Длабоко учење со засилување - Учење на индивидуални преференции
Индивидуалните интеракции со онлајн системи сега се сеприсутни. Многу организации мора да осигураат дека сите корисници се задоволни и уживаат во користењето на одредена понуда на услуги, додека ги земаат предвид индивидуалните кориснички преференции за да останат конкурентни. Персонализацијата на клиентите има за цел да ги заклучи корисничките преференции и да го прилагоди корисничкото искуство соодветно. Вештачката интелигенција во комбинација со техниките за зајакнување на учењето е погодна за оваа задача бидејќи вештачката невронска мрежа ја обезбедува можноста за учење директно од корисникот.
| Филм А | Филм Б | Филм В | ||
| Лице А | 5 Ѕвезди | 3 Ѕвезди | 4 Ѕвезди | |
| Лице Б | 3 Ѕвезди | 5 Ѕвезди | 2 Ѕвезди | |
| Лице Ц | 2 Ѕвезди | 3 Ѕвезди | 5 Ѕвезди |
Главниот принцип е да се заклучат преференциите на корисникот однапред за да се изведе матрица на преференци на корисникот врз основа на она што го претпочитаат другите корисници со слични интереси. Мултислоен перцептрон за колаборативно филтрирање може да се користи за точно заклучување на преференциите на корисникот однапред со тоа што мрежата ќе учи и ќе се прилагодува додека корисниците комуницираат со системот. Со доволно податочни точки, системот станува исклучително точен во заклучувањето на преференциите на корисникот бидејќи луѓето што имаат заеднички карактеристики имаат тенденција да се групираат.
Преглед на организацискиот предизвик
Од организациите се бара да обезбедат услуги достапни за широка и разновидна демографија. Систем што ги зема предвид индивидуалните кориснички преференции програмски и семантички за секого е предизвик да се дефинира. Ова особено е комплицирано од фактот што индивидуалните преференции може да се менуваат од ден на ден или во зависност од фазата на животот на поединецот.
Решавањето на овој проблем е суштински важно бидејќи прикажувањето содржина на еден начин може да биде попреферентно за одредени корисници, додека кај други може да предизвика одвраќање, што директно влијае на горната граница на корисници што еден производ веројатно може да ги постигне и на времето што корисникот го поминува на платформата. Забележани се реални влијанија со тоа што социјалната медиумска апликација TikTok ги нарушува воспоставените платформи како YouTube и Instagram. Додека овие последно споменати платформи користат анализа на граф на социјалните медиуми за предлог на содржина, TikTok се потпира исклучиво на информации од корисниците и комбинација од компјутерски вид, обработка на природен јазик и анализа на метаподатоци за курирање на содржината. Ова работи толку добро што задржувањето на корисниците на платформата ги надминува конкурентите.
Користењето на традиционално машинско учење за кураторство на содржина е добро воспоставена идеја што подоцна еволуирала и напредувала во користење на вештачки нервни мрежи бидејќи рамките за вештачка интелигенција станаа подостапни. Ран пример за користење на машинско учење за кураторство на содржина беше Netflix Prize (https://en.wikipedia.org/wiki/Netflix_Prize), каде Netflix побара поднесувања на модели за машинско учење наградувајќи $1,000,000 USD на победникот. Подоцна, итерации на оваа идеја дојдоа до остварување со MovieLens датасетот (https://movielens.org/).
Тековните и идните платформи ќе треба да воспостават оваа способност што користи вештачки нервни мрежи за повторно обучување и привлекување корисници.
Организациони податоци достапни како AI влез
Извори на податоци достапни за употреба во AI предвидувања се следниве:
Следниот текст дава процес на високо ниво за тоа како да се обезбеди персонализација на клиентите преку вештачка интелигенција во комбинација со методи за длабоко учење:
- Метаподатоци за клиенти од CRM системи (т.е. Salesforce, Microsoft CRM)
- Историја на набавки (т.е. Amazon, Shopify)
- Временски ознаки и износи на трансакции (т.е. PoS системи, Stripe, PayPal)
Методологија за интеграција
- Заробете карактеристики за корисникот што може да ги заклучат преференциите на корисникот
- Тренирајте модел за длабоко учење со снимените карактеристики
- Предвидете го она што би го претпочитал корисникот врз основа на функциите
- Прилагодете ја содржината врз основа на предвидувања за тоа што корисникот сака да види
- Континуирано коригирајте го моделот како што корисникот интерактира со онлајн системот, подобрувајќи го системот со текот на времето.
Дадено дека Telemus AI™ се грижи за поголемиот дел од работата, организацијата може да се фокусира на деловната логика отколку на техничката имплементација.
Организациски апликации
Следниот текст ги наведува други потенцијални апликации за вашата организација:
- Прилагодување на содржина за корисник за зголемување на веројатноста за купувања
- Осигурување задоволство на клиентите со услуга што го подобрува задржувањето на корисниците
- Осигурување дека содржината е свежа и релевантна за корисникот
Потенцијални и реализирани придобивки
Telemus AI™ е австралиска компанија за вештачка интелигенција која обезбедува напредни решенија за влади и претпријатија. Контактирајте со нас денес за бесплатна консултација за тоа како Telemus AI™ може да биде интегриран во вашата организација.
