Deep Reinforcement Learning - Lernen individueller Präferenzen
Individuelle Interaktionen mit Online-Systemen sind mittlerweile allgegenwärtig. Viele Organisationen müssen sicherstellen, dass alle Nutzer zufrieden sind und ein bestimmtes Serviceangebot gerne nutzen, wobei individuelle Nutzervorlieben berücksichtigt werden müssen, um wettbewerbsfähig zu bleiben. Die Kundenpersonalisierung zielt darauf ab, Nutzervorlieben abzuleiten und das Nutzererlebnis entsprechend anzupassen. Künstliche Intelligenz in Verbindung mit Reinforcement-Learning-Techniken eignet sich für diese Aufgabe, da das künstliche neuronale Netz die Fähigkeit bietet, direkt vom Nutzer zu lernen.
| Film A | Film B | Film C | ||
| Person A | 5 Sterne | 3 Sterne | 4 Sterne | |
| Person B | 3 Sterne | 5 Sterne | 2 Sterne | |
| Person C | 2 Sterne | 3 Sterne | 5 Sterne |
Das Grundprinzip besteht darin, Benutzerpräferenzen im Voraus abzuleiten, um eine Matrix von Benutzerpräferenzen basierend auf den Präferenzen anderer Benutzer mit ähnlichen Interessen zu erstellen. Ein Multilayer Perceptron für kollaboratives Filtern kann verwendet werden, um Benutzerpräferenzen im Voraus präzise abzuleiten, indem das Netzwerk lernt und sich anpasst, während die Benutzer mit einem System interagieren. Bei einer ausreichenden Anzahl an Datenpunkten wird das System bemerkenswert genau bei der Ableitung von Benutzerpräferenzen, da Personen mit Gemeinsamkeiten dazu neigen, sich in einem Cluster zusammenzufinden.
Überblick über die organisatorische Herausforderung
Organisationen sind verpflichtet, Dienste bereitzustellen, die für eine breite, diverse demografische Gruppe zugänglich sind. Ein System, das sowohl programmatisch als auch semantisch die individuellen Benutzereinstellungen für jeden berücksichtigt, ist schwer zu definieren. Dies wird zusätzlich dadurch erschwert, dass sich individuelle Präferenzen von Tag zu Tag ändern können oder abhängig von der Lebensphase der Person sind.
Die Lösung dieses Problems ist von entscheidender Bedeutung, da die Darstellung von Inhalten auf eine bestimmte Weise für bestimmte Nutzer vorzuziehen sein kann, während sie bei anderen Nutzern zu einer Abkehr führt, was sich direkt auf die Obergrenze der Nutzer, die ein Produkt wahrscheinlich erreichen kann, und die Zeitspanne auswirkt, die ein Nutzer auf der Plattform verbringt. Auswirkungen in der realen Welt wurden bei der Social-Media-App TikTok beobachtet, die etablierte Plattformen wie YouTube und Instagram disruptierte. Während die zuletzt genannten Plattformen Social-Media-Graph-Analysen verwenden, um Inhalte vorzuschlagen, verlässt sich TikTok ausschließlich auf nutzerbereitgestellte Informationen und eine Kombination aus Computer Vision, natürlicher Sprachverarbeitung und Metadatenanalyse, um Inhalte zu kuratieren. Dies hat so gut funktioniert, dass die Nutzerrückhaltung auf der Plattform die der Konkurrenten übertrifft.
Die Verwendung von traditionellem maschinellem Lernen zur Kuratierung von Inhalten ist eine bewährte Idee, die sich später weiterentwickelte und fortschritt, um künstliche neuronale Netze zu verwenden, als Frameworks für künstliche Intelligenz zugänglicher wurden. Ein frühes Beispiel für die Verwendung von maschinellem Lernen zur Kuratierung von Inhalten war der Netflix Prize (https://en.wikipedia.org/wiki/Netflix_Prize), bei dem Netflix Einreichungen von Modellen für maschinelles Lernen anforderte und dem Gewinner 1.000.000 USD als Preisgeld zusicherte. Später wurden weitere Iterationen dieser Idee mit dem MovieLens-Datensatz (https://movielens.org/) umgesetzt.
Aktuelle und zukünftige Plattformen müssen diese Funktion bereitstellen, die künstliche neuronale Netze nutzt, um Benutzer zu binden und zu gewinnen.
Als AI-Eingabe verfügbare organisatorische Daten
Für die Verwendung in KI-Prognosen verfügbare Datenquellen sind folgende:
Der folgende Abschnitt beschreibt einen übergeordneten Prozess zur Bereitstellung von Kundenpersonalisierung durch künstliche Intelligenz in Verbindung mit Deep-Learning-Methoden:
- Kunden-Metadaten aus CRM-Systemen (z. B. Salesforce, Microsoft CRM)
- Kaufhistorie (z. B. Amazon, Shopify)
- Transaktionszeitstempel und -beträge (z. B. PoS-Systeme, Stripe, PayPal)
Integrationsmethodik
- Erfassen von Merkmalen über einen Nutzer, die auf Nutzereinstellungen schließen lassen
- Trainieren Sie ein Deep-Learning-Modell mit den erfassten Merkmalen
- Vorhersagen, was der Nutzer basierend auf den Funktionen bevorzugen würde
- Inhalte anhand von Vorhersagen anpassen, was der Nutzer sehen möchte
- Korrigieren Sie das Modell kontinuierlich, während der Benutzer mit dem Online-System interagiert, und verbessern Sie das System so im Laufe der Zeit.
Da Telemus AI™ den Großteil der Arbeit übernimmt, kann sich die Organisation auf die Geschäftslogik konzentrieren statt auf die technische Implementierung.
Organisatorische Anwendungen
Die folgende Liste zeigt weitere potenzielle Anwendungen für Ihre Organisation:
- Inhalte für einen Nutzer anpassen, um die Wahrscheinlichkeit von Käufen zu erhöhen
- Sicherstellen der Kundenzufriedenheit mit einem Service, der die Nutzerbindung verbessert
- Sicherstellen, dass Inhalte aktuell und für den Nutzer relevant sind
Potenzielle und realisierte Vorteile
Telemus AI™ ist ein in Australien ansässiges Unternehmen für künstliche Intelligenz, das fortschrittliche Lösungen für Regierungen und Unternehmen bietet. Kontaktieren Sie uns noch heute für eine kostenlose Beratung, wie Telemus AI™ in Ihre Organisation integriert werden kann.
