في عصر تحكم فيه التكنولوجيا حياتنا وتفضيلاتنا، تصبح أنظمة التوصية (Recommendation Systems) جزءًا أساسيًا من تجربتنا الرقمية. لكنها غالبًا ما تعتمد على الإشارات السلبية والضغط الاجتماعي الذي يترك المستخدم في حيرة من أمره. فما الحل في ذلك؟

دراسة حديثة تعرض لنا إطار العمل SARA (Scaling Articulated Rationales) الذي يهدف إلى تعزيز فعالية أنظمة التوصية من خلال فهم أسباب رغبات المستخدمين. حيث يعتمد هذا الإطار على فكرة "التفسير المنطوق" (Articulated User Rationales) وهو عبارة عن تفسيرات المستخدمين بلغة طبيعية لتفضيلاتهم. هذا المفهوم يمكن أن يوفر إشارات نصية منطقية ودقيقة بشأن سبب إعجاب المستخدمين أو عدم إعجابهم بالمحتوى، مما يساعد الأنظمة في تقديم توصيات أفضل وأدق.

ومع ذلك، كانت هناك تحديات تتعلق بجودة وكثافة هذه التفسيرات في الأنظمة الصناعية. لكن بفضل SARA، تم تحويل هذه التحديات إلى فرص من خلال بناء محرك بيانات يتيح استنباط وتنقيح هذه التفسيرات من 240 مليون مستخدم على تطبيق Kuaishou Live. وقد أفرز هذا العمل بيانات جديدة ذات جودة عالية المعروفة باسم SARA-HQ.

ليس هذا فقط، بل يقوم SARA أيضًا بدمج نموذج MLLM (Multi-Layer Language Model) العالمي وفق نظام متطور لتحسين جودة التفسير وأدوات الترتيب. وقد أظهرت الاختبارات أن SARA-7B، النسخة المحسنة، تنتج تفسيرات أكثر دقة وتناسقًا مع متطلبات المستخدمين مقارنة بالنماذج التقليدية.

أهم المزايا التي يوفرها SARA تظهر في تحسين تجربة المستخدم، حيث يساعد على جعل التفاعلات أكثر توافقًا مع اهتماماتهم ويقلل من التعليقات السلبية. بعد نشرها مع تحديثات يومية على مدار أكثر من 30 يومًا، أثبت SARA فعاليتها كإشارة نصية عملية من الدرجة الأولى في أنظمة التوصية الصناعية.

إذا كنت مهتمًا بكيفية تأثير هذه الابتكارات على تجربة المستخدم أو كيفية تطور أنظمة الذكاء الصناعي، تابعونا لمزيد من الأخبار المثيرة! ما رأيكم في هذا التطور؟ شاركونا في التعليقات.