Дълбоко обучение с подсилване - Усвояване на индивидуални предпочитания
Индивидуалните взаимодействия с онлайн системи вече са навсякъде. Много организации трябва да гарантират, че всички потребители са удовлетворени и се наслаждават на използването на дадена услуга, като същевременно вземат предвид индивидуалните потребителски предпочитания, за да останат конкурентоспособни. Персонализирането на клиентите има за цел да извлече потребителските предпочитания и да адаптира потребителското изживяване съответно. Изкуственият интелект, съчетан с техниките за обучение с подкрепление, е подходящ за тази задача, тъй като изкуствената невронна мрежа предоставя възможността за обучение директно от потребителя.
| Филм A | Филм B | Филм C | ||
| Лице А | 5 звезди | 3 звезди | 4 звезди | |
| Лице Б | 3 звезди | 5 звезди | 2 звезди | |
| Лице В | 2 звезди | 3 звезди | 5 звезди |
Основният принцип е да се направят изводи за потребителските предпочитания предварително, за да се получи матрица на потребителските предпочитания въз основа на това, което други потребители със сходни интереси предпочитат. Многослоен перцептрон за колаборативно филтриране може да се използва за точно извеждане на потребителските предпочитания предварително, като се накара мрежата да учи и да се адаптира, докато потребителите взаимодействат със система. При достатъчно точки от данни системата става забележително точна в извеждането на потребителските предпочитания, тъй като хората, които имат общи черти, клонят към клъстер.
Преглед на организационното предизвикателство
Организациите се изисква да предоставят услуги, които са достъпни за широка и разнообразна демографска група. Система, която взема предвид индивидуалните потребителски предпочитания както програмно, така и семантично за всеки, е предизвикателство за дефиниране. Това допълнително се усложнява от факта, че индивидуалните предпочитания могат да се променят ден след ден или в зависимост от етапа на живота на индивида.
Решаването на този проблем е от съществено значение, тъй като показването на съдържание по един начин може да бъде предпочитано от определени потребители, докато отблъсква други, което пряко засяга горната граница на потребителите, които един продукт вероятно може да достигне, и времето, което потребителят прекарва в платформата. Наблюдавани са реални въздействия със социалното медийно приложение TikTok, което наруши установени платформи като YouTube и Instagram. Докато последно споменатите платформи използват анализ на графики в социалните медии за предлагане на съдържание, TikTok разчита изцяло на предоставената от потребителя информация и комбинация от компютърно зрение, обработка на естествен език и анализ на метаданни за куратиране на съдържание. Това работи толкова добре, че задържането на потребителите в платформата надвишава това на конкурентите.
Използването на традиционно машинно обучение за кураторство на съдържание е добре установена идея, която по-късно еволюира и прогресира до използване на изкуствени невронни мрежи, тъй като рамките за изкуствен интелект станаха по-достъпни. Ранен пример за използване на машинно обучение за кураторство на съдържание беше Netflix Prize (https://en.wikipedia.org/wiki/Netflix_Prize), където Netflix призова за подаване на модели за машинно обучение, награждавайки с 1 000 000 USD победителя. По-късно итерации на тази идея дойдоха до реализация с набора от данни MovieLens (https://movielens.org/).
Настоящите и бъдещите платформи ще трябва да установят тази възможност, която използва изкуствени невронни мрежи за пренастройване и привличане на потребители.
Организационни данни, налични като вход за AI
Източниците на данни, достъпни за използване в AI прогнозиране, са както следва:
Следното предоставя процес на високо ниво за това как да се осигури персонализиране на клиентите чрез изкуствен интелект, съчетан с методи за дълбоко обучение:
- Метаданни за клиенти от CRM системи (т.е. Salesforce, Microsoft CRM)
- История на покупките (напр. Amazon, Shopify)
- Времеви марки и суми на транзакции (напр. PoS системи, Stripe, PayPal)
Методология на интеграцията
- Прихващайте характеристики за потребител, от които могат да се направят изводи за потребителските предпочитания
- Обучете модел за дълбоко обучение с уловените характеристики
- Предсказване на това, което потребителят би предпочел, въз основа на функциите
- Персонализиране на съдържанието чрез прогнози за това, което потребителят иска да види
- Непрекъснато коригирайте модела, докато потребителят взаимодейства с онлайн системата, подобрявайки системата с течение на времето.
Тъй като Telemus AI™ се грижи за по-голямата част от работата, организацията може да се фокусира върху бизнес логиката, а не върху техническата реализация.
Организационни приложения
Следното изброява други потенциални приложения за вашата организация:
- Персонализиране на съдържанието за потребителя с цел увеличаване на вероятността от покупки
- Осигуряване на удовлетвореност на клиентите чрез услуга, която подобрява задържането на потребителите
- Осигуряване на актуално и съответстващо на потребителя съдържание
Потенциални и реализирани ползи
Telemus AI™ е австралийска компания за изкуствен интелект, предоставяща напреднали решения на правителства и предприятия. Свържете се с нас днес за безплатна консултация относно това как Telemus AI™ може да бъде интегрирана във вашата организация.
