التعلم العميق المعزز - تعلم التفضيلات الفردية
أصبحت التفاعلات الفردية مع الأنظمة عبر الإنترنت منتشرة الآن في كل مكان. يجب على العديد من المؤسسات ضمان رضا جميع المستخدمين واستمتاعهم باستخدام عرض خدمة معين مع مراعاة تفضيلات المستخدمين الفردية للبقاء تنافسيين. يهدف التخصيص الموجه للعملاء إلى استنتاج تفضيلات المستخدم وتكييف تجربة المستخدم وفقًا لذلك. إن الذكاء الاصطناعي المقترن بتقنيات التعلم المعزز مناسب لهذه المهمة حيث توفر الشبكة العصبية الاصطناعية القدرة على التعلم مباشرة من المستخدم.
| فيلم A | فيلم B | فيلم C | ||
| الشخص أ | 5 نجوم | 3 نجوم | 4 نجوم | |
| الشخص ب | 3 نجوم | 5 نجوم | نجمتان | |
| الشخص ج | نجمتان | 3 نجوم | 5 نجوم |
المبدأ الرئيسي هو استنتاج تفضيلات المستخدم مسبقًا لاشتقاق مصفوفة تفضيلات المستخدم بناءً على ما يفضله المستخدمون الآخرون ذوو الاهتمامات المماثلة. يمكن استخدام Perceptron متعدد الطبقات للتصفية التعاونية لاستنتاج تفضيلات المستخدم مسبقًا بدقة من خلال جعل الشبكة تتعلم وتتكيف أثناء تفاعل المستخدمين مع النظام. بالنظر إلى نقاط بيانات كافية، يصبح النظام دقيقًا بشكل ملحوظ في استنتاج تفضيلات المستخدم حيث يميل الأشخاص ذوو القواسم المشتركة إلى التكتل.
نظرة عامة على التحدي التنظيمي
يُطلب من المؤسسات تقديم خدمات يمكن الوصول إليها من قِبل فئة ديموغرافية واسعة ومتنوعة. إن النظام الذي يأخذ في الاعتبار تفضيلات المستخدم الفردية برمجياً ودلالياً للجميع يمثل تحدياً في تحديده. ويزيد من تعقيد ذلك حقيقة أن التفضيلات الفردية يمكن أن تتغير يوماً بعد يوم أو اعتماداً على مرحلة حياة الفرد.
إن حل هذه المشكلة أمر ضروري لأن عرض المحتوى بطريقة واحدة قد يكون مفضلاً لدى مستخدمين محددين بينما يسبب نفوراً لدى مستخدمين آخرين، مما يؤثر بشكل مباشر على الحد الأقصى للمستخدمين الذي يمكن أن يحققه المنتج والوقت الذي يقضيه المستخدم على المنصة. وقد لوحظت تأثيرات في العالم الحقيقي مع تطبيق وسائل التواصل الاجتماعي TikTok الذي أحدث اضطراباً في منصات راسخة مثل YouTube و Instagram. بينما تستخدم المنصات المذكورة لاحقاً تحليل الرسم البياني لوسائل التواصل الاجتماعي لاقتراح المحتوى، يعتمد TikTok بشكل كامل على المعلومات التي يقدمها المستخدم ومزيج من الرؤية الحاسوبية، ومعالجة اللغات الطبيعية، وتحليل البيانات الوصفية لتنسيق المحتوى. وقد نجح ذلك بشكل كبير لدرجة أن الاحتفاظ بالمستخدمين على المنصة يتجاوز المنافسين.
يعد استخدام التعلم الآلي التقليدي لتنظيم المحتوى فكرة راسخة تطورت وتقدمت لاحقاً لاستخدام الشبكات العصبية الاصطناعية مع أصبحت أطر الذكاء الاصطناعي أكثر سهولة في الوصول. وكان مثال مبكر على استخدام التعلم الآلي لتنظيم المحتوى هو Netflix Prize (https://en.wikipedia.org/wiki/Netflix_Prize)، حيث دعت Netflix لتقديم نماذج التعلم الآلي ومنحت جائزة قدرها 1,000,000 دولار أمريكي للفائز. ولاحقاً، تكلفت تكرارات هذه الفكرة بالنجاح مع مجموعة بيانات MovieLens (https://movielens.org/).
ستُطلب المنصات الحالية والمستقبلية إقامة هذه القدرة التي تستخدم الشبكات العصبية الاصطناعية لإعادة تدريب وجذب المستخدمين.
البيانات التنظيمية المتاحة كمدخلات لـ AI
مصادر البيانات المتاحة للاستخدام في التنبؤ بـ AI هي كما يلي:
يقدم ما يلي عملية عالية المستوى لكيفية توفير تخصيص للعملاء عبر الذكاء الاصطناعي مقترنًا بطرق التعلم العميق:
- البيانات الوصفية للعملاء من أنظمة CRM (مثل Salesforce، Microsoft CRM)
- سجل المشتريات (مثل Amazon، Shopify)
- الطوابع الزمنية للمعاملات والمبالغ (أي أنظمة PoS، Stripe، PayPal)
منهجية التكامل
- التقاط ميزات حول مستخدم يمكن أن تستنتج تفضيلات المستخدم
- تدريب نموذج تعلم عميق باستخدام الميزات الملتقطة
- التنبؤ بما يفضله المستخدم بناءً على الميزات
- تخصيص المحتوى عبر التنبؤ بما يريد المستخدم رؤيته
- صحح النموذج باستمرار أثناء تفاعل المستخدم مع النظام عبر الإنترنت، مما يحسن النظام بمرور الوقت.
نظرًا لأن Telemus AI™ يتولى معظم العمل، يمكن للمؤسسة التركيز على منطق العمل بدلاً من التنفيذ التقني.
التطبيقات التنظيمية
القائمة التالية لتطبيقات محتملة أخرى لمؤسستك:
- تخصيص المحتوى للمستخدم لزيادة احتمالية الشراء
- ضمان رضا العملاء بخدمة تحسن من احتفاظ المستخدم
- ضمان أن يكون المحتوى جديداً وذات صلة بالمستخدم
الفوائد المحتملة والمتحققة
Telemus AI™ هي شركة ذكاء اصطناعي مقرها في أستراليا تقدم حلولاً متقدمة للحكومات والمؤسسات. تواصل معنا اليوم للحصول على استشارة مجانية حول كيفية دمج Telemus AI™ في مؤسستك.
