AI synthetic ஷாப்பர்கள் (shop) உண்மை வாடிக்கையாளர் எதிர்வினைகளை 90 சதவீதத் துல்லியத்துடன் கணிக்கின்றனர் - ஆய்வு
புதிய ஆராய்ச்சி (research) காட்டுகின்றது: பெரிய மொழி மாதிரிகள் (large language model) synthetic நுகர்வோராகச் செயல்பட்டு, உண்மையான மனிதர்கள் பொருட்களுக்கு எப்படி எதிர்வினையாற்றுவார்கள் என்பதை, உண்மையான மனிதர்களைக் கணக்கெடுப்பதன் சுமார் 90 சதவீதத் துல்லியத்துடன் கணிக்க முடியும். ஒரு product concept-ஐச் சோதிக்கும் பழைய முறை நூற்றுக்கணக்கான மக்களைக் கணக்கெடுத்து, நாட்கள் அல்லது வாரங்கள் காத்திருந்து, ஆயிரக்கணக்கான டாலர்கள் செலுத்தி, இன்னும் பாகுபாடான பதில்களின் அபாயத்தை (risk) ஏற்பது. புதிய முறை நிமிடங்கள் எடுக்கின்றது: AI-ஐ ஒரு விரிவான persona-ஐ ஏற்கச் சொல்லுங்கள் - எடுத்துக்காட்டாக வருடத்திற்கு 50,000 டாலர் சம்பாதிக்கும் டெக்சாஸைச் (Texas) சேர்ந்த 35 வயது தாய் - பொருளைக் காட்டி, அந்த நபர் வாங்குவாரா என்று கேளுங்கள்.
இந்தத் துல்லியத்தின் பின்னுள்ள நுட்பம் semantic similarity rating எனப்படுகின்றது. AI-ஐ ஒரு பொருளை ஒன்றிலிருந்து ஐந்து வரை மதிப்பிடச் சொல்வதற்குப் பதிலாக - அது மாறுபடும் முடிவுகளைத் தரும் - ஆராய்ச்சியாளர்கள் (researchers) அதன் எதிர்வினையை எளிய மொழியில் விளக்கச் சொல்லி, அந்த விளக்கத்தை ஐந்து முன்-எழுதப்பட்ட குறிப்பு வாக்கியங்களுடன் - ஒவ்வொரு மதிப்பீட்டு நிலைக்கு ஒன்று - பொருத்துகின்றனர். இந்த முறை AI சிறப்பாகச் செய்வதற்கு ஏற்ப உள்ளது: எண்களைத் தேர்வதற்குப் பதிலாக வார்த்தைகளில் reasoning.
சரிபார்ப்பு, 9,300 பேர் தனிப்பட்ட பராமரிப்புப் பொருட்களை மதிப்பிட்ட 57 உண்மையான product கணக்கெடுப்புகளிலிருந்து வந்தது. AI மனித star மதிப்பீடுகளின் பரவலைப் பொருத்தியது, பொருட்களை அதே வரிசையில் தரவரிசைப்படுத்தியது, வயது மற்றும் வருவாயால் (revenue) demographic முறைகளை மறுஉருவாக்கம் செய்தது, அடிக்கடி மனித பதிலளிப்பாளர்களை விட விரிவான feedback-ஐ எழுதியது. மாதிரி எதிர்வினைகள் உண்மையான ஷாப்பர்களைப் (shop) போல் படித்தன: ஒரு persona ஒரு body wash-ஐ அதிக ஆடம்பரம் என்று கூறி, தெரிந்ததிலேயே இருப்பதாகச் சொன்னது; மற்றொன்று பயன்பாட்டு எளிதையும் பாதுகாப்பையும் அதிக செயல்திறன் ஆதாரம் வேண்டும் என்பதோடு நிறுத்தியது. கடந்த வாடிக்கையாளர் தரவில் (data) பயிற்சி (exercise/training) பெற்ற பாரம்பரிய machine-learning மாதிரிகள் ஒப்பீட்டளவில் சுமார் 65 சதவீதத் துல்லியமே பெற்றன.
விற்பனையாளர்களுக்கான பயன்பாடுகள் உடனடியானவை. Product concepts-ஐ உற்பத்திக்கு முன் சோதிக்கலாம் - வெவ்வேறு demographics-இலிருந்து AI personas ஒவ்வொரு வேட்பாளரையும் மதிப்பாய்வு (evaluation) செய்யச் செய்து, வெற்றியாளரை மட்டுமே உற்பத்தி செய்தல் - இலக்கு வாங்குபவர்கள் கல்லூரி மாணவர்கள், வணிக நிபுணர்கள், வெளிப்புற ஆர்வலர்கள் அல்லது பெற்றோர் எனினும். Listings-ஐ AI வாடிக்கையாளர்களுக்குப் பக்கங்களைக் காட்டி, அவர்கள் எழுப்பும் ஆட்சேபனைகள் மற்றும் கவலைகளைச் சுற்றி மறுஎழுதி மேம்படுத்தலாம். விலைகளை வருவாய் (revenue) நிலைகள் முழுவதும் சோதித்து, கொள்வனவு நோக்கம் எங்கு விழுகின்றது என்பதைக் கண்டறியலாம். படங்கள், packaging, messaging, bundles அனைத்தையும் உண்மையான traffic-க்கு ஒரு டாலர் செல்வதற்கு முன் simulation-இல் A/B சோதிக்கலாம்.
ஆழமான மாற்றம், ஆராய்ச்சியாளர்கள் வாதிடுகின்றனர், வாடிக்கையாளர்கள் கடந்த காலத்தில் என்ன செய்தனர் என்பதைப் பகுப்பாய்வு செய்வதிலிருந்து, எதிர்காலத்தில் என்ன செய்வார்கள் என்பதை உளவியல் (psychological) நுண்ணறிவுடன் - வெறும் அளவீடுகள் (measurement) அல்ல - simulate செய்வதாகும். அவர்களின் முடிவு அளவானது, ஆனால் கவனிக்கத்தக்கது: பொருத்தமான முறைகளுடன் இணைக்கப்பட்டால், பெரிய மொழி மாதிரிகள் (large language model) concepts-ஐச் சோதிப்பதற்கான நம்பகமான synthetic ஷாப்பர்களாகச் (shop) செயல்படுகின்றன - அதாவது பிராண்டுகள் (brand) inventory அல்லது ads-இல் செலவிடுவதற்கு முன் வாங்குபவர்கள் என்ன விரும்புகின்றனர் என்று யூகிப்பதை நிறுத்தலாம்.
தளச் செய்திகளில், Walmart மற்றும் Sam's Club, OpenAI-உடன் ஒரு மூலோபாய ஒப்பந்தத்தை வெளிப்படுத்தின - வாடிக்கையாளர்கள் Walmart-இன் தளம் அல்லது app-க்குச் செல்லாமல் நேரடியாக ChatGPT உரையாடல்களுக்குள் கொள்வனவுகளை நிறைவு செய்ய அனுமதிக்கின்றது. AI விருப்பங்களைக் கற்று தேவைகளை முன்கூட்டியே அறிவதால், அதைப் பயன்படுத்தும் சில்லறை (chip) வியாபாரிகள் ஷாப்பர்கள் (shop) ஒரு marketplace-ஐ அடைவதற்கு முன்பே கொள்வனவு நோக்கத்தைப் பிடிக்க முடியும்; இந்த ஒப்பந்தம் Walmart-இன் listings, customer service, பணியாளர் பயிற்சியில் அதன் பரந்த AI முன்னேற்றத்தை நீட்டிக்கின்றது.
விற்பனையாளர்கள் Amazon-இன் AI shopping assistant Rufus-க்கு optimize செய்வது பற்றிய விரிவான வழிகாட்டுதலையும் ஜீரணித்து வருகின்றனர். மைய மாற்றம் keywords-இலிருந்து கதைக்களங்களுக்கு: ஒரு பொருள் சேவை செய்யும் missions-ஐ mapping செய்தல் - ஒரு office chair-க்கு remote work setups அல்லது முதுகுவலி நிவாரணம் (relief) போன்றவை - listing ஒரு வாடிக்கையாளர் வரக்கூடிய ஒவ்வொரு பாதைக்கும் வேலை செய்வதை உறுதி செய்தல் - ஒரு yoga mat-க்கு fitness இலக்குகள், மூட்டு (joint) ஆரோக்கியம், தியானம் அல்லது பயண workouts எனினும்.
வழிகாட்டுதல் தொடர்கின்றது: பொருளுடன் எது இணையும் (internet) என்பதைத் தெளிவுபடுத்தி ஷாப்பர்கள் (shop) தங்கள் mission-ஐ நிறைவு செய்ய உதவுங்கள்; Rufus பதில் தேவைப்படும் கேள்விகளுக்குப் பதிலளியுங்கள் - ஒன்று beginners-க்குப் பொருந்துமா, சிறிய இடங்களில் பொருந்துமா என்பது போன்றவை; வெறும் specs-ஐ context-நிறைந்த copy-ஆல் மாற்றுங்கள் - ஒரு ஆறு-மில்லிமீட்டர் non-slip yoga mat-ஐ, blocks, straps, bolsters-உடன் இணையும் (internet), வீட்டுப் பயிற்சிக்கான eco-friendly, physical-therapist-பரிந்துரைக்கப்பட்ட mat-ஆக மாற்றுவது போல். Rufus கடந்த கொள்வனவுகளை நினைவில் வைத்திருப்பதால் முதல்-order தரம் முக்கியம்; வெளிப்புற reviews மற்றும் நிபுணர் கருத்தை அது ஆலோசிப்பதால், பிராண்டுகள் (brand) buying-guide அம்சங்கள், நிபுணர் reviews, விருதுகளை நாட அறிவுறுத்தப்படுகின்றனர். பாரம்பரிய keyword வேலை இணையாகத் (internet) தொடர வேண்டும் - keywords இன்னும் assistant-க்குப் பொருள் என்ன என்பதைச் சொல்கின்றன.
Amazon, Rufus 2025-இல் 700 மில்லியன் டாலர் லாபம் உருவாக்கும் என்று எதிர்பார்க்கின்றது என்று தெரிவிக்கப்படுகின்றது - இந்த assistant அதன் commerce மூலோபாயத்திற்கு எவ்வளவு மையமாகியுள்ளது என்பதன் அறிகுறி.
