Mély megerősítéses tanulás - Egyéni preferenciák tanulása
Az online rendszerekkel való egyéni interakciók ma már mindennaposak. Sok szervezetnek gondoskodnia kell arról, hogy minden felhasználó elégedett legyen és élvezze egy adott szolgáltatás használatát, miközben figyelembe veszi az egyéni felhasználói preferenciákat a versenyképesség megőrzése érdekében. Az ügyfél-personalizáció célja a felhasználói preferenciák kikövetkeztetése és a felhasználói élmény ennek megfelelő adaptálása. A Mesterséges Intelligencia a megerősítéses tanulási technikákkal párosítva alkalmas erre a feladatra, mivel a mesterséges neurális hálózat biztosítja a közvetlenül a felhasználótól való tanulás képességét.
| A film | B film | C film | ||
| A személy | 5 Csillag | 3 Csillag | 4 Csillag | |
| B személy | 3 Csillag | 5 Csillag | 2 Csillag | |
| C személy | 2 Csillag | 3 Csillag | 5 Csillag |
A fő elv a felhasználói preferenciák előzetes kikövetkeztetése annak érdekében, hogy a felhasználói preferenciák mátrixát levezessük más, hasonló érdeklődésű felhasználók preferenciái alapján. A kollaboratív szűréshez (collaborative filtering) használt Többrétegű Perceptron (Multilayer Perceptron) pontosan kikövetkeztetheti a felhasználói preferenciákat előre azáltal, hogy a hálózat tanul és alkalmazkodik, ahogy a felhasználók interakcióba lépnek egy rendszerrel. Elegendő adatpont esetén a rendszer rendkívül pontossá válik a felhasználói preferenciák kikövetkeztetésében, mivel a közös vonásokkal rendelkező emberek hajlamosak csoportosulni (cluster).
A szervezeti kihívás áttekintése
A szervezeteknek olyan szolgáltatásokat kell nyújtaniuk, amelyek hozzáférhetők egy széles, sokszínű demográfiai csoport számára. Egy olyan rendszer, amely mind programozottan, mind szemantikailag figyelembe veszi az egyéni felhasználói preferenciákat mindenki számára, nehezen meghatározható. Ezt különösen az a tény bonyolítja, hogy az egyéni preferenciák napról napra vagy az egyén életszakaszától függően változhatnak.
Ennek a problémának a megoldása elengedhetetlen, mivel a tartalom egyféle módon történő megjelenítése előnyösebb lehet bizonyos felhasználók számára, miközben más felhasználók eltávolodását okozhatja, ami közvetlenül befolyásolja azoknak a felhasználóknak a felső határát, akiket egy termék valószínűleg elérhet, valamint azt az időt, amit egy felhasználó a platformon tölt. Valós hatásokat figyeltek meg a TikTok közösségi média alkalmazással kapcsolatban, amely felforgatta az olyan bevált platformokat, mint a YouTube és az Instagram. Míg az utóbb említett platformok közösségi média gráf elemzést használnak a tartalom ajánlására, a TikTok kizárólag a felhasználó által megadott információkra, valamint a számítógépes látás, a természetes nyelvfeldolgozás és a metaadat-elemzés kombinációjára támaszkodik a tartalom kurálásához. Ez olyan jól működik, hogy a felhasználók megtartása a platformon felülmúlja a versenytársakét.
A hagyományos gépi tanulás használata a tartalom kurálására egy jól bevált ötlet, amely később fejlődött és fejlődött a mesterséges neurális hálózatok használatáig, ahogy a mesterséges intelligencia keretrendszerek hozzáférhetőbbé váltak. A gépi tanulás tartalomkurálásra történő használatának egyik korai példája a Netflix Prize (https://en.wikipedia.org/wiki/Netflix_Prize) volt, ahol a Netflix gépi tanulási modellek benyújtását kérte, 1 000 000 USD jutalmat kínálva a győztesnek. Később az ötlet további iterációi valósultak meg a MovieLens adathalmazzal (https://movielens.org/).
A jelenlegi és jövőbeli platformoknak ki kell alakítaniuk ezt a képességet, amely mesterséges neurális hálózatokat használ a felhasználók újraképzésére és vonzására.
AI bemenetként elérhető szervezeti adatok
Az AI előrejelzésben felhasználható adatforrások a következők:
Az alábbiakban egy magas szintű folyamat olvasható arról, hogyan lehet ügyfél-personalizációt (személyre szabást) biztosítani mesterséges intelligencián és mély tanulási (deep learning) módszereken alapulva:
- Ügyfél metaadatok a CRM rendszerekből (pl. Salesforce, Microsoft CRM)
- Vásárlási előzmények (pl. Amazon, Shopify)
- Tranzakciók időbélyegei és összegei (azaz PoS Rendszerek, Stripe, PayPal)
Integrációs módszertan
- Felhasználóra vonatkozó jellemzők rögzítése, amelyekből a felhasználói preferenciák kikövetkeztethetők
- Mélytanulási modell betanítása a rögzített jellemzőkkel
- Jósolja meg, mit preferálna a felhasználó a funkciók alapján
- Tartalom testreszabása előrejelzések alapján arra vonatkozóan, hogy a felhasználó mit szeretne látni
- Folyamatosan javítsa a modellt, ahogy a felhasználó interakcióba lép az online rendszerrel, ezáltal javítva a rendszert az idő múlásával.
Mivel a Telemus AI™ elvégzi a munka nagy részét, a szervezet az üzleti logikára koncentrálhat, nem pedig a technikai megvalósításra.
Szervezeti alkalmazások
Az alábbiakban a szervezete egyéb potenciális alkalmazásai listája látható:
- Felhasználó számára történő tartalom-testreszabás a vásárlások valószínűségének növelése érdekében
- Az ügyfél-elégedettség biztosítása a felhasználó megtartását javító szolgáltatással
- Annak biztosítása, hogy a tartalom friss és releváns legyen a felhasználó számára
Potenciális és megvalósult előnyök
A Telemus AI™ egy ausztrál székhelyű mesterséges intelligencia vállalat, amely fejlett megoldásokat nyújt kormányok és vállalatok számára. Lépjen kapcsolatba velünk még ma egy ingyenes konzultációért arról, hogyan integrálható a Telemus AI™ a szervezetébe.
