Դիզայնեք A/B թեստավորման վերնագրերի ուղարկման համակարգ LLM սերնդով։

ԼԱՄ (Մեծ Լեզվի Մոդել) օգտագործելով վերնագրերի տարբերակներ ստեղծելու և A/B փորձարկումների համակարգի համար կարող է նախագծվել հետևյալ ճարտարապետությունը՝

1. Վերնագրերի ստեղծում:

   • Օգտագործել LLM API (օրինակ՝ OpenAI GPT)՝ ստեղծելու մի քանի տարբերակներ հիմնական տեքստի կամ ուղարկման թեմայի հիման վրա:
   • Պահպանել ստեղծված տարբերակները մետադատված տվյալների բազայում (ստեղծման ժամանակը, ստեղծման պարամետրերը):

2. Հասարակության սեգմենտացիա:

   • Բաժանել բաժանորդների բազան մի քանի հավասար մասերի (օրինակ՝ 2-3 խմբեր A/B/C փորձարկումների համար):
   • Յուրաքանչյուր խմբին վերագրել մեկ տարբերակ վերնագրերից:

3. Ուղարկում:

   • Ուղարկել էլփոստեր համապատասխան վերնագրերով յուրաքանչյուր խմբին:
   • Գրանցել բացման, սեղմման և այլ մետրիկայի իրադարձությունները:

4. Վերլուծություն և հաղթողի ընտրություն:

   • Հավաքել վիճակագրություն յուրաքանչյուր խմբի համար:
   • Հիմնվելով հիմնական մետրիկաների (բացումներ, CTR) վրա՝ որոշել լավագույն վերնագիրը:
   • Ավտոմատ կամ ձեռքով ընտրել գլխավոր ուղարկման հաղթողը:

5. Ավտոմատացում և ընդլայնում:

   • Կարգավորել պայպլայն՝ տարբերակների ժամանակավոր թարմացման հնարավորությամբ:
   • Օգտագործել հաղորդագրությունների հերթեր և միկրոսերվիսներ՝ ստեղծման, ուղարկման և վերլուծության համար:

Օպտիմալացված կոդ Python-ում՝ օգտագործելով OpenAI API՝ վերնագրերի ստեղծման համար՝

import openai

openai.api_key = 'ՁԵՐ_API_ԿԻՑԵՐԸ'

def generate_headlines(topic, n=3):
    prompt = f"Ստեղծել {n} գրավիչ էլփոստի թեմատիկ վերնագրեր՝ {topic} թեմայով:"
    response = openai.Completion.create(
        engine="text-davinci-003",
        prompt=prompt,
        max_tokens=50,
        n=n,
        stop=None
    )
    return [choice.text.strip() for choice in response.choices]

headlines = generate_headlines('նոր արտադրանքի գործարկում')
print(headlines)

Այս մոտեցումը թույլ է տալիս ճկունորեն ստեղծել և փորձարկել վերնագրերը՝ բարձրացնելով ուղարկումների արդյունավետությունը։