अलीबाबा ने लाइव डेटा का उपयोग करने वाला सर्च इंजन सिमुलेशन एआई विकसित किया

चीन में अकादमिक शोधकर्ताओं के सहयोग से, अलीबाबा ने एक सर्च इंजन सिमुलेशन एआई विकसित किया है जो ई-कॉमर्स दिग्गज के लाइव इन्फ्रास्ट्रक्चर से वास्तविक दुनिया के डेटा का उपयोग करके नए रैंकिंग मॉडल विकसित करता है जो ‘ऐतिहासिक’ या पुराने डेटा से बंधे नहीं हैं।

इस इंजन, जिसे AESim कहा जाता है, का प्रतिनिधित्व एक सप्ताह में दूसरी बड़ी घोषणा के रूप में किया जाता है जो मानती है कि एआई सिस्टम को लाइव और वर्तमान डेटा का मूल्यांकन और एकीकरण करने में सक्षम होने की आवश्यकता है, न कि केवल उस डेटा को स abstract करना जो मॉडल के प्रशिक्षण के समय उपलब्ध था। पिछली घोषणा फेसबुक से थी, जिसने पिछले सप्ताह प्रकट किया था कि ब्लेंडरबोट 2.0 भाषा मॉडल, एक एनएलपी इंटरफ़ेस जो उपयोगकर्ताओं के साथ बुद्धिमान बातचीत में शामिल होने के लिए प्रश्नों के उत्तर में इंटरनेट खोज परिणामों की लाइव पोलिंग सुविधा प्रदान करता है।

AESim परियोजना का उद्देश्य व्यावसायिक जानकारी पुनर्प्राप्ति प्रणालियों में नए लर्निंग-टू-रैंक (LTR) समाधान, एल्गोरिदम और मॉडल के विकास के लिए एक प्रयोगात्मक वातावरण प्रदान करना है। फ्रेमवर्क का परीक्षण करते समय, शोधकर्ताओं ने पाया कि यह उपयोगी और कार्रवाई योग्य मापदंडों के भीतर ऑनलाइन प्रदर्शन को सटीक रूप से दर्शाता है।

पेपर के लेखक, जिनमें नानजिंग विश्वविद्यालय और अलीबाबा के शोध प्रभाग के चार-प्रतिनिधि शामिल हैं, यह दावा करते हैं कि एलटीआर सिमुलेशन के लिए एक नई दृष्टिकोण की आवश्यकता दो कारणों से थी: गहरे शिक्षण में हाल की समान पहलों की विफलता जो पुन: उत्पादक तकनीक बनाने में सक्षम थी, जिसमें ध्यान आकर्षित करने वाले एल्गोरिदम विफल हो गए थे वास्तविक दुनिया की प्रणालियों में लागू होने योग्य; और स्थानांतरण की कमी, जो प्रशिक्षण डेटा के प्रदर्शन के संबंध में है और नए डेटा के मामले में जहां प्रणालियां पहले अधिक प्रभावी थीं।

लाइव होना

पेपर का दावा है कि AESim लाइव और वर्तमान उपयोगकर्ताओं और गतिविधि के डेटा पर आधारित पहला ई-कॉमर्स सिमुलेशन प्लेटफ़ॉर्म है, और यह एकतरफा लाइव डेटा का उपयोग करके ऑनलाइन प्रदर्शन को सटीक रूप से दर्शा सकता है, जो बाद के शोधकर्ताओं के लिए एलटीआर पद्धतियों और नवाचारों का मूल्यांकन करने के लिए एक नीले आकाश प्रशिक्षण मैदान प्रदान करता है।

मॉडल में एक नया दृष्टिकोण शामिल है जो एक औद्योगिक खोज इंजन के लिए एक典型 स्कीमा पर आधारित है: पहला चरण उपयोगकर्ता के प्रश्न से संबंधित आइटम की पुनर्प्राप्ति है, जो उपयोगकर्ता को प्रस्तुत नहीं किए जाते हैं, लेकिन पहले एक वजनित एलटीआर मॉडल द्वारा क्रमबद्ध किए जाते हैं। फिर क्रमबद्ध परिणाम एक फिल्टर के माध्यम से पारित किए जाते हैं जो परिणामों को प्रदान करने में कंपनी के उद्देश्यों पर विचार करते हैं – जो विज्ञापन और विविधता कारकों को शामिल कर सकते हैं।

AESim का आर्किटेक्चर

AESim में, प्रश्न श्रेणी सूचकांकों के साथ बदल दिए जाते हैं, जो प्रणाली को एक अनुकूलनीय पुनः-क्रमबद्धक को पारित करने से पहले एक श्रेणी सूचकांक से आइटम पुनर्प्राप्त करने की अनुमति देता है जो अंतिम सूची का उत्पादन करता है। हालांकि फ्रेमवर्क शोधकर्ताओं को एक से अधिक मॉडलों में संयुक्त रैंकिंग के प्रभावों का अध्ययन करने की अनुमति देता है, यह पहलू भविष्य के काम के लिए छोड़ दिया जा रहा है, और वर्तमान कार्यान्वयन स्वचालित रूप से एकल मॉडल के आधार पर आदर्श मूल्यांकन की तलाश करता है।

AESim ‘वर्चुअल उपयोगकर्ता’ और उनके प्रश्न को समाहित करने वाले एम्बेडिंग (मशीन लर्निंग आर्किटेक्चर में वर्चुअल प्रतिनिधित्व) बनाता है, और वासरस्टीन जेनरेटिव एडवर्सेरियल नेटवर्क के साथ ग्रेडिएंट पेनल्टी (WGAN-GP) दृष्टिकोण का उपयोग करता है।

आर्किटेक्चर में श्रेणियों द्वारा क्रमबद्ध लाखों उपलब्ध आइटम का डेटाबेस, एक अनुकूलनीय रैंकिंग प्रणाली, एक फीडबैक मॉड्यूल, और जीएन-आधारित घटकों द्वारा उत्पन्न सिंथेटिक डेटासेट शामिल हैं। फीडबैक मॉड्यूल कार्य प्रवाह में अंतिम चरण है, जो नवीनतम रैंकिंग मॉडल के प्रदर्शन का मूल्यांकन करने में सक्षम है।

जेनरेटिव एडवर्सेरियल इमिटेशन लर्निंग

‘वर्चुअल उपयोगकर्ता मॉड्यूल’ के निर्णय तर्क को मॉडल करने के लिए, फीडबैक मॉड्यूल (जो अंतिम परिणाम प्रदान करता है) को जेनरेटिव एडवर्सेरियल इमिटेशन लर्निंग (GAIL) के माध्यम से प्रशिक्षित किया जाता है, जो एक सिद्धांत है जो पहले 2016 में स्टैनफोर्ड शोधकर्ताओं द्वारा प्रस्तावित किया गया था। जीएआईएल एक मॉडल-मुक्त परिदृश्य है जो एक प्रणाली को डेटा से सीधे एक नीति विकसित करने की अनुमति देता है नीति के माध्यम से IMITATION लर्निंग।

AESim द्वारा विकसित प्रशिक्षण सेट पूर्व में उपयोग किए जाने वाले सुपरवाइज्ड लर्निंग मॉडल के लिए स्थिर, ऐतिहासिक डेटासेट के समान हैं। AESim के साथ अंतर यह है कि यह फीडबैक के लिए एक स्थिर डेटासेट पर निर्भर नहीं है, और प्रशिक्षण डेटा के समय उत्पन्न आइटम-ऑर्डर द्वारा बाध्य नहीं है।

AESim का जेनरेटिव पहलू ‘वर्चुअल उपयोगकर्ता’ के निर्माण पर केंद्रित है, जो WGAN-GP के माध्यम से ‘नकली’ उपयोगकर्ता और प्रश्न विशेषताओं का उत्पादन करता है, और फिर वास्तविक उपयोगकर्ता डेटा से इस नकली डेटा को अलग करने का प्रयास करता है।

परीक्षण

शोधकर्ताओं ने AESim का परीक्षण एक पेयर-वाइज, पॉइंट-वाइज और ListMLE उदाहरण को प्रणाली में तैनात करके किया, जिनमें से प्रत्येक को एक गैर-इंटरसेक्टिंग रैंडम स्लाइस की सेवा करनी थी।

इस बिंदु पर AESim को तेजी से बदलते और विविध लाइव डेटा द्वारा चुनौती दी जाती है, जिस तरह से फेसबुक का नया भाषा मॉडल होने की संभावना है। इसलिए, परिणामों को समग्र प्रदर्शन के संदर्भ में माना जाता है।

दस दिनों के लिए परीक्षण किया गया, AESim ने तीन मॉडलों में उल्लेखनीय स्थिरता प्रदर्शित की, हालांकि शोधकर्ताओं ने नोट किया कि एक डॉक्यूमेंट कॉन्टेक्स्ट लैंग्वेज मॉडल (DLCM) मॉड्यूल का एक अतिरिक्त परीक्षण ऑफलाइन वातावरण में खराब प्रदर्शन किया, लेकिन लाइव वातावरण में बहुत अच्छा प्रदर्शन किया, और स्वीकार करते हैं कि प्रणाली अपने लाइव समकक्षों के साथ अंतराल प्रदर्शित करेगी, जो कॉन्फ़िगरेशन और परीक्षण किए जा रहे मॉडलों पर निर्भर करती है।