitet. Diese wichtige architektonische Grenze – verschiedene Dienste mit separaten Modellen und separatem Code – erlaubt es den zentralen ChatGPT-Servern, die organische Antwort zu generieren; währenddessen bewertet das Werbesystem unabhängig, ob es eine angemessene Werbegelegenheit gibt, und bereitet in diesem Fall eine gesponserte Platzierung über einen separaten Auslieferungsprozess vor.
Werbung läuft parallel zum ChatGPT-Antwortpfad.
Über den Schutz der Nutzererfahrung hinaus hat diese Trennung einige praktische Konsequenzen. ChatGPT hat keine Abhängigkeit vom Werbesystem – die Dienste sind in keiner Weise verflochten und teilen sich kein Content-Generierungsmodell. Wenn also das Werbeauslieferungssystem nicht verfügbar oder langsam ist, läuft ChatGPTs organische Antwort unbeeinträchtigt weiter. Das bedeutet, dass das Werbesystem das ChatGPT-Produkt weder lahmlegen noch verzögern kann. Der andere Vorteil dieser Trennung ist, dass sie die Messlatte für wertvolle Anzeigen sehr hoch hält. Keine Anzeige zurückzugeben ist ein gewöhnliches, erfolgreiches Ergebnis. Das System liefert nur dann eine Anzeige aus, wenn sie für Nutzer und Werbetreibende eindeutig von Vorteil ist.
Ein LLM interpretiert Konversationen und ruft Tools auf
Die andere zentrale Architekturkomponente unserer Ads-Infrastruktur ist das post-trainierte LLM, das Konversationen interpretiert und den gesamten Ads-Ablauf in einer agentischen Schleife ausführt—es ruft Tools für die Kernfunktionen des Ads-Systems auf, von der Retrieval-Phase über das Ranking bis zur Auktion und schließlich zur Auslieferung. Wir nennen dieses LLM den Orchestrator.
Der erste Teil eines Ads-Ablaufs besteht darin, die Absicht des Nutzers zu verstehen, um den Retrieval-Prozess zu starten, bei dem es sich um eine schnelle und bewusst breite Beschaffung potenzieller Anzeigen handelt, die später gefiltert werden. Der inkrementelle Empfang der Konversation schafft ein reichhaltigeres, aber auch mehrdeutiges Retrieval-Problem, da das Ads-System aktuelle Absichten von veraltetem Kontext unterscheiden muss. Der Orchestrator muss Bezüge auf frühere Nachrichten interpretieren, erkennen, wann ein Nutzer hypothetisch spricht, und vermeiden, jede Erwähnung eines Produkts oder einer Dienstleistung als Kaufanfrage zu behandeln.
Der Ads-Orchestrator nutzt die verfügbare Konversation und den Nutzerkontext und iteriert, um gute Anzeigen zu finden, und trifft wiederholt die Entscheidung, wann er welches Tool aufruft, mit dem zugrunde liegenden Ziel, die passendste Anzeige (die Anzeige, die hohen Nutzernutzen und hohen Werbetreibendenwert ausbalanciert) für diese Konversation und diesen Kontext zu finden. Wenn der Nutzer Personalisierung von Anzeigen wählt, berücksichtigt der Orchestrator auch verfügbare nicht-sensible Informationen über frühere Konversationen des Nutzers, um die besten Anzeigen-Treffer zu finden.
Der Ads-Orchestrator ruft iterativ Tools zur Anzeigenauslieferung auf, um wertvolle Anzeigen zu finden.
Während die Konversation fortschreitet und der Ads-Orchestrator aktuellere Informationen erhält, kann der Orchestrator einen neuen Satz von Tool-Aufrufen mit dem aktualisierten Kontext ausführen, um bessere Anzeigen zu finden und sie an den Client zurückzugeben, der diese neuen Anzeigen dann verwenden kann, wenn sie rechtzeitig eintreffen.
Der Orchestrator ist darauf ausgelegt, Nutzernutzen und Werbetreibendenwert auszubalancieren und dabei stets die Nutzer an erste Stelle zu setzen.
Wie der Orchestrator Anzeigen-Tools in einer agentischen Schleife aufruft
Das Ads-System besteht aus einzelnen Tools, und der Orchestrator ruft sie iterativ auf, um die besten Anzeigen für eine Konversation zu finden. Auf hoher Ebene verwandelt der Orchestrator Konversationen in kurze Textzusammenfassungen, die anschließend in semantische Embeddings umgewandelt werden (gespeicherte Bedeutungen, die für ein Ads-System leichter zu durchforsten sind), ruft mithilfe dieser semantischen Embeddings Anzeigenkandidaten ab, filtert diese Kandidaten auf ihre Zulässigkeit (basierend auf Budget, Nutzereinstellungen und anderen vorläufigen Prüfungen), bewertet ihre Qualität und Relevanz und führt ein abschließendes Ranking durch, um hochwertige Opportunities für eine Platzierung am Ende einer Chat-Antwort zu identifizieren. Jede Anzeige muss daher eine hohe Hürde bei Zulässigkeit und Relevanz erfüllen, um für eine Platzierung infrage zu kommen.
Vorbereiten von Retrieval-Abfragen, die die Absicht erfassen
Das Orchestrator-LLM erstellt zunächst eine oder mehrere Abfragen, die die relevante kommerzielle Absicht darstellen. Dies kann das Umschreiben des Konversationskontexts umfassen, um die kommerziellen Möglichkeiten über 1:1-Suchabfragen hinaus zu erweitern, und anschließend das Erstellen semantischer Repräsentationen, bei denen der Orchestrator eine Multi-Turn-Konversation zu einer zusammengefassten Version für das Retrieval-System destilliert—wodurch Anzeigen gezielt aus unserer Datenbank abgerufen werden.
Anzeigenplatzierungen sind für Nutzer und Werbetreibende besser, wenn sie nur erscheinen, wenn die Absicht des Nutzers tiefgreifend verstanden wurde. Mehrere Abfragen können verschiedene Aspekte der Absicht bewahren. Eine Konversation über die Planung einer Reise kann beispielsweise unterschiedliche Bedürfnisse in Bezug auf Transport, Unterkunft oder Aktivitäten enthalten. Das Retrieval-System kann diese Unterschiede bewahren, anstatt die gesamte Konversation in eine einzige wörtliche Zeichenkette zu komprimieren.
Als Beispiel betrachten wir eine mögliche Konversationsfolge über Wanderschuhe:
Was sollte ich bei einem zweitägigen Ausflug nach Yosemite bedenken?
Wird es nächste Woche kalt?
Neue Produktlinien von [Markenname einfügen]?
Auch wenn der Nutzer die Frage nach der Schuhmarke nicht mit der Yosemite-Reise verknüpft hat, könnte diese Konversation in unserem Ads-System durch zwei Abfragen dargestellt werden, etwa [shoes appropriate for hiking trip] und [new [brand] product lines good for travel]. Dies kann nur der erste Versuch sein; der Orchestrator ist darauf ausgelegt, an diesen Repräsentationen zu iterieren, bis er Anzeigen in unserem Bestand findet, die für den Nutzer sehr wertvoll sind.
Abrufen möglicher Anzeigen
Retrieval ist der Prozess der Erstellung eines bewusst breiten Pools von Anzeigenoptionen. Kandidaten können aus unterschiedlichen Retrieval-Strategien stammen und später unter denselben Auslieferungsbedingungen konkurrieren. Wir bauen mehrere Indizes, die für unterschiedliche System- und Produktbeschränkungen optimiert sind (beispielsweise ist der Index für Product-Feed-Anzeigen so konzipiert, dass er beim Abrufen der bestmöglichen Anzeigen positive oder negative Produktbewertungen berücksichtigt. Dies ist für andere Anzeigen nicht relevant, denen möglicherweise keine Bewertungen zugeordnet sind). Jeder Index ist für eine Version der Approximate-Nearest-Neighbor-Suche (ANN) optimiert und verwendet Embeddings, die die Absicht des Nutzers darstellen. Diese ANN-Suche ist ein Approximationsalgorithmus für das Retrieval über große semantische Indizes, d. h. Anzeigen werden sehr schnell abgerufen, wobei man sich einer guten Lösung nähert, anstatt nach „der richtigen“ Lösung zu suchen, während die meisten relevanten Kandidaten erhalten bleiben.
Das Ads-System verwendet umgeschriebene Abfragen, um während des Anzeigen-Retrieval-Prozesses semantische Embeddings zu erstellen und einen breiten Pool von Anzeigenkandidaten zu erzeugen.
Filtern unzulässiger Kandidaten
Ziel der Filterung ist es, alle Werbekandidaten aus der Betrachtung zu eliminieren, die die Hürde für eine Platzierung in Bezug auf Relevanz, Gebote und Budget nicht erfüllen. Je nach Kandidat und Konfiguration können Filterprüfungen die Verfügbarkeit von Kreativmaterial und Kampagnen umfassen (ob die Kampagne oder die Werbekreative aktiv sind), das Targeting der Kampagne (z. B. in welchen Sprachregionen eine Kampagne betrieben werden darf), politische Beschränkungen (Compliance-Anforderungen darüber, was beworben werden darf), die Budgetverfügbarkeit (ob eine Kampagne noch Budget zur Ausgabe zur Verfügung hat), das Pacing (ob eine Kampagne jetzt oder zu einer anderen Tageszeit Budget ausgeben soll), die Platzierungskompatibilität (für welche Arten von Unterhaltungen diese Werbung geeignet ist) und die Deduplizierung auf Werbetreibenden- und Kampagnenebene (Auswahl einer angemessenen Anzahl von Anzeigen pro Werbetreibendem, um eine faire Teilnahme aller Unternehmen sicherzustellen).
Bewertung von Relevanz und Qualität
Kandidaten, die die Eignungsprüfungen überstehen, gelangen in eine Bewertungsphase, in der der Orchestrator Toolaufrufe an verschiedene Bewertungssysteme richtet – für Aspekte der Auslieferung wie semantische Relevanz (ist die Anzeige für das Ziel des Nutzers relevant?), vorhergesagtes Engagement (wird die Anzeige wahrscheinlich betrachtet, angeklickt und in das gewünschte Ergebnis des Werbetreibenden umgewandelt?) und historische Leistung (hat die Anzeige bei der bisherigen Anzeige an Nutzern gut abgeschnitten?). Der Orchestrator filtert Anzeigen außerdem, um Relevanz und Sicherheit vor der Auktion sicherzustellen. Diese Systeme verengen das Feld zu einem kleineren Kandidatenpool, der für die Auktion bereit ist, bestimmen aber noch nicht die endgültig ausgelieferte Anzeige.
Durchführung der Anzeigenauktion
Der Orchestrator bewertet die vorbereiteten Kandidaten im Kontext der Unterhaltung und wählt aus, welche Anzeigenkandidaten plausibel genug sind, um in die endgültige Auktion zu gelangen. Der Orchestrator entscheidet nicht direkt, welche Anzeige ausgeliefert wird, und legt auch keinen Preis fest. Er nominiert kontextuell passende Kandidaten für die Bewertung durch das Auktionstool.
Die Auktion wendet die endgültigen Auslieferungsmechaniken an, darunter die Auktionsteilnahme (Überschreiten einer Mindestschwelle für Relevanz und Wert), Pacing (gleichmäßigere Ausgabe des Werbebudgets), die Berechnung von Geboten und Auktionsfunktionen, qualitätsadjustiertes Ranking, Preisbildung und die endgültige Auswahl.
Eindeutigkeitsprüfungen am Ende
Nach der Auktion gibt es zwei Möglichkeiten, wie eine Anzeige möglicherweise nicht ausgeliefert wird, beide speziell für das ChatGPT-Konversationsmedium.
Die Anzeige könnte sich in dem Chat nicht passend anfühlen: Obwohl die Unterhaltung selbst von den Integritätsmodellen als sicher für die Anzeigenplatzierung eingestuft wurde (die Modelle, die entscheiden, wann es angemessen ist, eine Anzeige auszuliefern) und die Anzeige selbst als regelkonform galt, kann sich die Anzeige im Kontext bestimmter Unterhaltungen manchmal unpassend anfühlen. Der Orchestrator blockiert diese Anzeigen, sodass sie nicht angezeigt werden.
Die Anzeigenanfrage könnte nicht rechtzeitig eintreffen: Wenn das ChatGPT-Modell bereit ist zu antworten, die Anzeige aber noch nicht platziert werden kann, läuft die Anzeigenanfrage ab (Timeout) und die Anzeige wird nicht ausgeliefert. Ein Ziel des Anzeigensystems ist es daher, so schnell wie möglich zu laufen. Die Antwortzeit des ChatGPT-Modells ist dynamisch, und wir verzögern Chat-Antworten nicht, um auf das Laden von Anzeigen zu warten.
Wenn alle oben genannten Prüfungen erfüllt sind, senden wir die Anzeige zur Darstellung an das Frontend. Wir betrachten dies als serverseitige Anzeigen auslieferung, aber es ist dennoch möglich, dass wir die Anzeige dem Nutzer nicht zeigen – und das ist Absicht.
Der letzte Schritt: Anzeigen dem Nutzer zeigen
In einem Konversationsprodukt wie ChatGPT garantiert die serverseitige Auslieferung eines Werbekreatives nicht, dass eine Anzeige angezeigt wird; die Anzeige muss auch rechtzeitig eintreffen, um in den aktuellen Zug aufgenommen zu werden. Das Werbekreativ enthält den Titel, die Beschreibung, den Ziellink und alle Handlungsaufforderungen. Zusätzlich wird vom Anzeigensystem auch eine modellgenerierte Präambel zurückgegeben, eine kurze, neutrale Einleitung, die erklärt, wie sich die Anzeige auf die Unterhaltung bezieht. Die Präambel getrennt vom Kreativ zu halten, bewahrt die Botschaft des Werbetreibenden und hält zugleich die Stimme von ChatGPT neutral.
Das ChatGPT-Frontend erhält die Präambel und das Werbekreativ als Paket. Trifft es ein, bevor die Antwort von ChatGPT vollständig generiert ist, zeigt das Frontend die Anzeige unter der Antwort von ChatGPT an, deutlich als gesponsert gekennzeichnet. Trifft es zu spät ein, wird die Anzeige für diesen Zug nicht angezeigt. Dies ist der Unterschied zwischen einer serverseitigen Anzeigenauslieferung und einer nutzerseitigen Anzeigenimpression.
Gewinnerauswahl und Auslieferung sind getrennte Ereignisse. Eine ausgewählte Anzeige wird erst dann zu einer Auslieferung, wenn ChatGPT die Platzierung genehmigt und anzeigt und die Auslieferung bestätigt wurde.
Was passiert, nachdem die Anzeige gezeigt wurde
Unser Werbestack nutzt klassisches Logging und Datenpipelines, was drei wesentliche Vorteile hat: Werbetreibende können ihre bestehenden Systeme leichter in unseren Stack integrieren, Werbetreibende können ihre Strategien mit den Reporting-Daten verbessern, und unser Team kann Bereiche des Systems finden, die verbessert werden können. Über diese Reporting- und Optimierungswerkzeuge hinaus setzen wir ein hochwertiges Modell ein, um unsere Auslieferung zu bewerten und andere Anzeigenmodelle zu trainieren, und schaffen so eine leistungsfähige Selbstverbesserungsschleife.
Detaillierte Aufschlüsselungen des Geschehens helfen uns, jeden Teil des Anzeigensystems isoliert zu verstehen und zu verbessern. Das Logverarbeitungssystem zeichnet auch granulare Ergebnisse auf, wie zum Beispiel:
Der Zug war nicht für Werbung geeignet.
Eine Anzeigensitzung wurde gestartet, aber keine Retrieval angefordert.
Die Retrieval lieferte keine Kandidaten.
Kandidaten wurden abgerufen, scheiterten aber an der Hydration oder Eignung.
Eine Anzeige wurde ausgeliefert und erhielt später eine Interaktion.
Diese detaillierten Aufschlüsselungen helfen uns, jeden Teil des Anzeigenauslieferungssystems isoliert zu verbessern. Die Verbesserung der Opportunity-Erkennung erfordert andere Belege als die Verbesserung von Retrieval, Kandidatenqualität, Auktionsteilnahme oder Auslieferungszuverlässigkeit.
Auslieferungs-, Serving- und Qualitätssysteme betrachten jeweils einen anderen Teil des Lebenszyklus. Datenschutzkontrollierte Verarbeitung bestimmt, was für Messung und Modellverbesserung verwendet werden darf.
Leistungsstarke Modelle bewerten und verbessern den gesamten Stack
Der Grundgedanke der modellbasierten Evaluierung ist, dass unsere stärksten Modelle mit höchster Denkleistung die Ergebnisse unseres Systems beobachten und bewerten und dann das post-trainierte LLM verbessern, indem es darauf trainiert wird, besser abzuschneiden. Beispielsweise können wir kleinere, effizientere Modelle oder Modelle mit geringerer Denkleistung für Orchestrierung oder Retrieval einsetzen, wenn unser leistungsstärkstes Modell Feedback sammelt und diese kleinen Worker trainiert, ihre Aufgabe bestmöglich zu erfüllen.
Menschliches Feedback lenkt die geschmackvolle Richtung
Wir sammeln menschliches Feedback (Klicks und Ausblenden durch Nutzer) und handeln danach, ebenso nutzen wir Umfragen für Nutzer und direktes Feedback von Werbetreibenden über unseren Ads Manager. Außerdem stellen wir unser Team während der Entwicklung für Feedback zur Verfügung und hören direkt darauf, was sowohl ChatGPT-Nutzer als auch Werbetreibende möchten. Diese Feedbackquelle beeinflusst unsere Richtung noch mehr als das beobachtende Feedback des Modells und war Teil dessen, was es uns ermöglichte, schnell zu den richtigen Produktentscheidungen zu iterieren. Das Modell mag die Absicht der Nutzer verstehen und kritisch denken können, um etwas Wertvolles zu liefern, aber Menschen prägen den Geschmack.
Wie es weitergeht
Vor einem Jahr hatten wir kein Anzeigensystem und nur wenige Personen, die sich mit diesem Problemfeld beschäftigten. Heute verfügen wir über ein robustes Anzeigensystem, das mehr als $1 Milliarde annualisierten Umsatz antreibt, mit einem LLM-basierten Orchestrator, der den Anzeigenablauf steuert. Codex war ein grundlegender Kraftmultiplikator, der es uns ermöglichte, unser System mit beispielloser Geschwindigkeit zu diesem bedeutenden Nutzungs-Meilenstein zu bringen. Von Anfang an haben wir das Team und die Entwicklungsworkflows so eingerichtet, dass Codex genutzt wird, um das System schnell aufzubauen und zu skalieren. Wir bauten Schutzmechanismen (Guardrails) für Codex, um Code zuverlässig und sicher ausliefern zu können. Parallel dazu richteten wir Dateninfrastruktur-Plugins für Codex ein, um den Kreis aus Insight-Gewinnung und Umsetzung von Verbesserungen am System erheblich zu verkürzen, einschließlich neuer Produktfunktionen, Qualitätsverbesserungen und besserer Systemleistung.
Die Kombination aus den Grenzen unseres Systems (verankert in unseren Werbeprinzipien) und unserem LLM-basierten Orchestrator ermöglicht es uns, Werbung nützlich zu machen, ohne jede Konversation als Werbeanfrage zu behandeln. Für die Zukunft werden wir weiterhin mit dynamischeren Anzeigenformaten experimentieren, um den Nutzen für Nutzer (z. B. indem Nutzer direkt über Anzeigen mit Unternehmen sprechen können) und für Werbetreibende zu steigern. Die sich selbst verbessernde Architektur des Stacks, aufgebaut auf OpenAI-Modellen mit kontinuierlichen Feedback-Schleifen, wird unsere Fähigkeit beschleunigen, Relevanz und Personalisierung im Laufe der Zeit weiter zu verbessern.