Deep Reinforcement Learning - Mempelajari Preferensi Individu

Interaksi individu dengan sistem online kini sudah ada di mana-mana. Banyak organisasi harus memastikan bahwa semua pengguna puas dan menikmati menggunakan penawaran layanan tertentu sambil mempertimbangkan preferensi pengguna individualistik agar tetap kompetitif. Personalisasi pelanggan bertujuan untuk menyimpulkan preferensi pengguna dan menyesuaikan pengalaman pengguna sesuai dengan itu. Kecerdasan Buatan yang dipadukan dengan teknik Pembelajaran Penguatan sangat cocok untuk tugas ini karena jaringan saraf buatan memberikan kemampuan untuk belajar langsung dari pengguna.

Kemajuan dalam interaksi manusia-komputer telah memudahkan penyediaan sistem yang dapat diakses oleh seluruh populasi untuk layanan terstandarisasi, termasuk kolaborasi daring (Slack, Microsoft Teams), email (Gmail, Outlook), administrasi (MyGov), dan perbankan (CommBank, ANZ). Namun, memperhitungkan personalisasi pengguna untuk layanan seperti media sosial (Facebook, Instagram, TikTok), layanan streaming (Netflix, Disney+), dan belanja daring (Amazon, Shopify) lebih kompleks karena beragam preferensi individu.

Kemajuan yang lebih baru dalam deep learning telah menghasilkan sistem rekomendasi yang lebih baik yang menyesuaikan konten berbeda untuk setiap pengguna dan telah menunjukkan manfaat besar. Studi kasus ini akan mengeksplorasi cara menerapkan pemahaman mendalam untuk mempersonalisasi konten belanja. Teknik yang dibahas dapat digunakan di berbagai bidang.

Menyelesaikan Masalah melalui Kecerdasan Buatan

Mendalam & Cross Networks sering digunakan dalam sistem rekomendasi berbasis kecerdasan buatan untuk memperluas proses yang dikenal sebagai Collaborative Filtering.

	Film A	Film B	Film C
Orang A	5 Bintang	3 Bintang	4 Bintang
Orang B	3 Bintang	5 Bintang	2 Bintang
Orang C	2 Bintang	3 Bintang	5 Bintang

Prinsip utamanya adalah menyimpulkan preferensi pengguna terlebih dahulu untuk memperoleh matriks preferensi pengguna berdasarkan apa yang disukai oleh pengguna lain dengan minat serupa. Multilayer Perceptron untuk penyaringan kolaboratif dapat digunakan untuk menyimpulkan preferensi pengguna secara akurat terlebih dahulu dengan membuat jaringan belajar dan beradaptasi seiring pengguna berinteraksi dengan suatu sistem. Dengan titik data yang cukup, sistem menjadi sangat akurat dalam menyimpulkan preferensi pengguna karena orang-orang yang memiliki kesamaan cenderung berkelompok.

Ikhtisar Tantangan Organisasi

Organisasi diharuskan untuk menyediakan layanan yang dapat diakses oleh demografi yang beragam dan luas. Sistem yang mempertimbangkan preferensi pengguna individualistik baik secara terprogram maupun semantik untuk semua orang menantang untuk didefinisikan. Hal ini terutama diperberat oleh fakta bahwa preferensi individu dapat berubah dari hari ke hari atau tergantung pada tahap kehidupan individu.

Menyelesaikan masalah ini sangat penting karena menampilkan konten dengan satu cara mungkin lebih disukai oleh pengguna tertentu sementara itu menyebabkan penurunan minat bagi pengguna lain, secara langsung memengaruhi batas maksimal pengguna yang dapat dicapai oleh suatu produk dan jumlah waktu yang dihabiskan pengguna di platform. Dampak di dunia nyata telah teramati dengan aplikasi media sosial TikTok yang mengganggu platform mapan seperti YouTube dan Instagram. Meskipun platform yang disebutkan terakhir menggunakan analisis graf media sosial untuk menyarankan konten, TikTok hanya mengandalkan informasi yang diberikan pengguna dan kombinasi penglihatan komputer, pemrosesan bahasa alami, dan analisis meta-data untuk mengkurasi konten. Hal ini bekerja dengan sangat baik sehingga retensi pengguna di platform melampaui pesaingnya.

Penggunaan machine learning tradisional untuk mengkurasi konten adalah ide yang sudah mapan yang kemudian berkembang dan maju menggunakan jaringan saraf buatan seiring kerangka kerja kecerdasan buatan menjadi lebih mudah diakses. Contoh awal penggunaan Machine Learning untuk mengkurasi konten adalah Netflix Prize (https://en.wikipedia.org/wiki/Netflix_Prize), di mana Netflix meminta pengajuan model machine learning dengan memberi hadiah $1.000.000 USD kepada pemenang. Kemudian, iterasi dari ide ini terwujud dengan dataset MovieLens (https://movielens.org/).

Platform saat ini dan masa depan akan diharuskan untuk membangun kemampuan ini yang menggunakan jaringan saraf buatan untuk melatih ulang dan menarik pengguna.

Data Organisasional yang Tersedia sebagai Input AI

Sumber data yang tersedia untuk digunakan dalam peramalan AI adalah sebagai berikut:

Berikut ini memberikan proses tingkat tinggi mengenai cara memberikan personalisasi pelanggan melalui kecerdasan buatan yang dipadukan dengan metode pembelajaran mendalam:

Meta-data pelanggan dari sistem CRM (yaitu Salesforce, Microsoft CRM)
Riwayat Pembelian (yaitu Amazon, Shopify)
Stempel waktu dan jumlah transaksi (yaitu Sistem PoS, Stripe, PayPal)

Metodologi Integrasi

Menangkap fitur tentang pengguna yang dapat menyimpulkan preferensi pengguna
Latih model deep-learning dengan fitur yang ditangkap
Memprediksi apa yang akan disukai pengguna berdasarkan fitur-fiturnya
Menyesuaikan konten berdasarkan prediksi untuk apa yang ingin dilihat pengguna
Koreksi model secara terus-menerus saat pengguna berinteraksi dengan sistem online, meningkatkan sistem dari waktu ke waktu.

Dengan Telemus AI™ yang menangani sebagian besar pekerjaan, organisasi dapat fokus pada logika bisnis daripada implementasi teknis.

Aplikasi Organisasional

Berikut ini mencantumkan aplikasi potensial lainnya untuk organisasi Anda:

Menyesuaikan konten untuk pengguna guna meningkatkan kemungkinan pembelian
Memastikan kepuasan pelanggan dengan layanan yang meningkatkan retensi pengguna
Memastikan konten segar dan relevan bagi pengguna

Manfaat Potensial dan yang Terealisasi

Telemus AI™ adalah perusahaan kecerdasan buatan yang berbasis di Australia yang menyediakan solusi lanjutan untuk pemerintah dan perusahaan. Hubungi kami hari ini untuk konsultasi gratis tentang bagaimana Telemus AI™ dapat diintegrasikan ke dalam organisasi Anda.

Tag