Deep Reinforcement Learning - Aprendizaje de Preferencias Individuales
Las interacciones individuales con los sistemas en línea son ahora omnipresentes. Muchas organizaciones deben asegurarse de que todos los usuarios estén satisfechos y disfruten usando una oferta de servicio en particular, mientras consideran las preferencias de usuario individualistas para seguir siendo competitivas. La personalización del cliente tiene como objetivo inferir las preferencias del usuario y adaptar la experiencia del usuario en consecuencia. La inteligencia artificial combinada con técnicas de aprendizaje por refuerzo es adecuada para esta tarea, ya que la red neuronal artificial proporciona la capacidad de aprender directamente del usuario.
| Película A | Película B | Película C | ||
| Persona A | 5 Estrellas | 3 Estrellas | 4 Estrellas | |
| Persona B | 3 Estrellas | 5 Estrellas | 2 Estrellas | |
| Persona C | 2 Estrellas | 3 Estrellas | 5 Estrellas |
El principio principal es inferir las preferencias del usuario con anticipación para derivar una matriz de preferencias del usuario basada en lo que prefieren otros usuarios con intereses similares. Se puede utilizar el Perceptrón Multicapa para el filtrado colaborativo para inferir con precisión las preferencias del usuario con anticipación haciendo que la red aprenda y se adapte a medida que los usuarios interactúan con un sistema. Dados suficientes puntos de datos, el sistema se vuelve notablemente preciso en la inferencia de las preferencias del usuario, ya que las personas que tienen similitudes tienden a agruparse.
Descripción general del desafío organizacional
Se requiere que las organizaciones proporcionen servicios que sean accesibles para una amplia y diversa demografía. Un sistema que considere las preferencias individuales de los usuarios, tanto programática como semánticamente para todos, es difícil de definir. Esto se ve especialmente agravado por el hecho de que las preferencias individuales pueden cambiar día a día o dependiendo de la etapa de vida del individuo.
Resolver este problema es esencial porque mostrar el contenido de una manera puede ser preferible para usuarios específicos, mientras que causa detracción en otros usuarios, afectando directamente el límite máximo de usuarios que un producto probablemente puede alcanzar y la cantidad de tiempo que un usuario pasa en la plataforma. Se han observado impactos en el mundo real con la aplicación de redes sociales TikTok interrumpiendo plataformas establecidas como YouTube e Instagram. Mientras que las plataformas mencionadas posteriormente utilizan análisis de grafos de redes sociales para sugerir contenido, TikTok depende únicamente de la información proporcionada por el usuario y una combinación de visión por computadora, procesamiento de lenguaje natural y análisis de metadatos para curar el contenido. Ha funcionado tan bien que la retención de usuarios en la plataforma supera a la de los competidores.
El uso del aprendizaje automático tradicional para curar contenido es una idea bien establecida que más tarde evolucionó y progresó al uso de redes neuronales artificiales a medida que los marcos de inteligencia artificial se volvieron más accesibles. Un ejemplo temprano del uso de Machine Learning para curar contenido fue el Netflix Prize (https://en.wikipedia.org/wiki/Netflix_Prize), donde Netflix solicitó envíos de modelos de aprendizaje automático recompensando con $1,000,000 USD al ganador. Más tarde, iteraciones de esta idea se hicieron realidad con el conjunto de datos MovieLens (https://movielens.org/).
Las plataformas actuales y futuras deberán establecer esta capacidad que utiliza redes neuronales artificiales para recapacitar y atraer a los usuarios.
Datos Organizacionales Disponibles como Entrada para AI
Las fuentes de datos disponibles para su uso en la previsión con AI son las siguientes:
A continuación se proporciona un proceso de alto nivel sobre cómo ofrecer personalización al cliente mediante inteligencia artificial combinada con métodos de aprendizaje profundo:
- Metadatos de clientes de sistemas CRM (es decir, Salesforce, Microsoft CRM)
- Historial de compras (es decir, Amazon, Shopify)
- Marcas de tiempo y montos de las transacciones (es decir, sistemas PoS, Stripe, PayPal)
Metodología de Integración
- Capturar características sobre un usuario que puedan inferir las preferencias del usuario
- Entrenar un modelo de aprendizaje profundo con las características capturadas
- Predecir lo que el usuario preferiría basado en las características
- Personalizar contenido basándose en predicciones sobre lo que el usuario desea ver
- Corrija continuamente el modelo a medida que el usuario interactúa con el sistema en línea, mejorando el sistema con el tiempo.
Dado que Telemus AI™ se encarga de la mayor parte del trabajo, la organización puede centrarse en la lógica de negocio en lugar de en la implementación técnica.
Aplicaciones Organizacionales
A continuación se enumeran otras aplicaciones potenciales para su organización:
- Personalizar el contenido para un usuario para aumentar la probabilidad de compras
- Garantizar la satisfacción del cliente con un servicio que mejora la retención de usuarios
- Asegurar que el contenido sea fresco y relevante para el usuario
Beneficios potenciales y realizados
Telemus AI™ es una empresa de inteligencia artificial con sede en Australia que proporciona soluciones avanzadas a gobiernos y empresas. Contáctenos hoy para una consulta gratuita sobre cómo Telemus AI™ puede integrarse en su organización.
