Syvä vahvistusoppiminen - Yksilöllisten mieltymysten oppiminen
Yksittäiset vuorovaikutukset verkkopohjaisten järjestelmien kanssa ovat nykyään kaikkialla läsnä. Monien organisaatioiden on varmistettava, että kaikki käyttäjät ovat tyytyväisiä ja nauttivat tietyn palvelutarjouksen käyttämisestä ja otettava huomioon yksilölliset käyttäjämieltymykset pysyäkseen kilpailukykyisinä. Asiakaskohtainen personointi pyrkii päättelemään käyttäjän mieltymykset ja mukauttamaan käyttäjäkokemuksen sen mukaisesti. Tekoäly yhdistettynä vahvistusoppimistekniikoihin soveltuu tähän tehtävään, sillä keinotekoinen neuroverkko tarjoaa kyvyn oppia suoraan käyttäjältä.
| Elokuva A | Elokuva B | Elokuva C | ||
| Henkilö A | 5 tähteä | 3 tähteä | 4 tähteä | |
| Henkilö B | 3 tähteä | 5 tähteä | 2 tähteä | |
| Henkilö C | 2 tähteä | 3 tähteä | 5 tähteä |
Pääperiaatteena on päätellä käyttäjien mieltymykset etukäteen ja johtaa käyttäjien mieltymysmatriisi samankaltaisten mielenkiinnon kohteiden omaavien muiden käyttäjien mieltymysten perusteella. Monikerrosperceptronia voidaan käyttää yhteistoiminnalliseen suodattamseen tarkasti päättelemään käyttäjien mieltymykset etukäteen siten, että verkko oppii ja mukautuu käyttäjien ollessa vuorovaikutuksessa järjestelmän kanssa. Kun datapisteitä on riittävästi, järjestelmästä tulee huomattavan tarkka käyttäjien mieltymysten päättelemisessä, sillä yhteisiä piirteitä omaavat ihmiset taipuvat klusteroitumaan.
Yleiskatsaus organisaation haasteeseen
Organisaatioiden on tarjottava palveluita, jotka ovat saavutettavissa laajalle ja monimuotoiselle demografialle. Järjestelmä, joka ottaa huomioon yksilölliset käyttäjämieltymykset sekä ohjelmallisesti että semanttisesti jokaisen kohdalla, on haastava määritellä. Tätä vaikeuttaa erityisesti se, että yksilölliset mieltymykset voivat muuttua päivästä päivään tai yksilön elämänvaiheen mukaan.
Tämän ongelman ratkaiseminen on välttämätöntä, koska sisällön näyttäminen yhdellä tavalla voi olla suositeltavaa tietyille käyttäjille, mutta samalla se voi vierottaa muita käyttäjiä, mikä vaikuttaa suoraan siihen ylärajaan, jonka käyttäjämäärän tuote voi todennäköisesti saavuttaa, ja siihen, kuinka paljon aikaa käyttäjä viettää alustalla. Todellisia vaikutuksia on havaittu, kun sosiaalisen median sovellus TikTok on häirinnyt vakiintuneita alustoja, kuten YouTubea ja Instagramia. Vaikka jälkimmämainitut alustat käyttävät sosiaalisen median graafianalyysiä sisällön ehdottamiseen, TikTok luottaa pelkästään käyttäjän antamaan tietoon sekä tietokonenäön, luonnollisen kielen käsittelyn ja metatietoanalyysin yhdistelmään sisällön kuratoinnissa. Se on toiminut niin hyvin, että käyttäjien pysyvyys alustalla ylittää kilpailijat.
Perinteisen koneoppimisen käyttö sisällön kuratointiin on hyvin vakiintunut ajatus, joka myöhemmin kehittyi ja edistyi tekoälyisten neuroverkkojen käyttöön, kun AI-kehykset tulivat helpommin saataville. Varhainen esimerkki koneoppimisen käytöstä sisällön kuratointiin oli Netflix Prize (https://en.wikipedia.org/wiki/Netflix_Prize), jossa Netflix kutsui koneoppimismallien lähetyksiä ja palkitsi voittajan 1 000 000 USD:lla. Myöhemmin tämän ajatuksen iteraatioita toteutettiin MovieLens-tietojoukolla (https://movielens.org/).
Nykyisten ja tulevaisuuden alustojen on pystyttävä luomaan tämä ominaisuus, joka käyttää tekoälyneuraaliverkkoja käyttäjien uudelleenkouluttamiseen ja houkuttelemiseen.
Tekoälyn syötteenä käytettävissä oleva organisaation data
Tekoälyennusteissa käytettävissä olevat tietolähteet ovat seuraavat:
Seuraavassa esitellään korkean tason prosessi asiakkaan personoinnin toteuttamiseksi tekoälyn ja syväoppimismenetelmien avulla:
- Asiakkaan metatiedot CRM-järjestelmistä (esim. Salesforce, Microsoft CRM)
- Ostohistoria (esim. Amazon, Shopify)
- Tapahtumien aikaleimat ja summat (esim. PoS-järjestelmät, Stripe, PayPal)
Integrointimenetelmä
- Sieppaa käyttäjän ominaisuuksia, joista voidaan päätellä käyttäjän mieltymykset
- Kouluta syväoppimismalli tallennetuilla piirteillä
- Ennusta käyttäjän mieltymykset ominaisuuksien perusteella
- Mukauta sisältöä ennusteiden perusteella sen mukaan, mitä käyttäjä haluaa nähdä
- Korjaa mallia jatkuvasti käyttäjän ollessa vuorovaikutuksessa online-järjestelmän kanssa, parantaen järjestelmää ajan myötä.
Koska Telemus AI™ hoitaa suurimman osan työstä, organisaatio voi keskittyä liiketoimintalogiikkaan teknisen toteutuksen sijaan.
Organisaation sovellukset
Seuraavassa on luettelo muista mahdollisista sovelluksista organisaatiollesi:
- Sisällön mukauttaminen käyttäjälle ostojen todennäköisyyden lisäämiseksi
- Varmistetaan asiakastyytyväisyys palvelulla, joka parantaa käyttäjien pysyvyyttä
- Varmistetaan, että sisältö on tuoretta ja olennaista käyttäjälle
Mahdolliset ja toteutuneet hyödyt
Telemus AI™ on Australiassa toimiva tekoälyyritys, joka tarjoaa edistyneitä ratkaisuja hallituksille ja yrityksille. Ota meihin yhteyttä jo tänään saadaksesi ilmaisen konsultaation siitä, miten Telemus AI™ voidaan integroida organisaatioosi.
