أصبح البحث الدلالي (Semantic Search) على منصة LinkedIn ضرورة ملحة، حيث يتوجب على نظام البحث بشكل مستمر استرجاع ملفات شخصية ذات صلة من مجموعة ضخمة تضم مئات الملايين. تستند استراتيجية الاسترجاع الحالية إلى السياسات القائمة على تقليل النقاط المحورية (bottleneck-oriented)، مما يعني أن كل عنصر مُدرج يتوجب أن يحقق المستوى المطلوب، ولكن يبدو أن هذه الطريقة تُقيد القدرة على تحقيق نتائج دقيقة.

وفي استجابة لهذا التحدي، تم تقديم إطار عمل جديد يركز على استرجاع البيانات بطريقة متناسقة مع سياسات الاسترجاع القائمة. يقوم هذا الإطار بتقسيم تمثيلات البيانات إلى ثمانية فئات متعلقة، مما يضمن التطبيق المتزامن لقاعدة الحد الأدنى/المتوسط (min/median) أثناء عملية الخدمة. ويستخدم النظام تقنيات متقدمة لتحسين استرجاع البيانات، مما يسمح بزيادة القدرة على استرجاع المعلومات بطريقة فعالة.

يعتمد الإطار المحدث على بنية تحتية من نوع GPU من مرحلتين، حيث يقوم نظام FP8 الأول بتسجيل النقاط (Scoring) لجميع البيانات، مما يؤدي لرفع قدرة الشريحة بنسبة 71% وزيادة معدل التنفيذ بنسبة 36%. ثم يتولى نظام FP16 إعادة تصنيف مجموعة كبيرة من المرشحين، قادرًا على استرجاع 99.6-99.8% من الأداء الكامل، مما يحقق زمن استجابة يتجاوز 500 طلب في الثانية (QPS) لكل نسخة من الشريحة.

وفي تجربة A/B، حقق البحث الدلالي في الاستفسارات الاستكشافية دقة (Precision@10) مرتفعة من 63.7% إلى 79.0%، بينما ارتفعت دقة البحث التوجيهي (Precision@1) من 65.5% إلى 74.7%، مما يعكس نجاح التحسينات المُدخلة على النظام. هذه النتائج تم تأكيدها من خلال تقييم مستقل، مما يدل على مدى تأثير الابتكارات الحديثة في تعزيز تجربة المستخدم على LinkedIn.