Hluboké učení posilované zpětnou vazbou - Učení individuálních preferencí

Hlavním principem je odvodit preference uživatele předem, aby se odvodila matice uživatelských preferencí na základě toho, co preferují ostatní uživatelé s podobnými zájmy. Vícevrstvý perceptron pro kolaborativní filtrování lze použít k přesnému odvození uživatelských preferencí předem tím, že se síť učí a přizpůsobuje se, jak uživatelé interagují se systémem. Při dostatečném množství datových bodů se systém stává pozoruhodně přesným v odvozování uživatelských preferencí, protože lidé, kteří mají společné rysy, mají tendenci se shlukovat.

Přehled organizační výzvy

Organizace musí poskytovat služby, které jsou přístupné široké a rozmanité demografické skupině. Systém, který bere v úvahu individuální uživatelské preference jak programově, tak sémanticky pro každého, je náročné definovat. To je obzvláště umocněno skutečností, že individuální preference se mohou měnit den ode dne nebo v závislosti na fázi života jednotlivce.

Řešení tohoto problému je nezbytné, protože zobrazování obsahu jedním způsobem může být vhodnější pro konkrétní uživatele, zatímco u jiných uživatelů může způsobit odpor, což přímo ovlivňuje horní hranici počtu uživatelů, kterých může produkt pravděpodobně dosáhnout, a množství času, které uživatel na platformě stráví. Reálné dopady byly pozorovány u sociální mediální aplikace TikTok, která narušila zavedené platformy jako YouTube a Instagram. Zatímco výše zmíněné platformy používají k doporučování obsahu analýzu grafů sociálních médií, TikTok se spoléhá výhradně na informace poskytnuté uživatelem a kombinaci počítačového vidění, zpracování přirozeného jazyka a analýzy metadat k vytváření obsahu. Funguje to tak dobře, že udržení uživatelů na platformě převyšuje konkurenci.

Použití tradičního strojového učení k kurátorování obsahu je dobře zavedený nápad, který se později vyvinul a pokročil k používání umělých neuronových sítí, jak se rámce umělé inteligence stávaly přístupnější. Raným příkladem použití strojového učení k kurátorování obsahu byla Netflix Prize (https://en.wikipedia.org/wiki/Netflix_Prize), kde Netflix vyhlásil soutěž v odevzdávání modelů strojového učení s odměnou 1 000 000 USD pro vítěze. Později se uskutečnily iterace tohoto nápadu s datovou sadou MovieLens (https://movielens.org/).

Současným a budoucím platformám bude vyžadováno, aby tuto schopnost zavedly pomocí umělých neuronových sítí k přetrénování a přilákání uživatelů.

Organizační data dostupná jako vstup pro AI

Zdroje dat dostupné pro použití v AI prognózování jsou následující:

Následující poskytuje proces na vysoké úrovni pro to, jak poskytnout personalizaci zákazníků prostřednictvím umělé inteligence spojené s metodami hlubokého učení:

1. Metadata zákazníků ze systémů CRM (tj. Salesforce, Microsoft CRM)
2. Historie nákupů (tj. Amazon, Shopify)
3. Časové značky a částky transakcí (tj. PoS systémy, Stripe, PayPal)

Metodologie integrace

1. Zachytit vlastnosti o uživateli, ze kterých lze odvodit preference uživatele
2. Trénovat model hlubokého učení se zachycenými příznaky
3. Předpovězte, co by uživatel preferoval na základě funkcí
4. Přizpůsobte obsah na základě predikcí toho, co chce uživatel vidět
5. Průběžně opravujte model, jak uživatel interaguje s online systémem, čímž se systém v průběhu času zlepšuje.

Vzhledem k tomu, že Telemus AI™ se stará o většinu práce, se organizace může soustředit na obchodní logiku spíše než na technickou implementaci.

Organizační aplikace

Následující uvádí další potenciální aplikace pro vaši organizaci:

• Přizpůsobení obsahu pro uživatele za účelem zvýšení pravděpodobnosti nákupu
• Zajištění spokojenosti zákazníků službou, která zlepšuje udržení uživatelů
• Zajištění, že obsah je aktuální a relevantní pro uživatele

Potenciální a realizované přínosy

Telemus AI™ je australská společnost zabývající se umělou inteligencí, která poskytuje pokročilá řešení pro vlády a podniky. Kontaktujte nás ještě dnes pro bezplatnou konzultaci o tom, jak může být Telemus AI™ integrována do vaší organizace.