ياندكس تستبدل عشرات خوارزميات التوصية بنموذج واحد اسمه Sona: زيادة وقت الاستماع بنسبة 6,3%

كل من بنى نظام توصية يعرف هذه المعاناة. يختار نموذج أول مجموعة مرشحين من بين ملايين العناصر، ثم يرتبها نموذج ثانٍ، ويضيف ثالث التنوع، ويراعي رابع السياق. يُدرّب كل نموذج على حدة، ولكل منها مقاييسه الخاصة، فيما تزداد كلفة صيانة المنظومة باستمرار. وقد أظهرت ياندكس إمكانية استبدال هذه السلسلة بنموذج واحد.

ما الذي أنجزه الفريق؟

طوّر فريق البحث والتطوير، بالتعاون مع مهندسي أليسا وياندكس ميوزيك، شبكة عصبية توليدية اسمها Sona. تحلل الشبكة تصرفات المستخدم وتحدد بنفسها ما توصي به وبأي ترتيب. وصُممت بنيتها داخلياً، ودُرّبت من الصفر على بيانات ياندكس، من دون إجراء ضبط دقيق لأوزان نموذج تابع لجهة أخرى.

في اختبار A/B على مكبرات صوت ذكية مزودة بأليسا، حلّت Sona محل نظام يضم عشرات الخوارزميات. وكانت النتيجة، مقارنة بالمجموعة الضابطة، زيادة إجمالي وقت الاستماع بنسبة 6,30%، وعدد الإعجابات بنسبة 11,42%. وهذه مكاسب ملحوظة لخدمة خضعت توصياتها بالفعل لسنوات من التحسين اليدوي.

كيف تعمل؟ مثال بسيط

تخيّل أن مستخدماً يقول لمكبر الصوت مساءً: «شغّل أي شيء». يبدأ النظام التقليدي بتضييق نطاق الكتالوج إلى مئات المقاطع المرشحة، ثم يرتبها باستخدام نماذج مختلفة. أما Sona فتعمل بطريقة أخرى: تولّد التوصية على هيئة تسلسل، كما لو أنها تؤلف قائمة تشغيل مقطعاً تلو الآخر. ويُختار كل مقطع تالٍ مع مراعاة المقاطع السابقة ورد فعل المستمع.

ولتجنّب فحص كتالوج كامل يضم ملايين المقاطع، يعثر النموذج على العناصر المطلوبة مباشرة. وهذا أساسي للسرعة، إذ سيكون البحث الشامل على هذا النطاق مكلفاً للغاية.

وهناك أيضاً «معلّم». وبحسب وصف أصحاب العمل، تتمثل مهمته في توجيه تدريب النموذج. وتعرض ياندكس التفاصيل في مقالها الكامل على Habr، وهي تفاصيل تستحق دراسة منفصلة. ومن العناصر المهمة أيضاً مواصلة التدريب على أحدث تصرفات المستمعين. فالأذواق تتغير سريعاً، ولا ينبغي أن يبقى النموذج معتمداً على بيانات الأمس.

ماذا يعني ذلك عملياً؟

بالنسبة إلى مسؤولي المنتجات، تتمثل الخلاصة الرئيسية في البساطة. فالاعتماد على نموذج واحد بدلاً من العشرات يعني نقاط تعطل أقل، ومقاييس موحدة، وتجارب أسهل. وبدلاً من تنسيق التحديثات بين خمسة نماذج، يعمل الفريق على تحسين نموذج واحد.

أما بالنسبة إلى المطورين، فهذا اتجاه بدأ يظهر بالفعل لدى الشركات الكبرى: الأساليب التوليدية تحل محل مسارات التوصية متعددة المراحل. وإذا كنتم تتولون صيانة نظام توصية خاص بكم، فمن المفيد تقييم المراحل التي يمكن دمجها.

القيود

يلتزم أصحاب العمل أنفسهم الحذر: فما زالت هناك أمور كثيرة تحتاج إلى التحقق قبل التوسع في التطبيق. اقتصر الاختبار على سيناريو واحد، هو الموسيقى على مكبرات صوت مزودة بأليسا. ولا يُعرف كيف ستتصرف Sona في الفيديو أو المتاجر الإلكترونية أو البحث، حيث تختلف الأهداف. كذلك لا تتوفر حتى الآن بيانات تقارن تكاليف الاستدلال والتدريب بتكاليف النظام القديم. وسيصعب على الفرق الصغيرة التي لا تملك حجماً من البيانات يضاهي ما لدى ياندكس تكرار هذا النهج، لأن التدريب من الصفر يتطلب بيانات وموارد حوسبة معاً.

الخلاصة: ليست هذه ثورة تصلح لكل الحالات، لكنها إشارة قوية. فإذا كان نظام توصية كبير يستفيد من استبدال مجموعة خوارزميات بنموذج واحد، فإن مسألة دمج المكونات تستحق أن تُطرح على منظومتكم التقنية أيضاً.