Dyp forsterkende læring - Lære individuelle preferanser
Individuelle interaksjoner med nettbaserte systemer er nå allestedsnærværende. Mange organisasjoner må sikre at alle brukere er fornøyde og liker å bruke et bestemt tjenestetilbud, samtidig som de tar hensyn til individuelle brukerpreferanser for å forbli konkurransedyktige. Kundetilpasning har som mål å utlede brukerpreferanser og tilpasse brukeropplevelsen deretter. Kunstig intelligens kombinert med teknikker for forsterkningslæring er egnet for denne oppgaven, ettersom det kunstige nevrale nettverket gir muligheten til å lære direkte fra brukeren.
| Film A | Film B | Film C | ||
| Person A | 5 stjerner | 3 stjerner | 4 stjerner | |
| Person B | 3 stjerner | 5 stjerner | 2 stjerner | |
| Person C | 2 stjerner | 3 stjerner | 5 stjerner |
Hovedprinsippet er å utlede brukerpreferanser på forhånd for å avle en matrise med brukerpreferanser basert på hva andre brukere med lignende interesser foretrekker. Flerlags perseptron for kollaborativ filtrering kan brukes til å nøyaktig utlede brukerpreferanser på forhånd ved å la nettverket lære og tilpasse seg etter hvert som brukerne samhandler med et system. Gitt nok datapunkter, blir systemet bemerkelsesverdig nøyaktig i å utlede brukerpreferanser ettersom folk som har fellestrekk har en tendens til å klynge seg.
Oversikt over den organisatoriske utfordringen
Organisasjoner er påkrevd å tilby tjenester som er tilgjengelige for en bred og mangfoldig demografi. Et system som tar hensyn til individuelle brukerpreferanser både programmatisk og semantisk for alle, er utfordrende å definere. Dette forsterkes spesielt av det faktum at individuelle preferanser kan endres dag for dag eller avhengig av individets livsfase.
Å løse dette problemet er essensielt fordi visning av innhold på én måte kan være foretrukket av spesifikke brukere, mens det skaper avsky hos andre brukere, noe som direkte påvirker taket for antall brukere et produkt sannsynligvis kan oppnå, og tiden en bruker tilbringer på plattformen. Reelle effekter er observert med sosiale medier-appen TikTok som forstyrrer etablerte plattformer som YouTube og Instagram. Mens de sistnevnte plattformene bruker grafanalyse for sosiale medier for å foreslå innhold, er TikTok utelukkende avhengig av brukerlevert informasjon og en kombinasjon av maskinsyn, naturlig språkbehandling og metadataanalyse for å kuratere innhold. Det har fungert så godt at brukerbevaringen på plattformen overgår konkurrentene.
Bruk av tradisjonell maskinlæring for å kuratere innhold er en veletablert idé som senere utviklet seg og progreserte til å bruke kunstige nevrale nettverk etter hvert som rammeverk for kunstig intelligens ble mer tilgjengelige. Et tidlig eksempel på bruk av maskinlæring for å kuratere innhold var Netflix Prize (https://en.wikipedia.org/wiki/Netflix_Prize), der Netflix ba om innsending av maskinlæringsmodeller og belønnet vinneren med 1 000 000 USD. Senere ble iterasjoner av denne idéen realisert med MovieLens-datasettet (https://movielens.org/).
Nåværende og fremtidige plattformer vil bli påkrevd å etablere denne funksjonaliteten som bruker kunstige nevrale nettverk til å omskolere og tiltrekke brukere.
Organisatoriske data tilgjengelig som AI-inndata
Datakilder tilgjengelige for bruk i AI-prognoser er som følger:
Følgende gir en overordnet prosess for hvordan man kan tilby kundepersonalisering via kunstig intelligens kombinert med dyp læringsmetoder:
- Kundemetadata fra CRM-systemer (dvs. Salesforce, Microsoft CRM)
- Kjøpshistorikk (f.eks. Amazon, Shopify)
- Transaksjonstidsstempler og beløp (dvs. PoS-systemer, Stripe, PayPal)
Integrasjonsmetodikk
- Fange opp funksjoner om en bruker som kan utlede brukerpreferanser
- Tren en dyplæringsmodell med de fangede funksjonene
- Forutsi hva brukeren foretrekker basert på funksjonene
- Tilpasse innhold basert på prediksjoner for hva brukeren ønsker å se
- Korriger kontinuerlig modellen etter hvert som brukeren samhandler med det nettbaserte systemet, og forbedre systemet over tid.
Siden Telemus AI™ tar seg av det meste av arbeidet, kan organisasjonen fokusere på forretningslogikken i stedet for den tekniske implementeringen.
Organisatoriske applikasjoner
Følgende viser andre potensielle applikasjoner for din organisasjon:
- Tilpasse innhold for en bruker for å øke sannsynligheten for kjøp
- Sikre kundetilfredshet med en tjeneste som forbedrer brukerbevaring
- Sikre at innholdet er ferskt og relevant for brukeren
Potensielle og realiserte fordeler
Telemus AI™ er et Australia-basert selskap for kunstig intelligens som tilbyr avanserte løsninger til regjeringer og næringsliv. Kontakt oss i dag for en gratis konsultasjon om hvordan Telemus AI™ kan integreres i din organisasjon.
