Pinterest bygger felles KI-lag med Nvidia for raskere visuelt søk

Pinterest’ kunngjøring handler først og fremst om en felles og gjenbrukbar KI-infrastruktur, ikke om én enkelt ny funksjon for brukerne. Sammen med Nvidia har selskapet bygget et lag for produkter som må forstå bilder og språk i sammenheng. Dermed slipper hvert produktteam å etablere egne systemer for å kjøre KI-modeller for visuelle opplevelser. 46

Dette er teknologien bak

Plattformen består av tre sentrale deler:

• Nvidia Blackwell B200-GPU-er, som leverer den akselererte regnekraften for å kjøre syns- og språkmodeller. 4
• Nvidia Dynamo, programvare som brukes til å drifte og rute multimodale KI-arbeidslaster mer effektivt. 24
• Pinterests visuelle representasjoner («embeddings») – forhåndsberegnede tallrepresentasjoner av visuelt innhold. Disse kan sendes til modellen i stedet for at samme bilde må behandles fra bunnen av for hver forespørsel. 26

Målet er å gjøre produkter som kombinerer bilde- og språkforståelse enklere å sette i drift og skalere på tvers av Pinterest. Visuelt søk, en assistent og sikkerhetsverktøy kan dermed bygge på samme tekniske grunnmur, fremfor å være separate infrastrukturprosjekter. 6

Hvilke funksjoner kan bruke laget?

Pinterest sier at det felles KI-laget støtter et voksende utvalg funksjoner som bruker både bilder og tekst. Det inkluderer visuelt søk, innholdsforståelse, KI-drevet oppdagelse og shopping, den samtalebaserte Pinterest Assistant, multimodal rerangering, systemer for innholdssikkerhet og signalgenerering. 46

For en tjeneste der folk leter etter ideer gjennom bilder, kan denne kombinasjonen være viktig: Systemet kan ta hensyn til både hva brukeren skriver og hva som faktisk vises i bildene. Det kan bidra til å tolke intensjonen bak et søk, finne mer relevant innhold og forbedre anbefalinger.

Pinterest opplyser at selskapet bruker mer enn 80 milliarder månedlige søk til å lage signaler for KI-drevet oppdagelse og shopping. Den nye infrastrukturen er ment å gjøre disse signalene mer anvendelige i stadig mer visuelle og samtalebaserte opplevelser. 6

Hvorfor forhåndsberegnede bilderepresentasjoner betyr noe

Syns- og språkmodeller kan være kostbare å kjøre. De må håndtere store bildedata sammen med tekst og samtidig holde styr på betydelig modellcache. Pinterest bruker såkalte projeksjonsinnleiringer, omtalt som PinCLIP-embeddings i teknisk dekning, som kobler visuell informasjon til modellens token-rom. Det gjør at en forespørsel kan bruke en ferdigberegnet visuell representasjon i stedet for å sende og kode et råbilde på nytt hver gang. 210

Pinterest har rapportert tre resultater fra denne tilnærmingen og optimaliseringer i Dynamo:

• 25 ganger mer visuell kontekst per forespørsel i Pinterest Assistant. 4
• Omtrent 85 ganger raskere oppstart av svar i benchmarktester. 13
• 7,3 ganger raskere ende-til-ende-forsinkelse i benchmarktester. 13

Dette er tall rapportert av selskapet fra benchmarktester. De bør derfor leses som målinger av denne arkitekturen og arbeidslastkonfigurasjonen, ikke som en garanti for at hvert søk eller hver samtale med assistenten blir like mye raskere.

En langsiktig plattform fremfor en enkel lansering

Pinterest og Nvidia beskriver arbeidet som en videreføring av et samarbeid som har vart i nesten fem år, innen både anbefalingssystemer og generativ KI. Pinterest oppgir at selskapets flåte omfatter 14 000 Nvidia-GPU-er. 4

Skalaen forklarer den strategiske tanken: Et felles lag for modellkjøring kan gjøre det enklere å utvide visuelle og samtalebaserte KI-funksjoner, samtidig som infrastrukturen under er konsistent. Nvidias kundecase plasserer systemet som en plattform for alt fra Pinterest Assistant til rerangering, innholdssikkerhet og signalgenerering. 4

Pinterest-aksjen steg rundt 1,8 prosent i mandagshandelen etter kunngjøringen, ifølge Investing.com. 17

Kort fortalt

Pinterest går fra KI-systemer bygget produkt for produkt til en sentral multimodal plattform. Blackwell-maskinvaren leverer regnekraften, Dynamo hjelper til med å kjøre og rute modellene, mens Pinterests visuelle representasjoner reduserer behovet for gjentatt bildebehandling. Til sammen skal dette gjøre visuelt søk, shopping og assistentlignende funksjoner raskere å drifte og lettere å skalere på plattformen. 246