Η Apple δοκίμασε εάν η τεχνητή νοημοσύνη θα μπορούσε να βελτιώσει τα αποτελέσματα αναζήτησης του App Store

Οι ερευνητές της Apple διεξήγαγαν ένα τεστ A/B για να μετρήσουν πώς οι ετικέτες συνάφειας που δημιουργούνται από την τεχνητή νοημοσύνη θα επηρεάσουν την κατάταξη αναζήτησης στο App Store και τις λήψεις εφαρμογών. Να τι βρήκαν.

Οι ετικέτες συνάφειας που δημιουργούνται από το AI βελτίωσαν ελαφρώς τις μετατροπές αναζήτησης στο App Store

Σε μια νέα μελέτη με τίτλο Κλιμάκωση συνάφειας αναζήτησης: Αύξηση κατάταξης στο App Store με κρίσεις που δημιουργούνται από το LLMμια ομάδα ερευνητών της Apple διερεύνησε εάν τα LLM θα μπορούσαν να βοηθήσουν στη βελτίωση των αποτελεσμάτων αναζήτησης του App Store δημιουργώντας τις ετικέτες συνάφειας που χρησιμοποιούνται για την εκπαίδευση του συστήματος κατάταξης.

Όπως εξηγεί η μελέτη, η συνάφεια είναι προφανώς το κλειδί για να βοηθήσει τους χρήστες να βρουν τις εφαρμογές που αναζητούν. Και ενώ υπάρχουν πολλά σήματα που μπορούν να συμβάλουν στην κατάταξη αναζήτησης, οι ερευνητές εστίασαν σε δύο βασικά:

• Συνάφεια συμπεριφοράςτο οποίο αντικατοπτρίζει τον τρόπο με τον οποίο οι χρήστες αλληλεπιδρούν με τα αποτελέσματα, όπως εάν πατούν ή κάνουν λήψη μιας εφαρμογής.
• Κειμενική συνάφειατο οποίο μετρά πόσο καλά τα μεταδεδομένα μιας εφαρμογής (όπως το όνομα, η περιγραφή και οι λέξεις-κλειδιά της) ταιριάζουν σημασιολογικά με το ερώτημα αναζήτησης ενός χρήστη.

Στη μελέτη, οι ερευνητές λένε ότι ενώ υπάρχουν πολλά διαθέσιμα δεδομένα σχετικά με τη συνάφεια συμπεριφοράς (καθώς μπορεί να μετρηθεί εύκολα), δεν ισχύει το ίδιο για τη συνάφεια του κειμένου:

Ενώ οι ετικέτες συνάφειας συμπεριφοράς είναι άφθονες, οι ετικέτες συνάφειας κειμένου που δημιουργούνται από ανθρώπινους κριτές είναι πολύ πιο σπάνιες. Αυτό δημιουργεί ένα θεμελιώδες πρόβλημα: οι ετικέτες συνάφειας κειμένου υψηλής ποιότητας είναι σπάνιες και δαπανηρές στην παραγωγή, δημιουργώντας ένα εμπόδιο επεκτασιμότητας και αφήνοντας τον στόχο συνάφειας κειμένου να υπονομεύεται στην εκπαίδευση πολλαπλών στόχων.

Για να αντιμετωπίσουν αυτό το πρόβλημα, οι ερευνητές βελτίωσαν ένα LLM 3 δισεκατομμυρίων παραμέτρων σε υπάρχουσες ανθρώπινες κρίσεις, ώστε να μπορεί να μάθει να εκχωρεί ετικέτες συνάφειας σε εφαρμογές με βάση το ερώτημα αναζήτησης ενός χρήστη και τα μεταδεδομένα της εφαρμογής.

Στη συνέχεια, δημιούργησαν εκατομμύρια νέες ετικέτες συνάφειας με αυτό το μοντέλο και επανεκπαίδευσαν το σύστημα κατάταξης του App Store χρησιμοποιώντας τόσο τα αρχικά δεδομένα όσο και τις ετικέτες που δημιουργήθηκαν από το LLM.

Μόλις έγινε αυτό, πραγματοποίησαν μια αξιολόγηση εκτός σύνδεσης, ακολουθούμενη από μια παγκόσμια δοκιμή A/B για την ζωντανή επισκεψιμότητα του App Store:

«(…) το llm-augmented Το μοντέλο έδειξε μια στατιστικά σημαντική αύξηση +0,24% στην κύρια μέτρηση, το ποσοστό μετατροπών, που ορίζεται ως το ποσοστό των περιόδων σύνδεσης αναζήτησης με τουλάχιστον μία λήψη εφαρμογής. Αν και αυτός ο αριθμός μπορεί να φαίνεται μικρός, θεωρείται σημαντική βελτίωση για έναν ώριμο βιομηχανικό ταξινομητή. Αυτό το κέρδος παρατηρήθηκε στο 89% των βιτρινών».

Με άλλα λόγια, οι χρήστες που είδαν τα αποτελέσματα αναζήτησης ταξινομημένα χρησιμοποιώντας το επαυξημένο μοντέλο LLM κατέβασαν τουλάχιστον μία εφαρμογή 0,24% πιο συχνά από τους χρήστες που είδαν τα αποτελέσματα αναζήτησης που παρουσιάζονται από το παραδοσιακό μοντέλο κατάταξης.

Και ενώ το 0,24% είναι προφανώς μια πολύ μικρή αύξηση, κλιμακώνεται αρκετά γρήγορα αν σκεφτούμε ότι οι περισσότερες εκτιμήσεις συνδέουν τις συνολικές λήψεις App Store το 2025 σε περίπου 38 δισεκατομμύρια. Στην πράξη, αυτό θα μπορούσε να μεταφραστεί σε δεκάδες εκατομμύρια πρόσθετες λήψεις από αναζητήσεις στο App Store, τις οποίες οι προγραμματιστές σίγουρα θα εκτιμούσαν.

Για να διαβάσετε την πλήρη μελέτη, ακολουθήστε αυτόν τον σύνδεσμο.

Προσφορές αξεσουάρ στο Amazon