في عالم التجارة الرقمية، يعد فهم نوايا المستخدمين خطوة أساسية لتحقيق الأداء الأمثل، وخاصة في الأسواق متعددة الفئات مثل DoorDash. يواجه المستخدمون أحياناً صعوبات في التعبير عن رغباتهم بوضوح، مما يؤدي إلى غموض في نواياهم، كما هو الحال مع عبارات مثل 'Wildflower' التي قد تشير إلى سلسلة مطاعم، منتج تجزئة، أو حتى زهر.

النظام التقليدي كان يعتمد على تصنيف فائض يتطلب تحديد فئة واحدة فقط، وفي المقابل، كانت نماذج اللغات الضخمة (Large Language Models) تتعامل مع المعلومات المفقودة بشكل غير فعال، مما يحول دون تقديم خيارات دقيقة ومتنوعة. إلا أن DoorDash تقدم لنا نموذجًا مبتكرًا تحت اسم Agentic Multi-Source Grounded، والذي لا يقتصر فقط على مجرد تقديم خيارات واحدة.

يتضمن هذا النظام مسار استرجاع كتالوج موجه ويستخدم أداة بحث ويب ذكية تعمل بشكل مستقل لتلبية استعلامات المستخدمين المتعلقة بالمعلومات الضائعة. بدلاً من تنبؤ بتصنيف واحد، يعرض النموذج مجموعة مرتبة من النوايا المتعددة، يتم توضيحها من خلال طبقة تفكيك قابلة للتكوين تطبق سياسات عمل محددة، مما يتيح تخصيصًا وتجربة مستخدم محسنة.

أثبت النظام فعاليته في المنصة متعددة الفئات لبحث DoorDash، حيث زادت دقة التصنيف بنسبة 10.9 نقطة مئوية مقارنة بالنموذج غير المعروف، و4.6 نقطة مئوية مقارنة بالنظام الإنتاجي التقليدي. لقد أظهرت التجارب مع الاستعلامات ذات الذيل الطويل زيادة دقة بنسبة 90.7%، مما يمثل خطوة كبيرة نحو تحسين تجارب التسوق للمستخدمين.

هذا النظام، الذي يتم تشغيله حالياً في الإنتاج، يخدم أكثر من 95% من انطباعات البحث اليومية، ويؤسس نمطًا عمومياً يمكن تطبيقه في مختلف المجالات التي تحتاج إلى نماذج تعتمد على معلومات خاصة وسياقات حقيقية لحل المشكلات الغامضة.