Gilusis stiprinamasis mokymasis - Individualių nuostatų mokymasis
Individuali sąveika su internetinėmis sistemomis dabar yra visur paplitusi. Daugelis organizacijų turi užtikrinti, kad visi vartotojai būtų patenkinti ir mėgtų naudotis tam tikra paslauga, kartu atsižvelgdamos į individualius vartotojų pageidavimus, kad išliktų konkurencingos. Klientų personalizavimas siekia išvesti vartotojo pageidavimus ir atitinkamai pritaikyti vartotojo patirtį. Dirbtinis intelektas, derinamas su stiprinamojo mokymosi technikomis, tinka šiai užduočiai, nes dirbtinis neuroninis tinklas suteikia galimybę mokytis tiesiogiai iš vartotojo.
| Filmas A | Filmas B | Filmas C | ||
| Asmuo A | 5 žvaigždutės | 3 žvaigždutės | 4 žvaigždutės | |
| Asmuo B | 3 žvaigždutės | 5 žvaigždutės | 2 žvaigždutės | |
| Asmuo C | 2 žvaigždutės | 3 žvaigždutės | 5 žvaigždutės |
Pagrindinis principas yra iš anksto numatyti naudotojų pageidavimus, kad būtų sudaryta naudotojų pageidavimų matrica, pagrįsta tuo, ką renka kiti naudotojai su panašiais interesais. Daugiasluoksnis perceptronas kolaboratyviam filtravimui gali būti naudojamas tiksliai iš anksto numatyti naudotojų pageidavimus, leidžiant tinklui mokytis ir prisitaikyti, kai naudotojai sąveikauja su sistema. Turint pakankamai duomenų taškų, sistema tampa labai tiksli numatydama naudotojų pageidavimus, nes žmonės, turintys bendrumų, linkę grupuotis.
Organizacinio iššūkio apžvalga
Organizacijoms reikia teikti paslaugas, prieinamas plačiai ir įvairiai demografinei grupei. Sistema, kuri atsižvelgia į individualias vartotojų nuostatas tiek programiškai, tiek semantiškai kiekvienam asmeniui, yra sudėtinga apibrėžti. Tai ypač apsunkinama dėl to, kad individualios nuostatos gali keistis iš dienos į dieną arba priklausomai nuo asmens gyvenimo tarpsnio.
Šios problemos sprendimas yra esminis, nes turinio rodymas vienu būdu gali būti pageidautinas konkretiems vartotojams, tuo tarpu atimdami dėmesį iš kitų vartotojų, o tai tiesiogiai veikia maksimalų vartotojų skaičių, kurio produktas greičiausiai gali pasiekti, ir laiką, kurį vartotojas praleidžia platformoje. Realaus pasaulio poveikis pastebėtas su socialinės medijos programa TikTok, kuri sutrikdo nusistovėjusias platformas, tokias kaip YouTube ir Instagram. Nors vėliau minėtos platformos naudoja socialinės medijos grafo analizę turinio siūlymui, TikTok remiasi tik vartotojo pateikta informacija ir kompiuterinės regos, natūralios kalbos apdorojimo bei metaduomenų analizės deriniu turiniui atrinkti. Tai veikia taip gerai, kad vartotojų išlaikymas platformoje viršija konkurentų.
Tradicinio mašininio mokymosi naudojimas turiniui tvarkyti yra gerai žinoma idėja, kuri vėliau išsivystė ir progresavo iki dirbtinių neuroninių tinklų naudojimo, kai dirbtinio intelekto karkasai tapo prieinamesni. Vienas ankstyvas mašininio mokymosi naudojimo turiniui tvarkyti pavyzdys buvo „Netflix Prize“ (https://en.wikipedia.org/wiki/Netflix_Prize), kur Netflix kvietė teikti mašininio mokymosi modelius, nugalėtojui skirdamas 1 000 000 JAV dolerių premiją. Vėliau šios idėjos iteracijos buvo įgyvendintos su „MovieLens“ duomenų rinkiniu (https://movielens.org/).
Dabartinėms ir būsimoms platformoms reikės sukurti šią galimybę, kuri naudoja dirbtinius neuroninius tinklus vartotojams iš naujo mokyti ir pritraukti.
Organizaciniai duomenys, prieinami kaip AI įvestis
Duomenų šaltiniai, tinkami naudoti AI prognozavimui, yra šie:
Toliau pateikiamas aukšto lygio procesas, kaip suteikti klientų personalizavimą per dirbtinį intelektą, kartu su gilaus mokymosi metodais:
- Klientų metaduomenys iš CRM sistemų (t. y. Salesforce, Microsoft CRM)
- Pirkimų istorija (t. y. Amazon, Shopify)
- Operacijų laiko žymos ir sumos (t. y. PoS Sistemos, Stripe, PayPal)
Integracijos metodologija
- Fiksuoti naudotojo požymius, pagal kuriuos galima numatyti naudotojo pageidavimus
- Apmokykite gilaus mokymosi modelį su užfiksuotomis savybėmis
- Prognozuokite, ką vartotojas pageidautų, remiantis funkcijomis
- Tinkinti turinį remiantis prognozėmis, ką vartotojas nori matyti
- Nuolat taisykite modelį, kai naudotojas sąveikauja su internetine sistema, tobulindami sistemą laikui bėgant.
Kadangi Telemus AI™ atlieka didžiąją dalį darbo, organizacija gali sutelkti dėmesį į verslo logiką, o ne į techninį įgyvendinimą.
Organizaciniai taikymai
Toliau išvardytos kitos potencialios programos jūsų organizacijai:
- Turinio tinkinimas vartotojui, siekiant padidinti pirkimo tikimybę
- Klientų pasitenkinimo paslauga, kuri pagerina vartotojų išlaikymą, užtikrinimas
- Turinio naujumo ir aktualumo vartotojui užtikrinimas
Potencialūs ir realizuoti pranašumai
Telemus AI™ yra Australijoje įsikūrusi dirbtinio intelekto įmonė, teikianti pažangius sprendimus vyriausybėms ir įmonėms. Susisiekite su mumis šiandien dėl nemokamos konsultacijos, kaip Telemus AI™ gali būti integruota į jūsų organizaciją.
