Pinterest snížil náklady na AI o 90 procent. Ukázal cestu, kterou může jít každá firma
Pinterest vytrhl vizuální vrstvu z frontier AI modelu, nahradil ji vlastními daty a snížil náklady o 90 procent. Přesnost doporučení přitom vzrostla o třetinu. Jak to udělal a co si z toho vzít?
Představte si, že máte 620 milionů aktivních uživatelů měsíčně a každému z nich chcete doporučit obrázky pomocí umělé inteligence. Při cenách dnešních frontier modelů by vás to stálo víc než samotný provoz firmy. Přesně před tímto problémem stál Pinterest — a vyřešil ho radikálním způsobem. Technologický ředitel Matt Madrigal nechal svůj tým doslova vykuchat jeden z nejpokročilejších AI modelů a nahradit jeho klíčovou část vlastním řešením. Výsledek? Náklady na AI klesly o 90 procent, přesnost doporučení vzrostla o 30 procent a latence se zlepšila dvacetkrát.
Tahle strategie není jen o Pinterestu. Je to návod pro každou firmu, která chce AI nasadit ve velkém měřítku a nepřijít přitom o košili.
Jak Pinterest vykuchal frontier model a složil si vlastní
Pinterest dlouhodobě používá otevřené AI modely pro vizuální vyhledávání. Firma si v minulosti upravila Googleův BERT i OpenAI CLIP, na jehož základě vytvořila vlastní systém Pin CLIP s proprietárními vizuálními embeddingy. Tentokrát ale šla mnohem dál.
Tým Matta Madrigala vzal open-source model Qwen3-VL od čínské Alibaby a provedl s ním něco, co sám Madrigal nazval „poměrně zásadní úpravou“. Inženýři z modelu kompletně vytrhli vizuální enkodér — vrstvu, která zpracovává obrazová data — a nahradili ji vlastním systémem postaveným na proprietárních multimodálních embeddingech Pinterestu.
Proč to udělali? Pokud byste chtěli u frontier modelu klasicky volat API pro každý obrázek, museli byste každý snímek jednotlivě enkódovat za běhu. Při stovkách milionů uživatelů to znamená astronomické náklady a dvacetkrát horší latenci. Nahrazením vizuální vrstvy vlastními embeddingy může Pinterest metadata a obrazové kontexty předpočítat offline a pravidelně přetrénovat na nových datech.
Klíčové je, že Pinterest nepoužil uzavřený proprietární model. Sáhl po open-source řešení s Apache 2.0 licencí, která umožňuje hluboké úpravy vah modelu. Právě díky tomu mohli inženýři provést tak radikální zásah do architektury, aniž by porušili licenční podmínky.
Proč vlastní data porazí velikost modelu
Matt Madrigal formuloval princip, který by si měl zapsat každý technologický ředitel: „Pokud máte opravdu unikátní data, kterými můžete doladit open-source model, kvalita dat vždy překoná velikost modelu.“
Open-source modely, zvláště ty s otevřenou Apache licencí, kde můžete skutečně upravit váhy a přizpůsobit je unikátním případům použití — tam jsme zjistili, že open source je pro nás nesmírně silný. — Matt Madrigal, CTO Pinterest
Pinterest provozuje hybridní architekturu. Kombinuje tři typy modelů podle účelu:
- Proprietární modely — pro personalizaci a klíčové uživatelské funkce, kde záleží na každém detailu
- Open-source modely — pro nákladově efektivní multimodální úlohy, kde lze modely hluboce přizpůsobit
- Uzavřené frontier modely (OpenAI, Anthropic) — pro případy vyžadující absolutně nejvyšší výkon
Tahle strategie „tří košů“ dává firmám jasný rámec. Ne všechno musí běžet na nejdražším modelu. A ne všechno zvládne levný open source. Umění je v tom vědět, co kam patří.
Taste graph — jak AI mapuje vkus 620 milionů lidí
Pinterest zároveň představil koncept, který nazývá taste graph — dynamická reprezentace vkusu každého uživatele. Nejde o sociální graf jako na Facebooku. Je to preferenční graf, který zachycuje, co vás inspiruje a co chcete udělat jako další.
Pod kapotou taste graph kombinuje grafovou strukturu s reprezentačním učením. Uživatelské embeddingy zachycují měnící se preference a průběžně se aktualizují na základě aktivity a nového obsahu. Jeden uživatel preferuje mid-century modern design, druhý nantucketskou estetiku — a systém dokáže tyto nuance rozlišit a doporučit konkrétní produkty.
Pro Pinterest je taste graph klíčový z byznysového hlediska. Lidé na platformu přicházejí ve fázi objevování, kdy ještě přesně nevědí, co chtějí. Taste graph je postupně vede od inspirace k nákupnímu záměru — tedy k prokliknutí reklamy nebo nákupu. A právě tady se rodí příjmy.
Co si z toho vzít pro vlastní firmu
Příběh Pinterestu ukazuje několik klíčových lekcí pro české firmy, které zvažují nasazení AI ve větším měřítku:
- Neplaťte za to, co nepotřebujete. Frontier modely jsou navrženy jako univerzální řešení. Pokud máte specifický problém a vlastní data, pravděpodobně dosáhnete lepších výsledků s upraveným open-source modelem za zlomek ceny.
- Kvalita dat trumfne velikost modelu. Menší model doladěný na kvalitních, doménově specifických datech může překonat větší obecný model. Pinterest to dokázal s třicetiprocentním nárůstem přesnosti.
- Stavte modulárně. Hybridní přístup — kombinace vlastních, otevřených a uzavřených modelů podle typu úlohy — je ekonomicky i technicky nejrozumnější strategie.
- Předpočítávejte offline. Pokud můžete zpracovat data předem místo za běhu, dramaticky snížíte náklady i latenci. Pinterest tím dosáhl dvacetinásobného zlepšení rychlosti.
- Sledujte open-source ekosystém. Modely jako Qwen3-VL s Apache licencí umožňují zásahy, které byste u proprietárních řešení nikdy nemohli provést.
Éra, kdy firmy bezmyšlenkovitě platily za nejdražší AI model na trhu, končí. Pinterest ukázal, že skutečná konkurenční výhoda nespočívá v tom, kolik utratíte za výpočetní výkon. Spočívá v tom, jak chytře dokážete zkombinovat vlastní data s dostupnými nástroji. A to je dobrá zpráva pro každou firmu — bez ohledu na velikost rozpočtu.