Duboko potkorno učenje - Učenje individualnih preferencija

Glavno načelo je zaključiti o preferencijama korisnika unaprijed kako bi se izvela matrica preferencija korisnika na temelju onoga što preferiraju drugi korisnici sa sličnim interesima. Višeslojni perceptron za kolaborativno filtriranje može se koristiti za točno izvođenje preferencija korisnika unaprijed tako da mreža uči i prilagođava se kako korisnici komuniciraju sa sustavom. S dovoljno podataka, sustav postaje iznimno točan u izvođenju preferencija korisnika jer osobe koje imaju zajedničke osobine teže grupiranju.

Pregled organizacijskog izazova

Od organizacija se zahtijeva da pružaju usluge koje su dostupne široj, raznolikoj demografiji. Teško je definirati sustav koji programski i semantički uzima u obzir individualne preferencije korisnika za svakoga. To je posebno pojačano činjenicom da se individualne preferencije mogu mijenjati iz dana u dan ili ovisno o životnoj dobi pojedinca.

Rješavanje ovog problema je ključno jer prikazivanje sadržaja na jedan način može biti poželjno određenim korisnicima, dok kod drugih može izazvati odbojnost, što izravno utječe na gornju granicu broja korisnika koje proizvod može vjerojatno dosegnuti i na količinu vremena koju korisnik provodi na platformi. Uočeni su stvarni učinci u slučaju aplikacije za društvene mreže TikTok koja je poremetila etablirane platforme poput YouTubea i Instagrama. Dok potonje platforme koriste analizu grafova društvenih mreža za predlaganje sadržaja, TikTok se oslanja isključivo na korisnički pružene informacije i kombinaciju računalnog vida, obrade prirodnog jezika i analize metapodataka za kuriranje sadržaja. To je toliko dobro funkcioniralo da zadržavanje korisnika na platformi premašuje konkurenciju.

Korištenje tradicionalnog strojnog učenja za kuriranje sadržaja dobro je uspostavljena ideja koja se kasnije razvila i napredovala do korištenja umjetnih neuronskih mreža kako su okviri umjetne inteligencije postali pristupačniji. Rani primjer korištenja strojnog učenja za kuriranje sadržaja bio je Netflix Prize (https://en.wikipedia.org/wiki/Netflix_Prize), gdje je Netflix tražio podnošenje modela strojnog učenja nagrađujući pobjednika s 1.000.000 USD. Kasnije su iteracije ove ideje došle do ostvarenja s skupom podataka MovieLens (https://movielens.org/).

Trenutne i buduće platforme morat će uspostaviti ovu sposobnost koja koristi umjetne neuronske mreže za ponovno osposobljavanje i privlačenje korisnika.

Organizacijski podaci dostupni kao AI ulaz

Izvori podataka dostupni za upotrebu u AI predviđanju su sljedeći:

U nastavku je prikazan postupak na visokoj razini za pružanje personalizacije korisnika putem umjetne inteligencije u kombinaciji s metodama dubokog učenja:

1. Metapodaci kupaca iz CRM sustava (npr. Salesforce, Microsoft CRM)
2. Povijest kupnji (npr. Amazon, Shopify)
3. Vremenske oznake i iznosi transakcija (tj. PoS sustavi, Stripe, PayPal)

Metodologija integracije

1. Snimite značajke o korisniku iz kojih se mogu zaključiti korisničke preferencije
2. Trenirajte model dubokog učenja s uhvaćenim značajkama
3. Predvidite što bi korisnik preferirao na temelju značajki
4. Prilagodba sadržaja putem predviđanja onoga što korisnik želi vidjeti
5. Kontinuirano ispravljajte model dok korisnik komunicira s online sustavom, čime se sustav poboljšava tijekom vremena.

S obzirom na to da Telemus AI™ obavlja većinu posla, organizacija se može usredotočiti na poslovnu logiku umjesto na tehničku implementaciju.

Organizacijske primjene

Sljedeće navodi druge potencijalne aplikacije za vašu organizaciju:

• Prilagodba sadržaja za korisnika radi povećanja vjerojatnosti kupnje
• Osiguravanje zadovoljstva klijenata uslugom koja poboljšava zadržavanje korisnika
• Osiguravanje da je sadržaj svjež i relevantan za korisnika

Potencijalne i ostvarene prednosti

Telemus AI™ je australska tvrtka za umjetnu inteligenciju koja pruža napredna rješenja vladama i poduzećima. Kontaktirajte nas danas za besplatno savjetovanje o tome kako se Telemus AI™ može integrirati u vašu organizaciju.