DASO: πώς η AI μαθαίνει να προτείνει το σωστό προϊόν χωρίς να χάνει τον δρόμο

Από το ranking στη δημιουργία Semantic IDs

Τα κλασικά recommendation systems συνήθως ανακτούν ένα σύνολο υποψήφιων προϊόντων και στη συνέχεια τα κατατάσσουν. Στο generative recommendation, το μοντέλο λαμβάνει το ιστορικό ή άλλο context του χρήστη και παράγει απευθείας το αναγνωριστικό του επόμενου item. Η πρόταση μετατρέπεται έτσι σε autoregressive generation μιας μικρής ακολουθίας tokens.

Για να παραμένει διαχειρίσιμος ένας μεγάλος κατάλογος, κάθε προϊόν μπορεί να αναπαρασταθεί από ένα Semantic ID: μια σύντομη, ιεραρχική ακολουθία διακριτών κωδικών. Τα πρώτα επίπεδα επιδιώκεται να εκφράζουν ευρύτερη σημασιολογική συγγένεια και τα επόμενα να εξειδικεύουν την επιλογή. Στα δημόσια πειράματα του DASO τα IDs έχουν τρία επίπεδα με έως 256 κωδικούς ανά επίπεδο. Στο εσωτερικό βιομηχανικό dataset έχουν τέσσερα επίπεδα και έως 2.048 κωδικούς ανά επίπεδο.

Η ιεραρχία δημιουργεί πληροφορία που ένα απλό item ID δεν έχει. Αν η πρόβλεψη αποτύχει στο πρώτο token, εισέρχεται σε λάθος υποδέντρο. Αν πετύχει τα πρώτα δύο tokens αλλά χάσει το τρίτο, βρίσκεται πολύ πιο κοντά στον στόχο. Ένα binary reward που ελέγχει μόνο το τελικό item αγνοεί αυτή τη διαφορά, ενώ το DASO τη χρησιμοποιεί ως ενδιάμεσο training signal.

Η διαφορά έχει σημασία για την αρχιτεκτονική ενός e-shop. Η ποιότητα της εξατομίκευσης δεν εξαρτάται μόνο από το μέγεθος του μοντέλου. Εξαρτάται από την αναπαράσταση του καταλόγου, τη σταθερότητα των item mappings, τη συνέπεια του user context και το πώς ορίζεται το reward. Αυτό συνδέεται άμεσα με τις πλατφόρμες εξατομίκευσης για επιχειρήσεις, αλλά προϋποθέτει πολύ πιο ειδική υποδομή από ένα έτοιμο recommendation widget.

Γιατί το GRPO μπορεί να μείνει χωρίς χρήσιμο σήμα

Η συνταγή που εξετάζουν οι συγγραφείς ξεκινά με supervised fine-tuning (SFT) και συνεχίζει με Group Relative Policy Optimization (GRPO). Για κάθε prompt, το GRPO παράγει μια ομάδα πιθανών απαντήσεων, αποδίδει reward σε καθεμία και ενισχύει όσες είναι καλύτερες από τον μέσο όρο της ομάδας. Η σύγκριση λειτουργεί όταν τα rewards έχουν ουσιαστική διακύμανση.

Το πρόβλημα εμφανίζεται όταν κανένα rollout δεν φτάνει στο σωστό item. Με καθαρά item-level reward, πολλές ή όλες οι απαντήσεις μπορούν να πάρουν το ίδιο μηδενικό αποτέλεσμα. Τότε τα group-relative advantages πλησιάζουν το μηδέν και το policy gradient δεν ξεχωρίζει μια πρόβλεψη που βρήκε το σωστό πρώτο επίπεδο από μια πρόβλεψη που βγήκε αμέσως σε άσχετο κλάδο.

Στο frozen SFT checkpoint, οι πρώτοι 16 υποψήφιοι ενός constrained ranking 50 beams δεν περιείχαν ούτε match στο πρώτο SID token για το 52,5% έως 63,9% των prompts στα δημόσια test sets. Οι τιμές δεν προέρχονται από τα on-policy training rollouts· είναι prompt-level diagnostic στο παγωμένο checkpoint. Οι συγγραφείς τις χρησιμοποιούν ως ένδειξη ότι ανάλογες target-missing ομάδες μπορεί να είναι συχνές κατά το training.

Για μια product team, αυτή είναι χρήσιμη διαγνωστική αρχή. Πριν προστεθεί σύνθετο reinforcement learning, πρέπει να αποδειχθεί ότι το πρόβλημα είναι όντως η απουσία του target branch και όχι κακή ποιότητα δεδομένων, ασυνεπείς IDs, λανθασμένο catalog taxonomy, ανεπαρκές context ή λάθος offline metric. Η ανάλυση προϊόντων πρέπει να ξεκινά από το πραγματικό failure mode, όχι από την επιλογή μιας εντυπωσιακής μεθόδου.

Πώς το DASO μετρά τη δυσκολία online

Το DASO δεν κολλά μόνιμα την ετικέτα «εύκολο» ή «δύσκολο» σε ένα prompt. Σε κάθε βήμα εκπαίδευσης εξετάζει την τρέχουσα ομάδα rollouts και υπολογίζει το prefix-match depth: το μήκος του μεγαλύτερου αρχικού τμήματος που συμφωνεί με το target Semantic ID. Βάθος μηδέν σημαίνει ότι χάθηκε το πρώτο token· πλήρες βάθος σημαίνει exact hit.

Από τα βάθη δημιουργείται ένα σωρευτικό prefix profile. Η πτώση ανάμεσα σε δύο διαδοχικά επίπεδα δείχνει πού εγκαταλείπουν συχνότερα τη σωστή διαδρομή οι υποψήφιοι. Αν η πτώση βρίσκεται στη ρίζα, το guidance πρέπει να βοηθήσει την είσοδο στο σωστό coarse branch. Αν αρκετά rollouts φτάνουν βαθύτερα, η παρέμβαση μεταφέρεται μετά το κοινό prefix.

Η online μέτρηση είναι ουσιώδης επειδή η δυσκολία μεταβάλλεται μαζί με την policy. Ένα prompt που ήταν δύσκολο στο αρχικό SFT checkpoint μπορεί να γίνει ευκολότερο αργότερα, ενώ ένα στατικό bucket δεν θα το αντιληφθεί. Στις ablations, η static παραλλαγή ήταν χαμηλότερη από το πλήρες DASO στα aggregate HR@5 και NDCG@5 και για τα δύο backbones και datasets.

Guided rollouts στο σωστό βάθος

Αν η raw ομάδα περιέχει ήδη το ακριβές target SID, το DASO την αφήνει αμετάβλητη: υπάρχει ήδη αντίθεση ανάμεσα σε σωστές και λανθασμένες επιλογές. Αν λείπει το exact hit, η μέθοδος υπολογίζει ένα budget καθοδήγησης που αυξάνεται όσο μικραίνει το μέσο prefix-match depth, πάντα κάτω από το όριο των 9 θέσεων σε ομάδα 16 rollouts.

Το budget κατανέμεται στα bottleneck depths ανάλογα με τις πτώσεις του prefix profile και με deterministic largest-remainder rounding. Για κάθε guided completion, το σωστό target prefix σταθεροποιείται μέχρι το επιλεγμένο βάθος και η τρέχουσα policy παράγει το υπόλοιπο suffix. Οι guided completions αντικαθιστούν τα πιο αδύναμα raw rollouts, ενώ τα ισχυρότερα διατηρούνται ως on-policy contrast.

Τα forced-prefix tokens αντιμετωπίζονται ως conditioning context, όχι ως actions της policy. Οι likelihood-ratio και KL όροι του GRPO εφαρμόζονται μόνο στα suffix tokens που παρήγαγε το μοντέλο. Έτσι η μέθοδος εισάγει χρήσιμο target-path signal χωρίς να μετατρέπει ολόκληρη την ομάδα σε teacher-forced batch.

Αυτή η ισορροπία είναι πιο σημαντική από την απλή προσθήκη «σωστών απαντήσεων». Στο δημόσιο comparison, το πλήρες DASO ήταν υψηλότερο από την ομοιόμορφη MiniOneRec + GT παραλλαγή σε 11 από 12 metrics. Το αποτέλεσμα συγκρίνει ολόκληρα training frameworks και δεν απομονώνει μόνο τον allocator, αλλά δείχνει γιατί η θέση και η ποσότητα του guidance αξίζουν ξεχωριστό σχεδιασμό.

Reward για τη μερική πρόοδο

Το DASO διατηρεί τον item-accuracy reward και το rank-aware συστατικό του MiniOneRec με βάρος 0,3. Προσθέτει έναν SID-prefix reward: το matched depth διαιρείται με το συνολικό βάθος του Semantic ID. Μια πρόβλεψη που ακολουθεί μεγαλύτερο μέρος της σωστής διαδρομής παίρνει περισσότερο credit από μία που αποτυγχάνει στο πρώτο επίπεδο.

Το prefix credit δεν αντικαθιστά τον τελικό στόχο. Η ακριβής επιλογή item παραμένει ξεχωριστός reward, επομένως ένα ρηχό prefix δεν μπορεί μόνο του να μεγιστοποιήσει το συνολικό αποτέλεσμα. Ο ρόλος του είναι να σπάει την ισοπαλία στις target-missing ομάδες, όταν το binary feedback θα ήταν σιωπηλό.

Η αφαίρεση του SID-prefix reward μείωσε και τα 12 aggregate metric entries που παρουσιάζει η σχετική ablation. Οι διαφορές δεν αποδεικνύουν ότι το prefix term είναι η μοναδική αιτία της βελτίωσης. Υποστηρίζουν ότι λειτουργεί μαζί με το online profiling, το περιορισμένο guidance και το SFT anchor.

Το SFT anchor ως μηχανισμός σταθερότητας

Η καθοδήγηση αυξάνει την plasticity, αλλά αλλάζει μέρος της κατανομής προς target-prefixed trajectories. Αυτό μπορεί να δημιουργήσει drift και να χειροτερέψει prompts που το αρχικό SFT checkpoint έλυνε ήδη. Για να περιορίσει την παλινδρόμηση, το DASO προσθέτει token-level supervised loss πάνω στη σωστή SID ακολουθία, με βάρος 0,1 στα αναφερόμενα πειράματα.

Χωρίς το SFT anchor, το aggregate HR@5 έπεσε και στις τέσσερις δημόσιες ρυθμίσεις. Τα Easy-bucket αποτελέσματα ήταν μικτά: σε μία ρύθμιση η παραλλαγή χωρίς anchor ήταν υψηλότερη. Η ασφαλής ερμηνεία είναι συνολική σταθεροποίηση, όχι εγγύηση ότι κάθε εύκολο prompt προστατεύεται πάντα.

Η αρχή γενικεύεται προσεκτικά σε production personalization. Όταν μια ομάδα βελτιστοποιεί μόνο τα failures, πρέπει να ελέγχει αν μεταφέρει το κόστος σε προϊόντα, κατηγορίες ή χρήστες που λειτουργούσαν σωστά. Regression suites ανά segment, shadow evaluation και rollback criteria είναι εξίσου σημαντικά με το νέο objective. Η ίδια πειθαρχία εμφανίζεται στην αξιόπιστη αξιολόγηση AI: το συνολικό score δεν αρκεί χωρίς κάλυψη και ανάλυση αποτυχιών.

Τι έδειξαν τα πειράματα

Οι συγγραφείς αξιολόγησαν Qwen2.5-1.5B-Instruct και Qwen2.5-3B-Instruct στα Amazon Reviews 2018 Office Products και Industrial and Scientific. Όλες οι μέθοδοι ξεκίνησαν από κοινό SFT checkpoint, χρησιμοποίησαν τα ίδια fixed MiniOneRec SID assignments, constrained decoding με το ίδιο valid-SID trie και αξιολόγηση 50 beams. Τα δημόσια metrics ήταν HR@5, NDCG@5 και HR@10.

Το DASO βελτίωσε το MiniOneRec-style GRPO σε 11 από 12 metrics και πέτυχε την καλύτερη τιμή σε 9 από 12. Στο Office Products, το HR@5 αυξήθηκε από 0,1420 σε 0,1639 για το 1.5B και από 0,1313 σε 0,1683 για το 3B. Στο Industrial and Scientific αυξήθηκε από 0,1321 σε 0,1421 και από 0,1334 σε 0,1476 αντίστοιχα.

Η μεγαλύτερη μεταβολή εμφανίστηκε στις αρχικά δύσκολες περιπτώσεις. Στο Office Products με το 1.5B, το Hard HR@5 ανέβηκε από 0,0331 σε 0,0624 και το Medium από 0,1224 σε 0,1693. Με το 3B, το Hard ανέβηκε από 0,0252 σε 0,0521 και το Medium από 0,1472 σε 0,2102. Τα buckets ορίστηκαν μία φορά στο frozen SFT checkpoint και χρησιμοποιήθηκαν μόνο για diagnostic evaluation, όχι ως training controller.

Στο proprietary εσωτερικό dataset, το Top-20 recall στο πρώτο SID level αυξήθηκε από 47,21% σε 54,23% έναντι του GRPO baseline και το τελικό level από 4,23% σε 4,67%. Το Top-20 recall στο level 2 ήταν η εξαίρεση: 5,16% με DASO έναντι 5,23% με GRPO. Αυτό υποστηρίζει ισχυρότερη είσοδο στο σωστό branch και καλύτερη τελική ανάκτηση, όχι ομοιόμορφη βελτίωση σε κάθε επίπεδο.

Τι δεν αποδεικνύει το paper για το e-commerce

Το paper μετρά recommendation accuracy και recall. Δεν μετρά revenue, conversion rate, basket size, margin, retention ή customer lifetime value. Επομένως δεν αποδεικνύει ότι η υιοθέτηση του DASO θα αυξήσει τις πωλήσεις ενός ηλεκτρονικού καταστήματος. Κάθε εμπορική επίδραση χρειάζεται ξεχωριστό online experiment με κατάλληλα guardrails.

Η μέθοδος επίσης δεν είναι plugin που εγκαθίσταται σε οποιοδήποτε e-shop. Προϋποθέτει Semantic IDs, fixed catalog mapping, constrained decoding, SFT checkpoint, GRPO υποδομή και σημαντικούς υπολογιστικούς πόρους. Η ομάδα πρέπει πρώτα να συγκρίνει αυτή την πολυπλοκότητα με απλούστερα baselines, τις δυνατότητες των υπαρχουσών πλατφορμών εξατομίκευσης για ηλεκτρονικό εμπόριο και το πραγματικό μέγεθος του καταλόγου.

Υπάρχει ακόμη trade-off στα Easy prompts. Το SFT-only checkpoint παραμένει ισχυρό στις περιπτώσεις που ήδη έφερνε το σωστό item, ενώ ορισμένα bucket-level scores μειώνονται μετά το RL. Μια επιχειρηματική αξιολόγηση πρέπει να κοιτά aggregate απόδοση και μεταβολή ανά segment, κατηγορία, νέο ή επαναλαμβανόμενο χρήστη, head και long-tail προϊόντα.

Η τεχνική ποιότητα του recommender είναι ένα μόνο μέρος της εμπειρίας. Η δομή κατηγοριών, τα φίλτρα, η διαθεσιμότητα, η ταχύτητα και το mobile UX μπορούν να ακυρώσουν ένα καλό ranking. Το Greek Business Website & eShop Benchmark 2026 and the SEO for eCommerce δείχνουν γιατί η απόδοση και η ευρεσιμότητα πρέπει να εξετάζονται μαζί με την εξατομίκευση.

Πρακτικό pilot για recommendation teams

Το σωστό pilot δεν ξεκινά με πλήρη αντικατάσταση του υπάρχοντος recommender. Ξεκινά με ένα versioned snapshot καταλόγου, κοινό evaluation set και σαφή σύγκριση SFT, vanilla GRPO και DASO. Η δημόσια GRID εργασία υπενθυμίζει ότι μικρές αρχιτεκτονικές και hyperparameter επιλογές μπορούν να επηρεάσουν σημαντικά τα αποτελέσματα, άρα η πειραματική απομόνωση είναι απαραίτητη.

The full-stack AI υποδομή έχει σημασία εδώ: το model objective, ο product catalog, το serving layer, τα analytics και η εμπειρία του χρήστη πρέπει να εκδίδονται και να παρακολουθούνται ως ενιαίο σύστημα. Ένα offline HR@5 gain δεν έχει αξία αν το catalog mapping είναι παλιό, το αποτέλεσμα εμφανίζεται αργά ή η πρόταση αγνοεί διαθεσιμότητα και επιχειρηματικούς περιορισμούς.

Τι κρατάμε για την AI personalization

Το ευρύτερο μάθημα του DASO είναι ότι σε έναν δομημένο χώρο αποφάσεων το «λάθος» δεν είναι πάντα μία ενιαία κατηγορία. Μια πρόβλεψη μπορεί να είναι κοντά ή μακριά από τη σωστή λύση και η δομή του output μπορεί να παρέχει ενδιάμεσο σήμα. Η αξία δεν βρίσκεται σε έναν γενικό difficulty score, αλλά σε μετρήσιμο progress μέσα σε συγκεκριμένη ιεραρχία.

Για marketers και e-commerce owners, αυτό μεταφράζεται σε απαίτηση για καλύτερα θεμέλια: καθαρό catalog taxonomy, σταθερά identifiers, συνεπή analytics και evaluation που χωρίζει τα segments. Η κατασκευή ενός e-shop που μπορεί να αξιοποιήσει advanced personalization ξεκινά από αξιόπιστα product δεδομένα και σωστή εμπειρία αναζήτησης, όχι από ένα training acronym.

Το DASO είναι τεκμηριωμένο παράδειγμα σχεδιασμού training loop γύρω από την πραγματική γεωμετρία του recommendation problem. Δεν είναι ακόμη γενική συνταγή για εμπορική επιτυχία. Η ώριμη εφαρμογή επιβεβαιώνει το failure mode, συγκρίνει απλούστερα baselines, προστατεύει όσα λειτουργούν και συνδέει κάθε online αλλαγή με μετρήσιμη επιχειρηματική επίδραση.