Aprendizagem por Reforço Profunda - Aprender Preferências Individuais
As interações individuais com sistemas online são agora ubíquas. Muitas organizações devem garantir que todos os utilizadores estão satisfeitos e gostam de utilizar uma determinada oferta de serviços, considerando ao mesmo tempo as preferências individuais dos utilizadores para se manterem competitivas. A personalização do cliente visa inferir as preferências do utilizador e adaptar a experiência do utilizador em conformidade. A Inteligência Artificial aliada a técnicas de Aprendizagem por Reforço é adequada para esta tarefa, pois a rede neuronal artificial fornece a capacidade de aprender diretamente com o utilizador.
| 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 utilizador antecipadamente para derivar uma matriz de preferências do utilizador com base no que outros utilizadores com interesses semelhantes preferem. O Perceptron Multicamada para filtragem colaborativa pode ser utilizado para inferir com precisão as preferências do utilizador antecipadamente, fazendo com que a rede aprenda e se adapte à medida que os utilizadores interagem com um sistema. Dados pontos de dados suficientes, o sistema torna-se notavelmente preciso na inferência das preferências do utilizador, pois as pessoas que têm pontos em comum tendem a agrupar-se.
Visão Geral do Desafio Organizacional
As organizações são obrigadas a fornecer serviços acessíveis a um amplo e diversificado grupo demográfico. Um sistema que considere as preferências individuais dos utilizadores, tanto programática como semanticamente, para todos é um desafio de definir. Isto é especialmente agravado pelo facto de que as preferências individuais podem mudar dia a dia ou dependendo da fase de vida do indivíduo.
Resolver este problema é essencial porque a exibição de conteúdo de uma maneira pode ser preferível para utilizadores específicos, ao mesmo tempo que causa distração para outros utilizadores, afetando diretamente o teto de utilizadores que um produto provavelmente pode alcançar e a quantidade de tempo que um utilizador passa na plataforma. Impactos no mundo real foram observados com a aplicação de redes sociais TikTok a perturbar plataformas estabelecidas como YouTube e Instagram. Enquanto as plataformas acima mencionadas usam análise de grafos de redes sociais para sugerir conteúdo, o TikTok baseia-se apenas em informações fornecidas pelo utilizador e numa combinação de visão por computador, processamento de linguagem natural e análise de metadados para curar conteúdo. Tem funcionado tão bem que a retenção de utilizadores na plataforma excede a dos concorrentes.
A utilização de aprendizagem automática tradicional para curadoria de conteúdo é uma ideia bem estabelecida que mais tarde evoluiu e progrediu para o uso de redes neuronais artificiais à medida que as estruturas de inteligência artificial se tornaram mais acessíveis. Um exemplo inicial do uso de Aprendizagem Automática para curadoria de conteúdo foi o Netflix Prize (https://en.wikipedia.org/wiki/Netflix_Prize), onde a Netflix solicitou submissões de modelos de aprendizagem automática, recompensando com $1.000.000 USD o vencedor. Mais tarde, iterações desta ideia concretizaram-se com o conjunto de dados MovieLens (https://movielens.org/).
As plataformas atuais e futuras serão obrigadas a estabelecer esta capacidade que utiliza redes neuronais artificiais para reter e atrair utilizadores.
Dados Organizacionais Disponíveis como Input de AI
As fontes de dados disponíveis para utilização em previsões de AI são as seguintes:
Segue-se um processo de alto nível para como fornecer personalização ao cliente através de inteligência artificial combinada com métodos de aprendizagem profunda:
- Metadados de clientes de sistemas CRM (ou seja, Salesforce, Microsoft CRM)
- Histórico de Compras (ex.: Amazon, Shopify)
- Carimbos de data/hora e montantes das transações (ou seja, Sistemas PoS, Stripe, PayPal)
Metodologia de Integração
- Capturar características sobre um utilizador que possam inferir as suas preferências
- Treinar um modelo de aprendizagem profunda com as características capturadas
- Prever o que o utilizador preferiria com base nas funcionalidades
- Personalizar conteúdo com base em previsões do que o utilizador pretende ver
- Corrigir continuamente o modelo à medida que o utilizador interage com o sistema online, melhorando o sistema ao longo do tempo.
Dado que o Telemus AI™ cuida da maior parte do trabalho, a organização pode focar-se na lógica de negócios em vez da implementação técnica.
Aplicações Organizacionais
A seguinte lista apresenta outras potenciais aplicações para a sua organização:
- Personalizar conteúdo para um utilizador para aumentar a probabilidade de compras
- Garantir a satisfação do cliente com um serviço que melhora a retenção de utilizadores
- Garantir que o conteúdo é atualizado e relevante para o utilizador
Benefícios Potenciais e Realizados
A Telemus AI™ é uma empresa de inteligência artificial sediada na Austrália que fornece soluções avançadas a governos e empresas. Contacte-nos hoje para uma consulta gratuita sobre como a Telemus AI™ pode ser integrada na sua organização.
