آليبا تطوير محرك بحث محاكاة ذكاء اصطناعي يستخدم بيانات مباشرة

بالتعاون مع الباحثين الأكاديميين في الصين، قامت آليبا بتطوير محرك بحث محاكاة ذكاء اصطناعي يستخدم بيانات العالم الحقيقي من بنية تحتية مباشرة للشركة العملاقة للتجارة الإلكترونية من أجل تطوير نماذج ترتيب جديدة لا تعيقها المعلومات “التاريخية” أو غير الحالية.

يسمى المحرك AESim، ويمثل الإعلان الثاني الكبير في أسبوع واحد لتأكيد الحاجة إلى أنظمة ذكاء اصطناعي قادرة على تقييم ودمج البيانات الحية والحالية، بدلاً من مجرد ت抽象 البيانات المتاحة في وقت تدريب النموذج. كان الإعلان السابق من فيسبوك، الذي كشف عن BlenderBot 2.0، نموذج لغة مفتوح المصدر يحتوي على استطلاع مباشر للنتائج البحث على الإنترنت استجابة للاستفسارات.

الهدف من مشروع AESim هو توفير بيئة تجريبية لتطوير حلول و خوارزميات و نماذج جديدة للتعلم الترتيبي (LTR) في أنظمة استرجاع المعلومات التجارية. عند اختبار الإطار، وجد الباحثون أنه يعكس أداءً trực tuyến داخل معايير مفيدة و قابلة للتنفيذ.

يؤكد مؤلفو الورقة، بمن فيهم أربعة ممثلين من جامعة نانجينغ و bốn ممثلين من قسم البحث في آليبا، أن نهجًا جديدًا للتحاكي الاصطناعي كان ضروريًا لسببين: فشل المبادرات الحديثة المماثلة في التعلم العميق في إنشاء تقنيات قابلة للتكرار، مع وجود خوارزميات جذابة للانتباه فاشلة في الترجمة إلى أنظمة حقيقية قابلة للتطبيق؛ وعدم وجود قابلية النقل، من حيث أداء بيانات التدريب مقابل بيانات جديدة في الحالات التي كانت فيها الأنظمة أكثر فعالية في البداية.

الانتقال إلى الإنتاج

تدعي الورقة أن AESim هو أول منصة محاكاة للتجارة الإلكترونية التي تعتمد على بيانات المستخدمين الحية والحالية، ويمكنها أن تعكس أداءً trực tuyến بدقة من خلال استخدام بيانات مباشرة، مما يوفر ساحة تدريب مفتوحة للمحققين لاحقًا لتقييم منهجيات وابتكارات التعلم الترتيبي.

يتضمن النموذج نهجًا جديدًا للنمط المعتاد لمحركات البحث الصناعية: المرحلة الأولى هي استرجاع العناصر المرتبطة بالاستفسار المستخدم، والتي لا يتم تقديمها في البداية إلى المستخدم، ولكن يتم فرزها أولاً بواسطة نموذج LTR الموزون. ثم يتم تمرير النتائج المفرزة عبر مرشح يأخذ في الاعتبار أهداف الشركة في توفير النتائج – أهداف قد تشمل عوامل الإعلان والتنوع.

هيكل AESim

في AESim، يتم استبدال الاستفسارات بمؤشرات الفئة، مما يسمح للنظام باسترجاع العناصر من فهرس الفئة قبل تمريرها إلى نظام إعادة الترتيب قابل للتعديل الذي ينتج القائمة النهائية. على الرغم من أن الإطار يسمح للمحققين بدراسة تأثير الترتيب المشترك عبر عدة نماذج، يتم ترك هذا الجانب للعمل المستقبلي، والتنفيذ الحالي يبحث تلقائيًا عن التقييم المثالي بناءً على نموذج واحد.

يخلق AESim تضمينات (تمثيلات افتراضية في هيكل التعلم الآلي) التي تحيط بالمستخدم الافتراضي و الاستفسار، و يستخدم نهج الشبكة التوليدية المعادية مع جزاء التدرج (WGAN-GP).

يتكون الهيكل من قاعدة بيانات تحتوي على ملايين العناصر المتاحة المفرزة حسب الفئة، ونظام ترتيب قابل للتعديل، ووحدة ملاحظات، ومجموعات بيانات اصطناعية تم إنشاؤها بواسطة مكونات الشبكة التوليدية. وحدة الملاحظات هي المرحلة النهائية في سير العمل، قادرة على تقييم أداء أحدث نسخة من نموذج الترتيب.

التعلم التوليدي المعادي بالتقليد

为了模拟 منطق القرار لمكون “المستخدم الافتراضي”، يتم تدريب وحدة الملاحظات (التي توفر النتائج النهائية) من خلال التعلم التوليدي المعادي بالتقليد (GAIL)، وهو نظرية تم اقتراحها لأول مرة من قبل باحثين في ستانفورد في عام 2016. GAIL هو نموذج خالي من السياسة يسمح للنظام بتطوير سياسة مباشرة من البيانات من خلال التعلم بالتقليد.

المجموعات التدريبية التي طورتها AESim هي أساسًا نفس المجموعات التاريخية الثابتة المستخدمة في نماذج التعلم الإشرافي المماثلة. الفرق مع AESim هو أنه لا يعتمد على مجموعة بيانات ثابتة للملاحظات، وليس مقيدًا بالترتيب الذي تم إنشاؤه في وقت تجميع بيانات التدريب (القديمة).

الجانب التوليدي من AESim يركز على إنشاء مستخدم افتراضي من خلال WGAN-GP، الذي يخرج “مستخدمًا وخصائص استفسار وهمية”، ثم يحاول التمييز بين هذه البيانات الوهمية والبيانات الحقيقية للمستخدم المقدمة من الشبكات الحية التي يصل إليها AESim.

الاختبار

قام الباحثون باختبار AESim عن طريق نشر نماذج زوجية و نقطية و ListMLE في النظام، كل منها كان يجب أن يخدم شريحة عشوائية غير متداخلة من استفسارات البحث في سياق خوارزمية إعادة الترتيب.

في هذه النقطة، يتم تحدي AESim من قبل البيانات الحية المتغيرة والمتنوعة بدرجة كبيرة، بنفس الطريقة التي قد يتم بها تحدي نموذج لغة فيسبوك الجديد. لذلك، تم النظر في النتائج في ضوء الأداء العام.

تم اختبار AESim لمدة عشرة أيام، وأظهرت نتائج ملحوظة في الاتساق عبر ثلاثة نماذج، على الرغم من أن الباحثين لاحظوا أن اختبارًا إضافيًا لنموذج لغة سياق المستند (DLCM) أداء سيئًا في البيئة غير المتصلة، ولكن أداء جيدًا في البيئة الحية، ويعترفون بأن النظام سيعرض فجوات مع نظيره المباشر، اعتمادًا على التكوين والنماذج التي يتم اختبارها.

ough the researchers noted that an additional test of a Document Context Language Model (DLCM) module performed poorly in the offline environment, but very well in the live environment, and concede that the system will demonstrate gaps with its live counterparts, depending on the configuration and models being tested.