Deep Reinforcement Learning - Aprenentatge de preferències individuals
Les interaccions individuals amb els sistemes en línia ara sien ubiques. Moltes organitzacions han d'assegurar-se que tots els usuaris estiguin satisfets i gaudeixin utilitzant un servei determinat, alhora que consideren les preferències individuals dels usuaris per mantenir-se competitives. La personalització del client té com a objectiu inferir les preferències de l'usuari i adaptar l'experiència d'usuari en conseqüència. La intel·ligència artificial juntament amb tècniques d'Aprenentatge per Reforç és adequada per a aquesta tasca, ja que la xarxa neuronal artificial proporciona la capacitat d'aprendre directament de l'usuari.
| Pel·lícula A | Pel·lícula B | Pel·lícula C | ||
| Persona A | 5 estrelles | 3 Estrelles | 4 Estrelles | |
| Persona B | 3 Estrelles | 5 estrelles | 2 Estrelles | |
| Persona C | 2 Estrelles | 3 Estrelles | 5 estrelles |
El principi principal és inferir les preferències de l'usuari per endavant per derivar una matriu de preferències d'usuari basada en el que prefereixen altres usuaris amb interessos similars. El Perceptró Multicapa per al filtratge col·laboratiu es pot utilitzar per inferir amb precisió les preferències de l'usuari per endavant fent que la xarxa aprengui i s'adapti a mesura que els usuaris interactuen amb un sistema. Amb prou punts de dades, el sistema es torna notablement precís en inferir les preferències de l'usuari, ja que les persones que tenen afinitats tendeixen a agrupar-se.
Visió general del repte organitzatiu
Es requereix que les organitzacions proporcionin serveis que siguin accessibles a una demografia àmplia i diversa. Un sistema que consideri les preferències individuals dels usuaris, tant programàticament com semànticament per a tothom, és difícil de definir. Això es veu especialment accentuat pel fet que les preferències individuals poden canviar dia a dia o depenent de l'etapa de vida de l'individu.
Resoldre aquest problema és essencial perquè mostrar el contingut d'una manera pot ser preferible per a usuaris específics mentre causa detracció en altres usuaris, afectant directament el sostre d'usuaris que un producte pot assolir i la quantitat de temps que un usuari passa a la plataforma. S'han observat impactes en el món real amb l'aplicació de xarxes socials TikTok alterant plataformes establertes com YouTube i Instagram. Mentre que les plataformes esmentades posteriorment utilitzen anàlisi de grafs de xarxes socials per suggerir contingut, TikTok es basa únicament en la informació proporcionada per l'usuari i una combinació de visió per ordinador, processament de llenguatge natural i anàlisi de metadades per curar el contingut. Ha funcionat tan bé que la retenció d'usuaris a la plataforma supera la dels competidors.
L'ús de l'aprenentatge automàtic tradicional per comissariar contingut és una idea ben establerta que més tard va evolucionar i va progressar cap a l'ús de xarxes neuronals artificials a mesura que els marcs d'intel·ligència artificial es feien més accessibles. Un exemple primerenc de l'ús de l'aprenentatge automàtic per comissariar contingut va ser el Netflix Prize (https://en.wikipedia.org/wiki/Netflix_Prize), on Netflix va sol·licitar presentacions de models d'aprenentatge automàtic atorgant 1.000.000 USD al guanyador. Més tard, iteracions d'aquesta idea es van fer realitat amb el conjunt de dades MovieLens (https://movielens.org/).
Les plataformes actuals i futures hauran d'establir aquesta capacitat que utilitza xarxes neuronals artificials per retenir i atreure usuaris.
Dades organitzatives disponibles com a entrada d'IA
Les fonts de dades disponibles per al seu ús en la previsió d'AI són les següents:
El següent proporciona un procés d'alt nivell sobre com proporcionar personalització al client mitjançant intel·ligència artificial acoblada amb mètodes d'aprenentatge profund:
- Metadades de clients de sistemes CRM (p. ex. Salesforce, Microsoft CRM)
- Historial de compres (p. ex. Amazon, Shopify)
- Marques de temps i imports de les transaccions (p. ex. sistemes PoS, Stripe, PayPal)
Metodologia d'Integració
- Capturar característiques sobre un usuari que puguin inferir les preferències de l'usuari
- Entrenar un model d'aprenentatge profund amb les característiques capturades
- Predir el que preferiria l'usuari en funció de les característiques
- Personalitza el contingut mitjançant prediccions sobre allò que l'usuari vol veure
- Corregiu contínuament el model a mesura que l'usuari interactua amb el sistema en línia, millorant el sistema al llarg del temps.
Atès que Telemus AI™ s'encarrega de la major part del treball, l'organització pot centrar-se en la lògica de negoci en lloc de la implementació tècnica.
Aplicacions Organitzatives
El següent llista altres aplicacions potencials per a la vostra organització:
- Personalització de contingut per a un usuari per augmentar la probabilitat de compres
- Assegurar la satisfacció del client amb un servei que millora la retenció d'usuaris
- Assegurar que el contingut sigui actual i rellevant per a l'usuari
Beneficis Potencials i Realitzats
Telemus AI™ és una empresa d'intel·ligència artificial amb seu a Austràlia que proporciona solucions avançades als governs i a les empreses. Contacti amb nosaltres avui per a una consulta gratuïta sobre com Telemus AI™ pot integrar-se a la seva organització.
