بازاریابی ABM با InsightRed

درباره

InsightRed یک ابزار مبتنی بر LLM برای بازاریابی مبتنی بر حساب (ABM) است که جدیدترین نظرات Reddit را از ساب‌ردیت‌ها، مرتب‌شده بر اساس “Hot”، استخراج می‌کند و کاربرانی را که علاقه بالقوه به پروژه یا محصول شما نشان می‌دهند، شناسایی می‌کند. این ابزار به شما کمک می‌کند کاربران ارزشمند Reddit را شناسایی و هدف‌گیری کنید تا اولین کاربران خود را برای محصول/پروژه‌تان به دست آورید. این پروژه برای هکاتون اکتبر 2023 ANARCHY ساخته شد.

اعلامیه(ها)

19 اکتبر 2023

در ادامه این پروژه، با هیجان اعلام می‌کنم که ما در هکاتون اکتبر 2023 آنارشی مقام اول را کسب کردیم!

برای مشاهده پیام در حالت TEXT اینجا کلیک کنید (به‌دلیل قالب‌بندی Discord تغییر یافته است)

@everyone **👑 HACKATHON 👑**

من خیلی هیجان‌زده‌ام که برندگان دومین هکاتون آنارشی را به شرح زیر اعلام کنم:

🥇 " @Ben Zimmerman [T3CH3Y] "، @Mehmet، و "@Ananya Aithal" برای InsightRed! https://www.youtube.com/watch?v=xhKwnKxmg5k

🥈 @partho و @Karan برای DistillClassifier https://www.loom.com/share/d7e7c8e12dd14bcabdf41051433901a1?sid=900cb491-8117-4530-a131-d87eeca1ca6f

واقعاً **کار فوق‌العاده‌ای بود، همه‌تان** @MathYouF و من از همه ارسال‌ها بسیار تحت تأثیر قرار گرفتیم.

تقدیرهای ویژه برای موارد زیر است:

1. @B3LOL، @alastine ، و @AndrewKamau برای WiE: https://youtu.be/V8gqCvgRcpk
2. "@Mert Bozkir | mertbozkir" برای Doc-String-Ify: https://www.loom.com/share/274565d0ddec417783e739ee728654d3?sid=6bb1b07a-f06a-4ec3-82c6-1d7ba6eae0d3

بازخوردی که از این پروژه‌ها دریافت کردیم بسیار ارزشمند بوده و ما قصد داریم روی رفع تک‌تک بخش‌ها کار کنیم 🦜

ما به‌صورت جداگانه برای جوایز با تیم‌ها تماس خواهیم گرفت. علاوه بر این، فکر می‌کنیم این‌ها به‌اندازه‌ای فوق‌العاده بودند که دوست داریم چند هفته آینده را صرف نمایش این پروژه‌های شگفت‌انگیز کنیم.

دموی

مؤلفه‌های InsightRed

🧩 گردآورنده

گردآورنده با استفاده از API ردیت، جدیدترین پست‌های Reddit و نظرات آن پست را برای ساب‌ردیت‌های داده‌شده جمع‌آوری می‌کند. پس از جمع‌آوری، گردآورنده داده‌های جمع‌آوری‌شده را در یک پایگاه‌داده محلی SQLite ذخیره می‌کند. این کار با استفاده از بسته پایتون praw برای کمک به استفاده از API ردیت و SQLAlchemy برای انجام عملیات CRUD در پایگاه‌داده محلی SQLite آسان شده است.

🧩 بردارساز

بردارساز پایگاه‌داده محلی SQLite را بررسی می‌کند تا ببیند کدام نظرات هنوز در پایگاه‌داده برداری ذخیره نشده‌اند. پس از به‌دست آوردن فهرستی از نظرات، یک embedding از پست+نظر با استفاده از مدل “text-embedding-ada-002” اوپن‌ای‌آی ایجاد می‌کند. این embedding به‌عنوان یک Index در پایگاه‌داده برداری استفاده می‌شود و همچنین برخی فراداده‌ها، به‌صورت JSON، نیز ایجاد می‌شوند. سپس Index و فراداده‌ها به پایگاه‌داده برداری بارگذاری می‌شوند که در این مورد Pinecone (مبتنی بر ابر) است. پس از بارگذاری، پایگاه‌داده محلی SQLite به‌روزرسانی می‌شود تا از بارگذاری مجدد همان داده‌ها به Pinecone جلوگیری شود. همه این‌ها با استفاده از کلاینت پایتون Pinecone (pinecone-client) برای انجام گزینه‌های CRUD در پایگاه‌داده برداری و LangChain برای مدیریت فرایند embedding انجام می‌شود.

🧩 رابط

رابط همان چیزی است که کاربر برای تعامل با ابزار از آن استفاده می‌کند. در این مورد، رابط یک CLI است. رابط پیاده‌سازی‌ای از تولید تقویت‌شده با بازیابی (RAG) دارد. جایی که کاربر توضیحی درباره محصول خود، فهرستی از ساب‌ردیت‌ها برای بررسی، و همچنین برخی فیلترها ارائه می‌دهد. با این زمینه، ابتدا گردآورنده فراخوانی می‌شود و سپس بردارساز فراخوانی می‌شود. پس از اینکه آن دو سرویس پردازش خود را انجام دادند، توضیح محصول واردشده برای انجام یک جست‌وجوی مشابه در پایگاه‌داده برداری استفاده می‌شود. سپس نتایج برتر و توضیح محصول به یک الگوی پرامپت داده می‌شوند که پرامپت نهایی را ایجاد می‌کند. سپس پرامپت نهایی به مدل GPT-4 اوپن‌ای‌آی ارسال می‌شود و نتایج نهایی به کاربر ارائه می‌شوند. این نتایج شامل فهرستی از همه نظرات Reddit است که به‌شدت نشان می‌دهند کاربر(های) Reddit بر اساس توضیح ارائه‌شده به محصول علاقه‌مند خواهند بود. این مؤلفه با استفاده از نظرات گردآورنده و بردارساز، و همچنین با استفاده از LLM-VM آنارشی برای مدیریت پرس‌وجو به مدل GPT-4 اوپن‌ای‌آی کار می‌کند.

اعضای تیم

اعتبار قابل‌ذکر از بیرون

casta (Hacker News)

ارائه‌دهنده الهام برای این پروژه از طریق پست HN آن‌ها. از آنجا که راه‌حل آن‌ها متن‌باز نبود، انگیزه پیدا کردم که یک نسخه متن‌باز (این پروژه) ایجاد کنم.

ChatGPT (GPT-4)

در توسعه بسیار مفید بود، چون چرخه توسعه را واقعاً سریع‌تر کرد. و لوگوی پروژه و تصویر بندانگشتی YouTube را با استفاده از مدل جدید DALL-E 3 اوپن‌ای‌آی تولید کرد.

James Briggs (یوتیوبر)

ویدیوی James واقعاً توضیح داد که چگونه از API ردیت استفاده کنیم و همچنین چگونه یک خط لوله پایه RAG را با استفاده از پایتون پیاده‌سازی کنیم.