Deep Reinforcement Learning - Apprentissage des préférences individuelles
Les interactions individuelles avec les systèmes en ligne sont désormais omniprésentes. De nombreuses organisations doivent s'assurer que tous les utilisateurs sont satisfaits et apprécient l'utilisation d'une offre de service particulière tout en tenant compte des préférences individuelles des utilisateurs pour rester compétitives. La personnalisation des clients vise à déduire les préférences des utilisateurs et à adapter l'expérience utilisateur en conséquence. L'intelligence artificielle couplée aux techniques d'apprentissage par renforcement est adaptée à cette tâche car le réseau de neurones artificiels offre la capacité d'apprendre directement auprès de l'utilisateur.
| Film A | Film B | Film C | ||
| Personne A | 5 étoiles | 3 Étoiles | 4 étoiles | |
| Personne B | 3 Étoiles | 5 étoiles | 2 Étoiles | |
| Personne C | 2 Étoiles | 3 Étoiles | 5 étoiles |
Le principe principal consiste à déduire les préférences des utilisateurs à l'avance pour établir une matrice de préférences basée sur ce que d'autres utilisateurs aux intérêts similaires préfèrent. Le Perceptron Multicouche pour le filtrage collaboratif peut être utilisé pour déduire avec précision les préférences des utilisateurs à l'avance en permettant au réseau d'apprendre et de s'adapter au fur et à mesure que les utilisateurs interagissent avec un système. Avec suffisamment de points de données, le système devient remarquablement précis dans la déduction des préférences des utilisateurs, car les personnes ayant des points communs ont tendance à se regrouper.
Aperçu du défi organisationnel
Les organisations sont tenues de fournir des services accessibles à une population large et diversifiée. Un système qui prend en compte les préférences individuelles des utilisateurs, à la fois de manière programmatique et sémantique pour chacun, est difficile à définir. Cela est d'autant plus compliqué par le fait que les préférences individuelles peuvent changer au jour le jour ou selon l'étape de vie de l'individu.
Résoudre ce problème est essentiel car l'affichage de contenu d'une certaine manière peut être préférable pour des utilisateurs spécifiques tout en rebutant d'autres utilisateurs, affectant directement le plafond d'utilisateurs qu'un produit peut probablement atteindre et le temps qu'un utilisateur passe sur la plateforme. Des impacts dans le monde réel ont été observés avec l'application de réseau social TikTok qui bouleverse des plateformes établies comme YouTube et Instagram. Alors que les plateformes susmentionnées utilisent l'analyse de graphes de réseaux sociaux pour suggérer du contenu, TikTok s'appuie uniquement sur les informations fournies par l'utilisateur et sur une combinaison de vision par ordinateur, de traitement du langage naturel et d'analyse de métadonnées pour organiser le contenu. Cela a si bien fonctionné que la rétention des utilisateurs sur la plateforme dépasse celle des concurrents.
L'utilisation de l'apprentissage automatique traditionnel pour organiser le contenu est une idée bien établie qui a ensuite évolué et progressé vers l'utilisation de réseaux de neurones artificiels à mesure que les cadres d'intelligence artificielle devenaient plus accessibles. Un exemple précoce de l'utilisation de l'apprentissage automatique pour organiser le contenu était le Netflix Prize (https://en.wikipedia.org/wiki/Netflix_Prize), où Netflix a lancé un appel à soumissions de modèles d'apprentissage automatique récompensant le gagnant de 1 000 000 USD. Par la suite, des itérations de cette idée ont vu le jour avec l'ensemble de données MovieLens (https://movielens.org/).
Les plateformes actuelles et futures devront établir cette capacité qui utilise des réseaux de neurones artificiels pour retenir et attirer les utilisateurs.
Données organisationnelles disponibles en tant qu'entrées AI
Les sources de données disponibles pour une utilisation dans les prévisions par l'IA sont les suivantes :
Ce qui suit décrit un processus de haut niveau permettant d'offrir une personnalisation client au moyen de l'intelligence artificielle couplée à des méthodes d'apprentissage profond :
- Métadonnées client provenant des systèmes CRM (c'est-à-dire Salesforce, Microsoft CRM)
- Historique d'achats (c'est-à-dire Amazon, Shopify)
- Horodatages et montants des transactions (c.-à-d. systèmes de point de vente, Stripe, PayPal)
Méthodologie d'intégration
- Capturer des caractéristiques relatives à un utilisateur permettant de déduire ses préférences
- Entraîner un modèle d'apprentissage profond avec les caractéristiques capturées
- Prédire ce que l'utilisateur préférerait en fonction des fonctionnalités
- Personnaliser le contenu via des prédictions de ce que l'utilisateur veut voir
- Corriger continuellement le modèle au fur et à mesure que l'utilisateur interagit avec le système en ligne, en améliorant le système au fil du temps.
Étant donné que Telemus AI™ prend en charge la majeure partie du travail, l'organisation peut se concentrer sur la logique métier plutôt que sur la mise en œuvre technique.
Applications organisationnelles
La liste suivante présente d'autres applications potentielles pour votre organisation :
- Personnaliser le contenu pour un utilisateur afin d'augmenter la probabilité d'achats
- Garantir la satisfaction client avec un service qui améliore la rétention des utilisateurs
- S'assurer que le contenu est récent et pertinent pour l'utilisateur
Avantages potentiels et réalisés
Telemus AI™ est une entreprise d'intelligence artificielle basée en Australie, fournissant des solutions avancées aux gouvernements et aux entreprises. Contactez-nous dès aujourd'hui pour une consultation gratuite sur la façon dont Telemus AI™ peut être intégré à votre organisation.
