සැබෑ පාරිභෝගික ප්‍රතිචාර සියයට 90 ක නිරවද්‍යතාවයකින් අනාවැකි කියන AI කෘත්‍රිම ගැනුම්කරුවෝ - අධ්‍යයනයක්
නව පර්යේෂණයක් පෙන්වා දෙන්නේ විශාල භාෂා ආකෘති (large language models) කෘත්‍රිම පාරිභෝගිකයින් ලෙස ක්‍රියා කළ හැකි බවත්, සැබෑ මිනිසුන් නිෂ්පාදන වලට ප්‍රතිචාර දක්වන ආකාරය, සැබෑ මිනිසුන්ගෙන් සංවේදීමක් කිරීමේ නිරවද්‍යතාවයෙන් සියයට 90 ක් පමණ නිරවද්‍යතාවයකින් අනාවැකි කළ හැකි බවත්ය. නිෂ්පාදන සංකල්පයක් පරීක්ෂා කිරීමේ පැරණි ක්‍රමය යනු මිනිසුන් සිය ගණනකගෙන් සංවේදීමක් කිරීම, දින හෝ සති ගණනක් බලා සිටීම, ඩොලර් දහස් ගණනක් ගෙවීම සහ තවමත් පක්ෂග්‍රාහී පිළිතුරු වල අවදානම ගැනීමයි. නව ක්‍රමයට ගතවෙන්නේ මිනිත්තු කිහිපයක් පමණි: AI ට සවිස්තරාත්මක චරිතයක් (persona) ගැනීමට කියන්න, නිදසුනක් ලෙස වාර්ෂික ඩොලර් 50,000 ක් උපයන ටෙක්සාස් හි වයස 35 ක මවක් ලෙස, නිෂ්පාදනය එයට පෙන්වා, එම පුද්ගලයා එය මිලදී ගනීදැයි අසන්න.
මෙම නිරවද්‍යතාවය පිටුපස ඇති තාක්ෂණය අර්ථ සමානතා ඇගයීම (semantic similarity rating) ලෙස හැඳින්වේ. AI ගෙන් නිෂ්පාදනය එකේ සිට පහ දක්වා ශ්‍රේණිගත කරන ලෙස ඉල්ලීම වෙනුවට, එයින් අසංගත ප්‍රතිඵල ලැබෙන නිසා, පර්යේෂකයන් එයින් සරල භාෂාවෙන් සිය ප්‍රතිචාරය පැහැදිලි කරන ලෙස ඉල්ලා, පසුව එම පැහැදිලි කිරීම ශ්‍රේණි මට්ටමකට එකක් වශයෙන් කලින් ලියන ලද යොමු ප්‍රකාශ පහක් සමඟ ගළපයි. මෙම ක්‍රමය AI හොඳින්ම කරන දේට ගැලපේ: අංක තෝරා ගැනීම වෙනුවට වචන වලින් තර්ක කිරීම.
තහවුරු කිරීම ලැබුණේ පුද්ගලික සැලකීමේ නිෂ්පාදන ශ්‍රේණිගත කළ පුද්ගලයින් 9,300 ක් ආවරණය කරන සැබෑ නිෂ්පාදන සංවේදීම් 57 කිනි. AI විසින් මිනිස් තරු ශ්‍රේණිගත කිරීම් වල බෙදීම ගැලපූ අතර, නිෂ්පාදන එම අනුපිළිවෙළින්ම ශ්‍රේණිගත කළ අතර, වයස සහ ආදායම අනුව ජනවිකාස රටා ප්‍රතිනිෂ්පාදනය කළ අතර, බොහෝ විට මිනිස් ප්‍රතිචාර දක්වන්නන්ට වඩා වැඩි විස්තර ඇති ප්‍රතිපෝෂණය ලියන ලදී. සාම්පල ප්‍රතිචාර සැබෑ ගැනුම්කරුවන් මෙන් පෙනුණි: එක් චරිතයක් ශරීර සබන් (body wash) එකක් තමාට වැඩිපුර අලංකාර බව කියා, එය දන්නා දේ සමඟම රැඳී සිටින බව පැවසූ අතර, තවත් එකක් භාවිත පහසුව සහ ආරක්ෂාව, සාර්ථකත්වය පිළිබඳ වැඩි සාක්ෂි අවශ්‍ය වීම සමඟ බර කළේය. සංසන්දනයකදී, පසුගිය පාරිභෝගික දත්ත මත පුහුණු කළ සාම්ප්‍රදායික යන්ත්‍ර-ඉගෙනීමේ ආකෘති වලට ලැබුණේ සියයට 65 ක් පමණ නිරවද්‍යතාවයක් පමණි.
විකුණුම්කරුවන් සඳහා යෙදවුම් ක්ෂණික ය. විවිධ ජනවිකාස වල AI චරිත එක් එක් අපේක්ෂකයා සමාලෝචනය කරවීමෙන් සහ ජයග්‍රාහකයා පමණක් නිෂ්පාදනය කිරීමෙන් නිෂ්පාදන සංකල්ප නිෂ්පාදනයට පෙර පරීක්ෂා කළ හැකි අතර, ඉලක්කගත ගැනුම්කරුවන් විශ්වවිද්‍යාල ශිෂ්‍යයන්, ව්‍යාපාරික වෘත්තිකයන්, එළිමහන් ක්‍රීඩා ප්‍රේමීන් හෝ දෙමාපියන් වුවත්. පිටු AI පාරිභෝගිකයන්ට පෙන්වා ඔවුන් මතු කරන විරෝධතා සහ සැලකිලිමත් වීම් වටා නැවත ලිවීමෙන් ලැයිස්තුගත කිරීම් වැඩිදියුණු කළ හැක. මිල ගණන් ආදායම් මට්ටම් හරහා පරීක්ෂා කර මිලදී ගැනීමේ අභිප්‍රාය කොතැනදී පහත වැටේද යන්න සොයා ගත හැක. රූප, ඇසුරුම්, පණිවිඩ සහ බණ්ඩල් සියල්ලම සැබෑ ගමනාගමනයට ඩොලර් එකක් යනතෙක් අනුකරණයේදී A/B පරීක්ෂා කළ හැක.
ගැඹුරු වෙනස, පර්යේෂකයන් තර්ක කරන්නේ, පාරිභෝගිකයන් අතීතයේ කළ දේ විශ්ලේෂණය කිරීමෙන් අනාගතයේ ඔවුන් කරන දේ අනුකරණය කිරීමට මාරු වීම, හිස් මිනුම් දර්ශක වලට වඩා මනෝවිද්‍යාත්මක අන්තර්දෘෂ්ටි සමඟිනි. ඔවුන්ගේ නිගමනය මැනවින් පවතින නමුත් අවධානය යොමු කළ යුතු ය: සුදුසු ක්‍රම සමඟ යුගලන ලද විශාල භාෂා ආකෘති සංකල්ප පරීක්ෂා කිරීම සඳහා විශ්වාසදායක කෘත්‍රිම ගැනුම්කරුවන් ලෙස ක්‍රියා කරයි, එයින් අදහස් වන්නේ සන්නාම වලට තොග හෝ දැන්වීම් වලට මුදල් වැය කිරීමට පෙර ගැනුම්කරුවන්ට අවශ්‍ය දේ අනුමාන කිරීම නවත්වා දැමිය හැකි බවයි.
වේදිකා පුවත් අතරින්, Walmart සහ Sam's Club OpenAI සමඟ උපායමාර්ගික සම්බන්ධතාවයක් නිවේදනය කළ අතර, එයින් පාරිභෝගිකයන්ට Walmart හි අඩවියට හෝ යෙදුමට පිවිසීමකින් තොරව ChatGPT සංවාද තුළම මිලදී ගැනීම් සම්පූර්ණ කළ හැක. AI මනාපයන් ඉගෙන ගෙන අවශ්‍යතා අනුමාන කරන නිසා, එය භාවිත කරන සිල්ලර වෙළඳුන්ට ගැනුම්කරුවන් වෙළඳපලකට ළඟා වීමටත් පෙර මිලදී ගැනීමේ අභිප්‍රාය අත්කර ගත හැකි අතර, මෙම ගනුදෙනුව Walmart හි ලැයිස්තුගත කිරීම්, පාරිභෝගික සේවය සහ සේවක පුහුණුව ඇතුළු පුළුල් AI උත්සාහය දිගටම ගෙන යයි.
විකුණුම්කරුවන් Amazon හි AI සාප්පු සහායකයා වන Rufus සඳහා ප්‍රශස්තිකරණය කිරීම පිළිබඳ සවිස්තරාත්මක මාර්ගෝපදේශය ද තේරුම් ගනිමින් සිටිති. මූලික වෙනස මූලපද වලින් කතා රේඛා (storylines) වෙතය: නිෂ්පාදනයක් සේවය කරන මෙහෙයුම් (missions) සිතියම්ගත කිරීම, නිදසුනක් ලෙස කාර්යාල පුටුවක් සඳහා දුරස්ථ වැඩ සැකසුම් හෝ පිටු-රිදීම සැනසීම, සහ පාරිභෝගිකයෙකු පැමිණිය හැකි සෑම මාර්ගයකටම ලැයිස්තුව ක්‍රියා කරන බව සහතික කිරීම, යෝගා පායකට (yoga mat) යෝග ව්‍යායාම, සන්ධි සෞඛ්‍යය, භාවනාව හෝ සංචාරක ව්‍යායාම වුවත්.
මාර්ගෝපදේශය දිගටම කියවේ: නිෂ්පාදනය සමඟ කුමක් ගළපේද යන්න පැහැදිලි කිරීමෙන් ගැනුම්කරුවන්ට ඔවුන්ගේ මෙහෙයුම සම්පූර්ණ කිරීමට උදව් කරන්න; Rufus ට පිළිතුරු අවශ්‍ය ප්‍රශ්න වලට උත්තර දෙන්න, නිදසුනක් ලෙස යමක් ආරම්භකයන්ට සුදුසුද හෝ කුඩා අවකාශ වලට ගැලපේද යන්න වැනි; සහ හිස් පිරිවිතර සන්දර්භයෙන් පිරිනිමන ලිපියකින් ප්‍රතිස්ථාපනය කරන්න, මිලිමීටර හයක ලිස්සා නොයන යෝගා පායක් පරිසර-හිතකාමී, භෞත චිකිත්සක නිර්දේශිත, නිවසේ පුහුණුව සඳහා වන පායක් බවට, එය කොටස් (blocks), තීර (straps) සහ උසස් කුෂණ (bolsters) සමඟ ගළපේ. Rufus පසුගිය මිලදී ගැනීම් මතක තබා ගන්නා නිසා පළමු-ඇණවුමේ ගුණාත්මකභාවය තීරණාත්මක වන අතර, එය පිටත සමාලෝචන සහ විශේෂඥ මත සමීක්ෂණය කරන නිසා, සන්නාම වලට මිලදී-ගැනීමේ මාර්ගෝපදේශ විශේෂාංග, විශේෂඥ සමාලෝචන සහ සම්මාන සොයා යාමට උපදෙස් දෙනු ලැබේ. සාම්ප්‍රදායික මූලපද වැඩ සමාන්තරව දිගටම කළ යුතුය, මන්ද මූලපද තවමත් සහායකයාට නිෂ්පාදනය කුමක්ද යන්න කියා දෙන නිසාය.
Amazon විසින් Rufus 2025 දී ඩොලර් මිලියන 700 ක ලාභයක් උත්පාදනය කරනු ඇතැයි අපේක්ෂා කරන බව වාර්තා වේ, මෙය සහායකයා එහි වාණිජ උපාය මාර්ගයට කොතරම් කේන්ද්‍රීය වී ඇත්ද යන්න පෙන්වන සලකුණකි.