Deep Reinforcement Learning - Læring af individuelle præferencer
Individuelle interaktioner med onlinesystemer er nu allestedsnærværende. Mange organisationer skal sikre, at alle brugere er tilfredse og nyder at bruge et bestemt servicetilbud, mens de overvejer individuelle brugerpræferencer for at forblive konkurrencedygtige. Kundetilpasning har til formål at udlede brugerpræferencer og tilpasse brugeroplevelsen derefter. Kunstig intelligens kombineret med Reinforcement Learning-teknikker er velegnet til denne opgave, da det kunstige neurale netværk giver muligheden for at lære direkte fra brugeren.
| Film A | Film B | Film C | ||
| Person A | 5 stjerner | 3 stjerner | 4 stjerner | |
| Person B | 3 stjerner | 5 stjerner | 2 stjerner | |
| Person C | 2 stjerner | 3 stjerner | 5 stjerner |
Hovedprincippet er at udlede brugerpræferencer på forhånd for at danne en matrix over brugerpræferencer baseret på, hvad andre brugere med lignende interesser foretrækker. Multilayer Perceptron til kollaborativ filtrering kan bruges til nøjagtigt at udlede brugerpræferencer på forhånd ved at lade netværket lære og tilpasse sig, efterhånden som brugerne interagerer med et system. Med tilstrækkeligt antal datapunkter bliver systemet bemærkelsesværdigt præcist i at udlede brugerpræferencer, da folk med fællestræk har tendens til at samle sig i klynger.
Overblik over den organisatoriske udfordring
Organisationer er forpligtet til at levere tjenester, der er tilgængelige for en bred og mangfoldig demografi. Et system, der tager højde for individuelle brugerpræferencer både programmatorisk og semantisk for alle, er en udfordring at definere. Dette forstærkes yderligere af, at individuelle præferencer kan ændre sig dag for dag eller afhængigt af individets livsfase.
Det er essentielt at løse dette problem, fordi visning af indhold på én måde kan være at foretrække for specifikke brugere, mens det frastøder andre brugere, hvilket direkte påvirker det maksimale antal brugere, et produkt sandsynligvis kan opnå, og den tid, en bruger bruger på platformen. Der er observeret virkelige effekter med appen til sociale medier TikTok, som forstyrrer etablerede platforme som YouTube og Instagram. Mens de sidstnævnte platforme bruger grafanalyse af sociale medier til at foreslå indhold, er TikTok udelukkende afhængig af brugerleveret information og en kombination af computersyn, naturlig sprogbehandling og metadata-analyse til at kuratere indhold. Det har fungeret så godt, at brugerfastholdelsen på platformen overgår konkurrenterne.
Brugen af traditionel maskinlæring til at kuratere indhold er en vel etableret idé, der senere udviklede sig og skred frem til at bruge kunstige neurale netværk, efterhånden som rammeværk for kunstig intelligens blev mere tilgængelige. Et tidligt eksempel på brug af maskinlæring til at kuratere indhold var Netflix Prize (https://en.wikipedia.org/wiki/Netflix_Prize), hvor Netflix indkaldte indsendelser af maskinlæringsmodeller og belønnede vinderen med $1.000.000 USD. Senere kom iterationer af denne idé til virkelighed med MovieLens-datasættet (https://movielens.org/).
Nuværende og fremtidige platforme vil være forpligtet til at etablere denne funktion, der bruger kunstige neurale netværk til at genoptræne og tiltrække brugere.
Organisatoriske Data Tilgængelige som AI-input
Datakilder til rådighed for brug i AI-prognoser er som følger:
Følgende giver en overordnet proces for, hvordan man leverer kundepersonalisering via kunstig intelligens kombineret med deep learning-metoder:
- Kundemetadata fra CRM-systemer (dvs. Salesforce, Microsoft CRM)
- Købshistorik (dvs. Amazon, Shopify)
- Transaktionstidsstempler og beløb (dvs. PoS-systemer, Stripe, PayPal)
Integrationsmetodologi
- Indfang funktioner om en bruger, der kan udlede brugerpræferencer
- Træn en deep-learning-model med de indfangede funktioner
- Forudsig hvad brugeren ville foretrække baseret på funktionerne
- Tilpas indhold via forudsigelser af, hvad brugeren ønsker at se
- Korriger løbende modellen, efterhånden som brugeren interagerer med onlinesystemet, hvilket forbedrer systemet over tid.
Da Telemus AI™ tager sig af det meste af arbejdet, kan organisationen fokusere på forretningslogikken frem for den tekniske implementering.
Organisatoriske Anvendelser
Følgende opregner andre potentielle applikationer til din organisation:
- Tilpasning af indhold for en bruger for at øge sandsynligheden for køb
- Sikre kundetilfredshed med en tjeneste, der forbedrer brugerfastholdelse
- Sikre, at indholdet er frisk og relevant for brugeren
Potentielle og realiserede fordele
Telemus AI™ er et australsk-baseret selskab for kunstig intelligens, der leverer avancerede løsninger til regeringer og virksomheder. Kontakt os i dag for en gratis konsultation om, hvordan Telemus AI™ kan integreres i din organisation.
