Pinterest bygger fælles AI-lag med Nvidia til hurtigere visuel søgning

Pinterest har annonceret et fælles AI-lag udviklet med Nvidia. Det centrale er ikke én ny funktion, som brugerne nødvendigvis ser med det samme, men en teknisk platform, der kan genbruges af flere produkter, som skal forstå billeder og sprog i sammenhæng. Dermed behøver de enkelte produktteams ikke at udvikle deres egen infrastruktur til hver ny visuel AI-oplevelse. 46

Tre byggesten i den nye platform

Pinterests vision-language-model-stack – altså systemet bag AI-modeller, der kombinerer synsindtryk og tekst – hviler på tre hoveddele:

• Nvidia Blackwell B200-GPU'er, som leverer regnekraften til at køre modellerne. 4
• Nvidia Dynamo, software til at afvikle og dirigere multimodale AI-forespørgsler mere effektivt. 24
• Pinterests visuelle embeddings, det vil sige forudberegnede numeriske repræsentationer af billedindhold. 26

Pointen med den sidste del er, at systemet kan anvende en færdig visuel repræsentation i stedet for at sende og fortolke det samme rå billede fra bunden ved hver forespørgsel. Det skal reducere gentaget arbejde og gøre funktionerne lettere at skalere. 210

Skal understøtte søgning, shopping og sikkerhed

Ifølge Pinterest skal det fælles lag bruges på tværs af en voksende gruppe funktioner: visuel søgning, indholdsforståelse, AI-baseret discovery og shopping, den samtalebaserede Pinterest Assistant, multimodal reranking, indholdssikkerhed og generering af signaler til anbefalinger. 46

Fællesnævneren er, at AI'en kan tage højde for både det, brugeren skriver, og det, der faktisk er på billederne. Det er særligt relevant på en platform, hvor en søgning kan handle om alt fra en bestemt indretningsstil til et produkt, der ligner noget på et foto.

Pinterest oplyser, at tjenesten bruger mere end 80 milliarder månedlige søgninger til at skabe signaler for AI-baseret discovery og shopping. Den nye infrastruktur skal gøre disse signaler mere anvendelige i visuelt og samtalebaseret designede oplevelser. 6

Derfor betyder forudberegnede billedrepræsentationer noget

Modeller, der skal behandle både billeder og tekst, kan være ressourcekrævende. Billeder fylder meget i forespørgslerne, og modellerne skal samtidig håndtere betydelige mængder cachedata.

Pinterest benytter såkaldte projection embeddings, omtalt som PinCLIP-embeddings i den tekniske beskrivelse. De oversætter billedinformation til modellens token-rum – den form, modellen arbejder med. Resultatet er, at en forespørgsel kan bruge en allerede beregnet visuel repræsentation frem for igen at kode et råt billede. 210

Pinterest har oplyst følgende resultater fra sin arkitektur og Dynamo-optimeringer:

• 25 gange mere visuel kontekst pr. forespørgsel i Pinterest Assistant. 4
• Omkring 85 gange hurtigere opstart af svaret i benchmarkmålinger. 13
• 7,3 gange hurtigere samlet svartid i benchmarkmålinger. 13

Tallene er virksomhedens egne benchmarkresultater. De beskriver derfor denne konkrete arkitektur og testopsætning, ikke en garanti for, at enhver søgning eller interaktion i Pinterest bliver præcis lige så meget hurtigere.

Et langsigtet fundament frem for en enkelt lancering

Pinterest og Nvidia beskriver initiativet som en udvidelse af et samarbejde, der har varet i næsten fem år og har omfattet både anbefalingssystemer og generativ AI. Pinterest oplyser, at selskabet har en flåde på 14.000 Nvidia-GPU'er. 4

Skalaen forklarer ambitionen: Et fælles serveringslag kan gøre det enklere at udbrede visuelle og samtalebaserede AI-funktioner, mens den underliggende infrastruktur holdes ensartet. Nvidias case study placerer systemet som fundamentet for blandt andet Pinterest Assistant, reranking, indholdssikkerhed og signalgenerering. 4

Pinterest-aktien steg ifølge Investing.com omkring 1,8 % i mandagens handel efter offentliggørelsen. 17

Hvad betyder det i praksis?

Pinterest bevæger sig fra AI-systemer, der bygges produkt for produkt, til et centraliseret multimodalt fundament. Blackwell-hardware leverer regnekraften, Dynamo hjælper med at afvikle og fordele modelarbejdet, og Pinterests visuelle embeddings begrænser behovet for gentagen billedbehandling.

Målet er ikke blot hurtigere visuel søgning, men en fælles teknisk base, som kan gøre billedopdagelse, shopping og assistentfunktioner nemmere at udvide på tværs af platformen. 246