Aprendizado por Reforço Profundo - Aprendendo Preferências Individuais
As interações individuais com sistemas online agora são onipresentes. Muitas organizações devem garantir que todos os usuários estejam satisfeitos e gostem de usar uma determinada oferta de serviço, considerando as preferências individuais do usuário para permanecerem competitivas. A personalização do cliente visa inferir as preferências do usuário e adaptar a experiência do usuário de acordo. A Inteligência Artificial aliada a técnicas de Aprendizado por Reforço é adequada para essa tarefa, pois a rede neural artificial fornece a capacidade de aprender diretamente com o usuário.
| Filme A | Filme B | Filme C | ||
| Pessoa A | 5 Estrelas | 3 Estrelas | 4 Estrelas | |
| Pessoa B | 3 Estrelas | 5 Estrelas | 2 Estrelas | |
| Pessoa C | 2 Estrelas | 3 Estrelas | 5 Estrelas |
O princípio principal é inferir as preferências do usuário antecipadamente para derivar uma matriz de preferências do usuário com base no que outros usuários com interesses semelhantes preferem. O Perceptron Multicamada para filtragem colaborativa pode ser usado para inferir com precisão as preferências do usuário antecipadamente, fazendo com que a rede aprenda e se adapte à medida que os usuários interagem com um sistema. Dados pontos de dados suficientes, o sistema torna-se notavelmente preciso na inferência das preferências do usuário, pois pessoas que têm pontos em comum tendem a se agrupar.
Visão Geral do Desafio Organizacional
As organizações precisam fornecer serviços que sejam acessíveis a um amplo e diversificado grupo demográfico. Um sistema que considere as preferências individuais dos usuários, tanto programática quanto semanticamente para todos, é desafiador de definir. Isso é especialmente agravado pelo fato de que as preferências individuais podem mudar dia a dia ou dependendo da fase de vida do indivíduo.
Resolver esse problema é essencial porque exibir conteúdo de uma maneira pode ser preferível para usuários específicos, enquanto causa distração para outros usuários, afetando diretamente o teto de usuários que um produto provavelmente pode alcançar e a quantidade de tempo que um usuário gasta na plataforma. Impactos no mundo real foram observados com o aplicativo de mídia social TikTok perturbando plataformas estabelecidas como YouTube e Instagram. Enquanto as plataformas mencionadas posteriormente usam análise de gráfico de mídia social para sugerir conteúdo, o TikTok depende apenas de informações fornecidas pelo usuário e de uma combinação de visão computacional, processamento de linguagem natural e análise de metadados para curar conteúdo. Isso funcionou tão bem que a retenção de usuários na plataforma excede a dos concorrentes.
O uso de aprendizado de máquina tradicional para curadoria de conteúdo é uma ideia bem estabelecida que mais tarde evoluiu e progrediu para o uso de redes neurais artificiais à medida que as estruturas de inteligência artificial se tornaram mais acessíveis. Um exemplo inicial do uso de Aprendizado de Máquina para curadoria de conteúdo foi o Netflix Prize (https://en.wikipedia.org/wiki/Netflix_Prize), onde a Netflix solicitou a submissão de modelos de aprendizado de máquina, premiando $1.000.000 USD ao vencedor. Posteriormente, iterações dessa ideia se concretizaram com o conjunto de dados MovieLens (https://movielens.org/).
As plataformas atuais e futuras serão obrigadas a estabelecer essa capacidade que usa redes neurais artificiais para retreinar e atrair usuários.
Dados Organizacionais Disponíveis como Entrada de AI
As fontes de dados disponíveis para uso em previsões de AI são as seguintes:
A seguir, fornece um processo de alto nível de como fornecer personalização ao cliente por meio de inteligência artificial acoplada com métodos de aprendizado profundo:
- Metadados de clientes de sistemas de CRM (ou seja, Salesforce, Microsoft CRM)
- Histórico de Compras (ex.: Amazon, Shopify)
- Carimbos de data/hora e valores das transações (ou seja, Sistemas PoS, Stripe, PayPal)
Metodologia de Integração
- Capturar recursos sobre um usuário que possam inferir preferências do usuário
- Treinar um modelo de aprendizado profundo com as características capturadas
- Prever o que o usuário preferiria com base nos recursos
- Personalizar conteúdo com base em previsões do que o usuário deseja ver
- Corrija continuamente o modelo conforme o usuário interage com o sistema online, aprimorando o sistema ao longo do tempo.
Como a Telemus AI™ cuida da maior parte do trabalho, a organização pode focar na lógica de negócios em vez da implementação técnica.
Aplicações Organizacionais
A seguir, lista outras aplicações potenciais para sua organização:
- Personalizando conteúdo para um usuário para aumentar a probabilidade de compras
- Garantir a satisfação do cliente com um serviço que melhora a retenção de usuários
- Garantir que o conteúdo seja atual e relevante para o usuário
Benefícios Potenciais e Realizados
A Telemus AI™ é uma empresa de inteligência artificial sediada na Austrália, fornecendo soluções avançadas para governos e empresas. Entre em contato conosco hoje para uma consulta gratuita sobre como a Telemus AI™ pode ser integrada em sua organização.
