Pinterest naučil AI chápat, co lidé opravdu plánují, ne jen co kliknou

Pinterest přestal skládat zájmy z jednotlivých slov

Původní systém Pinterestu fungoval podobně jako třídění hromady poznámek. Z aktivity uživatele nejdříve vytáhl klíčová slova, následně je převedl do vektorů, seskupil podobné výrazy a nakonec se pokusil každou skupinu pojmenovat. K tomu přidal další modely pro řazení, filtrování a odstranění příliš podobných výsledků.

Takový postup dává smysl, pokud chcete najít podobná témata. Hůře si však poradí s dlouhodobým záměrem. Uživatel může jeden den hledat kuchyňské skříňky, později ukládat inspiraci na pracovní desku a za několik týdnů procházet osvětlení. Tradiční systém z toho mohl vytvořit několik oddělených zájmů. Pinterest chtěl jednu ucelenou cestu, například plánování nové kuchyně.

Firma tento typ záměru označuje jako journey, tedy cestu uživatele. Ta spojuje zájem, záměr a okolnosti v delším období. Jedno kliknutí je slabý signál. Opakované vyhledávání a ukládání obsahu už ukazuje na projekt, který člověk skutečně řeší.

Technické detaily zveřejnil Pinterest Engineering 9. října 2026 v článku From Activity to Intent: Generating User Journeys with LLMs. Nasazení a výsledky následně popsal také InfoQ.

Jeden model nahrazuje několik částí řetězce

Nové řešení dostane chronologický záznam aktivity uživatele a vytvoří seřazený seznam pojmenovaných cest ve formátu JSON. Vstup může obsahovat až 150 interakcí v okně 360 dní. Pinterest přitom rozlišuje sílu jednotlivých akcí. Vyhledávání a uložení mají větší váhu než komentář, lajk nebo pouhé kliknutí.

Model se nedívá jen na to, co se objevilo nejčastěji. Prompt mu určuje, aby zohlednil opakování, aktuálnost, konkrétnost a soudržnost tématu. Výstupem tak nemá být obecné označení typu „Bydlení“, pokud aktivita jasně ukazuje na užší záměr, třeba vybavení kuchyně ve venkovském stylu.

Součástí návrhu je také možnost vrátit prázdný výsledek. Pokud chování neposkytuje dost důkazů pro smysluplnou cestu, systém raději nevrátí nic. To je důležité hlavně u doporučení a notifikací. Obecný štítek může vypadat správně v tabulce, ale uživateli neposlouží.

Velká část pravidel, která dříve žila v samostatných modelech a heuristikách, se přesunula do systémového promptu. Ten například brání slučování nesouvisejících témat, potlačuje jednorázové výkyvy a počítá s automaticky vytvořenými štítky, které mohou být nepřesné.

Qwen3 ve velikosti 4 miliard parametrů

Pinterest netrénoval obří model od začátku. Použil větší modely jako učitele, nechal je vytvářet syntetické trénovací příklady a jejich výstupy následně využil pro doladění menších otevřených modelů Qwen3. Testoval varianty s velikostí 0,6, 1,7, 4 a 8 miliard parametrů.

Menší modely byly rychlejší, ale u složitějších případů vytvářely méně konzistentní výsledky. Osmimiliardová varianta nabídla vyšší kvalitu, současně však kladla větší nároky na obsluhu. Pinterest proto vybral 4B model jako kompromis mezi přesností výstupu a výkonem při nasazení.

Nejde o veřejný chatbot ani o model, který by si mohl samostatně vyzkoušet běžný uživatel v Česku. Pinterest ho používá jako interní součást personalizace. Firma v článku popisuje také vícejazyčné výstupy a uvádí příklady ve španělštině, podpora češtiny však v dostupných materiálech není potvrzena.

Pro tento systém také neexistuje běžná spotřebitelská cena, předplatné ani samostatná API nabídka. Model běží v infrastruktuře Pinterestu a ovlivňuje doporučení, e-maily a push notifikace služby.

Výkon zajišťuje vlastní serving infrastruktura

Provoz jazykového modelu ve velkém měřítku je jiný problém než jeho spuštění na vývojářském notebooku. Pinterest proto použil NVIDIA Dynamo před pracovníky vLLM. Výpočet běží na GPU Nvidia L40S a využívá continuous batching, PagedAttention a směrování podle uložených prefixů v KV cache.

Zjednodušeně řečeno, systém se snaží nespočítat stejnou část promptu znovu pro každého uživatele. Sdílené instrukce může využít z cache a volné výpočetní kapacity průběžně přiděluje dalším požadavkům. U stovek milionů uživatelů se podobné úspory násobí. I malá neefektivita se rychle promění ve velký účet za hardware.

Produkční klastr o přibližně 100 GPU podle Pinterestu zvládá zhruba 775 požadavků za sekundu. Medián odezvy je kolem 1,2 sekundy a hodnota p95 přibližně 3 sekundy. Pinterest zároveň zjistil, že největší úsporu nepřineslo přidání dalšího GPU. Systém jednoduše přeskočí uživatele, u kterého cestu vyhodnocoval před několika dny a jeho chování se výrazně nezměnilo.

To je praktická připomínka k debatám o velikosti modelů. Výkon neurčuje pouze počet parametrů. Stejně důležitá je frekvence vyhodnocování, struktura promptu, cache a způsob dávkování požadavků.

Výsledky měří Pinterest přes A/B testy

Pinterest nemá přesný ručně označený seznam skutečných záměrů každého uživatele. Kvalitu proto posuzuje několika způsoby. Nejprve porovnává výstup starého a nového systému u stejného uživatele. Dále používá samostatný jazykový model jako hodnotitele relevance, opory v aktivitě, rozmanitosti a vhodné míry konkrétnosti.

Nejdůležitější jsou online experimenty. První test proběhl u uživatelů v USA a Kanadě, přičemž clusteringový systém sloužil jako kontrolní skupina. Pinterest uvádí nárůst prokliku e-mailů o 1,1 % a zvýšení míry otevření push notifikací o 1,3 %. Firma současně hlásí statisticky významné zlepšení některých ukazatelů zapojení a retence.

To není benchmark ve smyslu porovnání s GPT, Gemini nebo Claude. Pinterest nepublikoval srovnávací test, který by ukazoval, že jeho doladěný Qwen3 je obecně lepší než konkurenční modely. Výsledky se týkají konkrétní úlohy a konkrétního produktu – tedy odhadu uživatelských cest v prostředí Pinterestu.

Podobný směr sledují i další platformy

Pinterest tímto krokem nezavádí obecného asistenta. Jazykový model využívá jako vrstvu nad existující personalizací. Vygenerovaná cesta se následně použije jako dotaz pro vyhledání vhodných Pinů, které dál zpracují běžné rankingové modely.

Podobný princip popisuje také Netflix ve svém systému personalizovaných doporučení. Netflix pracuje s dlouhodobými sekvencemi interakcí a snaží se vytvořit opakovaně použitelnou reprezentaci preferencí uživatele. Pinterest místo obecné reprezentace generuje přímo pojmenované cesty.

Rozdíl je důležitý. Pinterest potřebuje výsledek, kterému rozumí další části systému a který lze použít pro notifikaci. Uživatel nehledá „vektor preference“. Hledá nápady pro konkrétní činnost, i když to platformě nikdy nenapíše jednou větou.

Omezení zůstávají součástí návrhu

Model může z chování odvodit něco, co uživatel pouze náhodně otevřel. Pinterest proto omezuje používání citlivých charakteristik a uvádí, že model nemá odvozovat témata týkající se zdravotního stavu, politiky, náboženství, sexuální orientace, genderové identity nebo rasy.

Firma také filtruje vstupy i výstupy a u některých skupin uživatelů uplatňuje další omezení. Podle zveřejněného popisu například nejsou uživatelé mladší 18 let v Evropském hospodářském prostoru, Švýcarsku a Spojeném království do systému zatím zahrnuti kvůli místním právním požadavkům.

Pro českého uživatele z toho neplyne nový nástroj ke stažení ani nastavení, které by mohl ručně zapnout. Jde o backendovou změnu Pinterestu. Její dopad se může projevit v tom, jak služba skládá doporučení a kdy odešle personalizovanou zprávu, ale Pinterest v dostupném oznámení nepotvrzuje samostatnou českou lokalizaci této funkce.

FAQ