在零售技术做AI的95后：我们这样搞定技术难题
💡
原文中文，约5800字，阅读约需14分钟。
📝
内容提要
京东的年轻算法工程师通过实验和技术创新，解决了广告图像评估和查询扩展等问题。他们运用多模型组合和强化学习，提升了AI的理解和生成效率，实现了高效的广告图制作和精准的用户需求匹配。这些突破源于深入分析问题和跨领域知识的应用，体现了技术人员的成长与探索精神。
🎯
关键要点
- 京东年轻算法工程师通过实验和技术创新解决广告图像评估和查询扩展问题。
- 运用多模型组合和强化学习提升AI理解和生成效率，实现高效广告图制作。
- 技术突破源于深入分析问题和跨领域知识应用，体现技术人员成长与探索精神。
- 广告图片评估面临主观标准问题，AI难以理解复杂审美和商业要求。
- 通过多个小奖励模型组合替代单一大模型，提升评判精细度和灵活性。
- 基于人类反馈的广告图像生成框架实现生成图片可用率98%，召回率提升近30%。
- 不断反思和复盘是成长的最佳途径，跨领域知识迁移能带来创新火花。
- 传统神经网络在query扩展中无法有效生成新用户搜索意图的扩展query。
- 基于大语言模型的query扩展框架通过预训练和强化学习提升模型效果。
- 通过分析具体案例定位问题，实验验证不同解决方案确保选择最优解。
- 优化京东商家智能助手过程需突破传统监督学习的限制，实现自我进化。
- 设计Agent全链路评估技术，精准定位问题来源，提升模型效果。
- 文生图大模型在电商场景中需优化参数量和推理速度，确保性能不受影响。
- 通过FFT技术和RDP算法识别模型冗余部分，提升模型训练吞吐量40%。
- 在智能导购场景中，需精准理解用户需求并映射到商品库的结构化参数。
- 通过多轮对话引导用户完善需求，实现智能导购体验，提升购买转化率。
- 数据清洗和过滤是模型训练的关键，失败中积累经验，调整策略再出发。
❓
延伸问答
京东的年轻算法工程师是如何解决广告图像评估问题的？
他们通过多个小奖励模型的组合来替代单一大模型，提升了评判精细度和灵活性，从而更好地理解广告图像的复杂审美和商业要求。
在广告图像生成中，使用人类反馈的框架有什么效果？
基于人类反馈的框架使生成图片的可用率达到98%，并且召回率提升了近30%。
如何优化京东商家智能助手的性能？
通过强化学习和Agent全链路评估技术，帮助模型实现自我进化，突破传统监督学习的限制。
在query扩展中，京东团队采用了什么技术来提升效果？
他们研究了一种基于大语言模型的query扩展框架，结合预训练和强化学习来提升模型的效果。
文生图大模型在电商场景中面临哪些挑战？
这些模型通常参数量巨大，占用大量算力资源且推理速度较慢，需要优化以确保性能不受影响。
如何通过多轮对话提升智能导购的用户体验？
通过引导用户完善需求，将技术参数转化为用户语言，结合电商知识，动态生成易懂的解释，提升购买转化率。
➡️
