Dýpt endurbótarnám - Að læra persónulegar kjörstillingar

Megginreglan er að álykta um notendakjörstillingar fyrir fram til að leiða af þeim fylki yfir notendakjörstillingar byggt á því sem aðrir notendur með svipuð áhugamál kjósa. Marglaga skynjunarnet (Multilayer Perceptron) fyrir samvinnusíun (collaborative filtering) geta verið notuð til að álykta nákvæmlega um notendakjörstillingar fyrir fram með því að láta netið læra og aðlagast þegar notendur hafa samskipti við kerfi. Gefið næg gagnapunkt, verður kerfið afar nákvæmt við að álykta um notendakjörstillingar þar sem fólk sem er skyldurhneigt er til þess að safnast saman.

Yfirlit yfir skipulagslegt áskorun

Fyrirtækjum er skylt að veita þjónustu sem er aðgengileg breiðum og fjölbreyttum hópum. Kerfi sem tekur tillit til einstaklingsbundinna notendakosta bæði forritunarlega og merkingarfræðilega fyrir hvern og einn er krefjandi að skilgreina. Þetta er sérstaklega magnað af þeirri staðreynd að einstaklingskostir geta breyst dag frá degi eða eftir því á hvaða stigi lífs einstaklingsins er.

Það er mikilvægt að leysa þetta vandamál þar sem birting efnis á einn hátt gæti hentað tilteknum notendum en valdið óánægju hjá öðrum notendum, sem hefur bein áhrif á þann hámarksfjölda notenda sem vöru getur náð og þann tíma sem notandi eyðir á vettvangnum. Raunveruleg áhrif hafa sést þegar samfélagsmiðillinn TikTok truflaði skilgreinda vettvangi eins og YouTube og Instagram. Þótt síðarnefndu vettvangirnir noti greiningu á grafi samfélagsmiðla til að leggja til efni, reiðir TikTok sig eingöngu á upplýsingar frá notendum og samsetningu tölvusjónar, náttúrulegrar tungumálavinnslu og lýsigagnagreiningar til að safna saman efni. Þetta hefur virkað svo vel að varðveiting notenda á vettvangnum fer fram yfir samkeppnisaðila.

Notkun hefðbundins vélnáms til að sýna efni er vel aðgreind hugmynd sem síðar þróaðist og fór fram við að nota gervitauganet þegar rammar gervigreindar urðu aðgengilegri. Snemma dæmi um að nota Machine Learning til að sýna efni var Netflix Prize (https://en.wikipedia.org/wiki/Netflix_Prize), þar sem Netflix kallaði eftir innsendum vélnámslíkönum og verðlaunaði $1,000,000 USD til sigurvegarans. Síðar komu endurtekningar af þessari hugmynd til framkvæmda með MovieLens gagnasafninu (https://movielens.org/).

Núverandi og framtíðarvettvangar þurfa að koma á þessari getu sem notar tauganet til að endurþjálfa og laða að notendur.

Fyrirtækjagögn aðgengileg sem AI inntak

Gagnauppsprettur tiltækar til notkunar í AI-spágerð eru sem hér segir:

Eftirfarandi veitir ferli á háu stigi fyrir hvernig á að veita persónulega þjónustu viðskiptavina með tilbúinni greind ásamt aðferðum djúpnáms:

1. Lýsigögn viðskiptavina úr CRM kerfum (þ.e. Salesforce, Microsoft CRM)
2. Kaupasaga (t.d. Amazon, Shopify)
3. Tímastimpillar og upphæðir færsla (t.d. PoS Systems, Stripe, PayPal)

Samþættingaraðferðafræði

1. Safna eiginleikum um notanda sem geta leitt til ályktana um notenda kjörstillingar
2. Þjálfa djúpnámslíkan með fangaða eiginleikum
3. Spá fyrir um það sem notandinn myndi kjósa byggt á eiginleikunum
4. Sérsníða efni byggt á spám um það sem notandinn vill sjá
5. Leiðrétta líkanið samfellt þegar notandinn hefur samskipti við netkerfið, sem bætir kerfið með tíma.

Miðað við að Telemus AI™ sér um mest af vinnunni, getur stofnunin einbeitt sér að viðskiptagrunnreglum frekar en tæknilegri innleiðingu.

Stofnanaleg forrit

Eftirfarandi telur upp aðrar mögulegar notkunarleiðir fyrir stofnunina þína:

• Aðlaga innihald fyrir notanda til að auka líkur á kaupum
• Að tryggja ánægju viðskiptavina með þjónustu sem bætir varðveislu notenda
• Að tryggja að efni sé nýtt og viðeigandi fyrir notandann

Möguleg og raunveruleg ávinningur

Telemus AI™ er ástralskt gervigreindarfyritæki sem veitir háþróaðar lausnir fyrir stjórnvöld og fyrirtæki. Hafðu samband í dag til að fá ókeypis ráðgjöf um hvernig Telemus AI™ getur verið samþætt í stofnun þína.