Głębokie uczenie ze wzmocnieniem - Uczenie indywidualnych preferencji
Indywidualne interakcje z systemami online są obecnie wszechobecne. Wiele organizacji musi zapewnić, aby wszyscy użytkownicy byli zadowoleni i chętnie korzystali z danej oferty usług, biorąc jednocześnie pod uwagę indywidualne preferencje użytkowników, aby zachować konkurencyjność. Personalizacja obsługi klienta ma na celu wnioskowanie o preferencjach użytkowników i dostosowywanie do nich doświadczenia użytkownika. Sztuczna inteligencja w połączeniu z technikami uczenia ze wzmocnieniem nadaje się do tego zadania, ponieważ sztuczna sieć neuronowa zapewnia zdolność uczenia się bezpośrednio od użytkownika.
| Film A | Film B | Film C | ||
| Osoba A | 5 Gwiazdek | 3 Gwiazdki | 4 Gwiazdki | |
| Osoba B | 3 Gwiazdki | 5 Gwiazdek | 2 Gwiazdki | |
| Osoba C | 2 Gwiazdki | 3 Gwiazdki | 5 Gwiazdek |
Główną zasadą jest wywnioskowanie preferencji użytkowników z wyprzedzeniem, aby uzyskać macierz preferencji użytkowników na podstawie tego, co preferują inni użytkownicy o podobnych zainteresowaniach. Wielowarstwowy perceptron do filtrowania kolaboracyjnego może być użyty do dokładnego wywnioskowania preferencji użytkowników z wyprzedzeniem, pozwalając sieci uczyć się i dostosowywać, gdy użytkownicy wchodzą w interakcję z systemem. Przy wystarczającej liczbie punktów danych system staje się niezwykle dokładny w wnioskowaniu preferencji użytkowników, ponieważ osoby mające cechy wspólne mają tendencję do grupowania się.
Przegląd wyzwania organizacyjnego
Organizacje są zobowiązane do świadczenia usług dostępnych dla szerokiej i zróżnicowanej demografii. Zdefiniowanie systemu, który uwzględnia indywidualne preferencje użytkowników zarówno programowo, jak i semantycznie dla każdego, jest wyzwaniem. Jest to dodatkowo komplikowane przez fakt, że indywidualne preferencje mogą zmieniać się z dnia na dzień lub w zależności od etapu życia danej osoby.
Rozwiązanie tego problemu jest kluczowe, ponieważ wyświetlanie treści w określony sposób może być preferowane przez konkretnych użytkowników, podczas gdy u innych może powodować odwrócenie uwagi, co bezpośrednio wpływa na górną granicę liczby użytkowników, jakich produkt prawdopodobnie może osiągnąć, oraz na ilość czasu, jaką użytkownik spędza na platformie. Zaobserwowano rzeczywiste skutki w przypadku aplikacji mediów społecznościowych TikTok, która zaburzyła ugruntowane platformy, takie jak YouTube i Instagram. O ile wymienione później platformy wykorzystują analizę grafów mediów społecznościowych do sugerowania treści, TikTok opiera się wyłącznie na informacjach podanych przez użytkownika oraz na połączeniu wizji komputerowej, przetwarzania języka naturalnego i analizy metadanych w celu kuratorstwa treści. Działa to tak dobrze, że wskaźnik retencji użytkowników na platformie przewyższa konkurencję.
Wykorzystanie tradycyjnego uczenia maszynowego do kuracji treści jest dobrze ugruntowanym pomysłem, który później ewoluował i rozwinął się w kierunku używania sztucznych sieci neuronowych, ponieważ struktury sztucznej inteligencji stały się bardziej dostępne. Wczesnym przykładem wykorzystania uczenia maszynowego do kuracji treści był Netflix Prize (https://en.wikipedia.org/wiki/Netflix_Prize), gdzie Netflix wezwał do nadsyłania modeli uczenia maszynowego, nagradzając zwycięzcę kwotą 1 000 000 USD. Później, kolejne iteracje tego pomysłu zostały zrealizowane z wykorzystaniem zestawu danych MovieLens (https://movielens.org/).
Obecne i przyszłe platformy będą musiały ustanowić tę zdolność, która wykorzystuje sztuczne sieci neuronowe do ponownego szkolenia i przyciągania użytkowników.
Dane organizacyjne dostępne jako dane wejściowe AI
Źródła danych dostępne do wykorzystania w prognozowaniu AI są następujące:
Poniżej przedstawiono proces na wysokim poziomie pokazujący, jak zapewnić personalizację obsługi klienta za pomocą sztucznej inteligencji w połączeniu z metodami głębokiego uczenia:
- Metadane klientów z systemów CRM (tj. Salesforce, Microsoft CRM)
- Historia zakupów (np. Amazon, Shopify)
- Znaczniki czasowe i kwoty transakcji (tj. Systemy PoS, Stripe, PayPal)
Metodologia integracji
- Przechwytywanie cech użytkownika, które pozwalają wnioskować o jego preferencjach
- Trenuj model głębokiego uczenia z wykorzystaniem przechwyconych cech
- Przewiduj, co użytkownik woli na podstawie funkcji
- Dostosowywanie treści w oparciu o przewidywania tego, co użytkownik chce zobaczyć
- Ciągle koryguj model, gdy użytkownik wchodzi w interakcję z systemem online, ulepszając system z upływem czasu.
Ponieważ Telemus AI™ zajmuje się większością pracy, organizacja może skupić się na logice biznesowej, a nie na implementacji technicznej.
Zastosowania organizacyjne
Poniższa lista innych potencjalnych zastosowań dla Twojej organizacji:
- Dostosowywanie treści dla użytkownika w celu zwiększenia prawdopodobieństwa zakupów
- Zapewnienie zadowolenia klientów dzięki usłudze, która poprawia retencję użytkowników
- Zapewnienie, że treści są aktualne i istotne dla użytkownika
Potencjalne i zrealizowane korzyści
Telemus AI™ to australijska firma zajmująca się sztuczną inteligencją, dostarczająca zaawansowane rozwiązania dla administracji rządowych i przedsiębiorstw. Skontaktuj się z nami już dziś, aby uzyskać bezpłatną konsultację na temat tego, jak Telemus AI™ może być zintegrowane z Twoją organizacją.
