Deep Reinforcement Learning - Individuele voorkeuren leren
Individuele interacties met online systemen zijn nu alomtegenwoordig. Veel organisaties moeten ervoor zorgen dat alle gebruikers tevreden zijn en genieten van het gebruik van een bepaalde dienstverlening, waarbij rekening wordt gehouden met individuele gebruikersvoorkeuren om concurrerend te blijven. Klantpersonalisatie is gericht op het afleiden van gebruikersvoorkeuren en het dienovereenkomstig aanpassen van de gebruikerservaring. Kunstmatige intelligentie in combinatie met Reinforcement Learning-technieken is geschikt voor deze taak, aangezien het kunstmatige neurale netwerk de mogelijkheid biedt om direct van de gebruiker te leren.
| Film A | Film B | Film C | ||
| Persoon A | 5 Sterren | 3 Sterren | 4 Sterren | |
| Persoon B | 3 Sterren | 5 Sterren | 2 Sterren | |
| Persoon C | 2 Sterren | 3 Sterren | 5 Sterren |
Het hoofdprincipe is om vooraf gebruikersvoorkeuren af te leiden om een matrix van gebruikersvoorkeuren te bepalen op basis van wat andere gebruikers met vergelijkbare interesses prefereren. Multilayer Perceptron voor collaboratieve filtering kan worden gebruikt om vooraf nauwkeurig gebruikersvoorkeuren af te leiden door het netwerk te laten leren en aanpassen terwijl gebruikers met een systeem interacteren. Met voldoende datapunten wordt het systeem opmerkelijk nauwkeurig in het afleiden van gebruikersvoorkeuren, aangezien mensen met overeenkomsten de neiging hebben om te clusteren.
Overzicht van de Organisatorische Uitdaging
Organisaties zijn verplicht om diensten te leveren die toegankelijk zijn voor een brede, diverse demografie. Een systeem dat zowel programmatisch als semantisch rekening houdt met individualistische gebruikersvoorkeuren voor iedereen, is een uitdaging om te definiëren. Dit wordt vooral verergerd door het feit dat individuele voorkeuren van dag tot dag kunnen veranderen of afhankelijk kunnen zijn van de levensfase van het individu.
Het oplossen van dit probleem is essentieel omdat het weergeven van inhoud op één manier de voorkeur kan hebben van specifieke gebruikers, terwijl het afbreuk doet aan andere gebruikers, wat direct van invloed is op het plafond van gebruikers dat een product waarschijnlijk kan bereiken en de hoeveelheid tijd die een gebruiker op het platform doorbrengt. In de echte wereld zijn impacten waargenomen waarbij de socialemedia-app TikTok gevestigde platforms zoals YouTube en Instagram verstoort. Terwijl de laatstgenoemde platforms socialemediagraaf-analyse gebruiken om inhoud voor te stellen, leunt TikTok uitsluitend op door de gebruiker verstrekte informatie en een combinatie van computer vision, natural language processing en metadata-analyse om inhoud te cureren. Het heeft zo goed gewerkt dat de gebruikersretentie op het platform die van concurrenten overtreft.
Het gebruik van traditionele machine learning om content te cureren is een goed gevestigd idee dat later evolueerde en vorderde naar het gebruik van kunstmatige neurale netwerken naarmate frameworks voor kunstmatige intelligentie toegankelijker werden. Een vroeg voorbeeld van het gebruik van Machine Learning om content te cureren was de Netflix Prize (https://en.wikipedia.org/wiki/Netflix_Prize), waarbij Netflix opriep tot inzendingen van machine learning-modellen en $1.000.000 USD aan de winnaar beloonde. Later kwamen iteraties van dit idee tot bloei met de MovieLens-dataset (https://movielens.org/).
Huidige en toekomstige platforms zullen deze mogelijkheid moeten opzetten die kunstmatige neurale netwerken gebruikt om gebruikers te hertrainen en aan te trekken.
Organisatorische Gegevens Beschikbaar als AI-invoer
Beschikbare databronnen voor gebruik in AI-voorspellingen zijn als volgt:
Hieronder volgt een proces op hoog niveau voor het bieden van klantpersonalisatie via kunstmatige intelligentie in combinatie met deep learning-methoden:
- Klant-metadata van CRM-systemen (bijv. Salesforce, Microsoft CRM)
- Aankoopgeschiedenis (bijv. Amazon, Shopify)
- Transactietijdstempels en bedragen (d.w.z. PoS-Systemen, Stripe, PayPal)
Integratiemethodologie
- Leg kenmerken van een gebruiker vast die gebruikersvoorkeuren kunnen afleiden
- Train een deep-learning model met de vastgelegde kenmerken
- Voorspel wat de gebruiker zou prefereren op basis van de functies
- Inhoud aanpassen op basis van voorspellingen voor wat de gebruiker wil zien
- Corrigeer het model continu terwijl de gebruiker met het online systeem interacteert, waardoor het systeem in de loop van de tijd verbetert.
Aangezien Telemus AI™ het meeste werk verzorgt, kan de organisatie zich richten op de bedrijfslogica in plaats van op de technische implementatie.
Organisatorische Toepassingen
Hieronder volgen andere potentiële toepassingen voor uw organisatie:
- Inhoud aanpassen voor een gebruiker om de kans op aankopen te vergroten
- Ervoor zorgen dat klanten tevreden zijn met een dienst die het behoud van gebruikers verbetert
- Ervoor zorgen dat content actueel en relevant is voor de gebruiker
Potentiële en gerealiseerde voordelen
Telemus AI™ is een in Australië gevestigd bedrijf voor kunstmatige intelligentie dat geavanceerde oplossingen levert aan overheden en bedrijven. Neem vandaag nog contact met ons op voor een gratis adviesgesprek over hoe de Telemus AI™ in uw organisatie kan worden geïntegreerd.
