LLMを活用したAmazon商品リストの改善

**タイトル: LLM（大規模言語モデル）を活用したAmazon商品リストの改善** **LLM（大規模言語モデル）を活用したAmazon商品リストの改善** 大規模言語モデル（LLM）により、製品カタログの正確性、信頼性、一貫性が大規模に向上しています。 **会話型AI** **Abhishek Agrawal** **November 28, 03:25 PM** **November 28, 03:25 PM** Amazonのオンラインカタログには数億点の商品が掲載されており、毎日数百万件の商品リストが追加・編集されています。商品データ（画像、タイトル、説明、使用上の推奨事項）は、買い物客が求める商品を迅速に見つけられるよう、完全で正確で魅力的なものでなければなりません。 商品データの品質を確保するため、Amazonは従来、パティオ家具からヘッドフォンまで、独立した商品カテゴリーごとに最適化された専門的な機械学習（ML）モデルに依存してきました。これらのモデルは、情報の追加・更新、不正確な箇所の特定、情報の統合、テキストの多言語翻訳、そして第三者ソースからのデータ取り込みを行っています。 このようなモデルは、サイズ、形状、色、素材などで十分に記述できるディナープレートのように、属性リストが小さく構造化された商品で最も効果を発揮します。しかし、カタログには、はるかに複雑で微妙なニュアンスを持つ属性を持つ商品も多く、特別に訓練されたMLモデルや手動レビューが必要となります。 商品リストの品質が買い物客のニーズを満たすことを確実にするため、私たちは適応性と汎用性に優れた大規模言語モデル（LLM）に着目しました。カタログからの属性データをプロンプト（指示）として与えると、LLMはカタログの構造と語彙に適応し、品質管理プロセスに効果的に統合できるようになります。これらのカタログAIソリューションは、Amazonストア全体の規模で商品属性を修正・更新しています。 **プロンプトチューニング** LLMをカタログ品質管理の課題に適応させるには、製品カタログに関する知識をLLMに与える必要がありました。言い換えれば、数百万点の製品と製品タイプを最も正確に記述する属性セマンティクスと値を、体系的に導入する必要があったのです。しかし、その前にまずその知識体系を構築する必要がありました。このプロセスは、製品タイプと属性値によってカタログ全体を要約・整理することから始まります。これは、非常に大きく複雑なスプレッドシートの行をグループ化する作業に、いくらか似ています。 ![image](https://assets.amazon.science/3a/0a/4a10d0894c1a80a74053a34d02f5/catalogue-improvement-workflow.png) Amazonの新しい継続的カタログ改善ワークフロー。この再編成により、様々な製品タイプに対する出品者提供の属性値の範囲、そして重要なことに、それらの値がどのくらいの頻度で、どこに出現するかの統計を把握できます。これらの統計は、値の正確性を判断する上でかなり優れた指標となります。例えば、あるカテゴリーでより多くの製品が特定の属性値を使用している場合、または特定の属性値を持つ製品が顧客により頻繁に閲覧されている場合、その属性は正しいと信頼できます。ワイヤレスヘッドフォンの属性が「Bluetooth」、「BT」、「BT 5.1」、「Bluetooth version 5.1」などと表記される可能性があっても、統計は「Bluetooth」がLLMに教えるべき最適な候補であることを示してくれるでしょう。 属性統計は多くの属性で有効ですが、すべてに機能するわけではありません。特に、より微妙なニュアンスが関わる場合です。一部の属性における課題の一つが「粒度」、つまり製品をどれだけ詳細に記述するかです。例えば、外科用器具の属性値が「ステンレス鋼」または「440ステンレス鋼」である場合が挙げられます。後者の方が粒度が細かい（詳細な）記述です。「ステンレス鋼」の方が一般的な属性値であっても、「440ステンレス鋼」という情報を排除したくはありません。 このような詳細な粒度をカタログに保持する方法が、**プロンプトチューニング**と呼ばれる反復プロセスです。これは、汎用LLMを、それが使用される環境に存在する特定の**スキーマ**、ルール、用語に繰り返し触れさせることで行います。LLMに粒度の概念を追加するため、「返される値は、候補リスト内の値の粒度（詳細さ）と一致しなければならない」といったフレーズでプロンプトを与えるかもしれません。また、LLMにその応答の背後にある推論を求めると、その性能が向上する傾向があるだけでなく、エンジニアがプロンプトをさらに微調整するための洞察も得られます。 プロンプトチューニングは、製品説明における他の微妙な違いを扱う方法でもあります。例えば、「men's shirt」と「men shirt」のような表現の一貫性を確保することや、テレビの「4K」という表記よりも情報量の多い「4K UHD HDR」といった、意味のある値表現を維持することが含まれます。 何度にもわたるプロンプトチューニングを経て、LLMはカタログ全体を処理する準備が整います。そこでは主に3つのタスクを実行します：(1) 標準的な属性値を認識して正確性を確立すること、(2) 標準値の代替表現や**同義語**を収集すること、(3) 誤ったまたは無意味なデータエントリを検出することです。 この新しいプロセスにより、出品者によって提供された最新の値がより迅速に（数日以内に）カタログに反映されることが保証され、人的レビューに要する数千時間が節約されます。さらに、LLMを活用することで、監視・更新可能な言語の数を増やすこともできました。私たちのLLMベースの手法により、品質管理プロセスをカタログの最も辺境な領域まで拡張することが可能になりました。これは、以前のプロセスではコスト的に実行が困難だった領域です。 研究分野: 会話型AI タグ: 大規模言語モデル（LLM）

LLMを活用したAmazon商品リストの改善

背景や根拠まで確認しますか？

関連記事

調べる

選ぶ

サイト