Глубокое обучение с подкреплением — Изучение индивидуальных предпочтений
Индивидуальные взаимодействия с онлайн-системами теперь повсеместны. Многие организации должны следить за тем, чтобы все пользователи были удовлетворены и им нравилось использовать конкретное предложение услуг, учитывая при этом индивидуальные предпочтения пользователей, чтобы оставаться конкурентоспособными. Персонализация обслуживания клиентов направлена на выявление предпочтений пользователей и соответствующую адаптацию пользовательского опыта. Искусственный интеллект в сочетании с методами обучения с подкреплением подходит для этой задачи, поскольку искусственная нейронная сеть обеспечивает возможность обучения непосредственно у пользователя.
| Фильм A | Фильм B | Фильм C | ||
| Лицо A | 5 звезд | 3 звезды | 4 звезды | |
| Лицо B | 3 звезды | 5 звезд | 2 звезды | |
| Лицо C | 2 звезды | 3 звезды | 5 звезд |
Основной принцип заключается в том, чтобы заранее определить предпочтения пользователя и составить матрицу пользовательских предпочтений на основе того, что предпочитают другие пользователи с похожими интересами. Многослойный перцептрон для коллаборативной фильтрации может использоваться для точного предварительного определения предпочтений пользователей за счет того, что сеть обучается и адаптируется по мере взаимодействия пользователей с системой. При наличии достаточного количества точек данных система становится поразительно точной в определении предпочтений пользователей, поскольку люди со схожими интересами имеют тенденцию объединяться в кластеры.
Обзор организационной проблемы
Организации обязаны предоставлять услуги, доступные для широкого и разнообразного круга демографических групп. Систему, которая учитывает индивидуальные пользовательские предпочтения как программно, так и семантически для каждого человека, сложно определить. Это особенно усугубляется тем фактом, что индивидуальные предпочтения могут меняться изо дня в день или в зависимости от этапа жизни человека.
Решение этой проблемы имеет важное значение, поскольку отображение контента одним образом может быть предпочтительным для одних пользователей, в то время как оттолкнуть других, что напрямую влияет на максимальное количество пользователей, которого продукт может достичь, и количество времени, которое пользователь проводит на платформе. Реальные последствия наблюдались на примере приложения для социальных сетей TikTok, потеснившего такие устоявшиеся платформы, как YouTube и Instagram. В то время как вышеупомянутые платформы используют анализ графа социальных сетей для предложения контента, TikTok полагается исключительно на предоставленную пользователем информацию и комбинацию компьютерного зрения, обработки естественного языка и анализа метаданных для кураторства контента. Это сработало настолько хорошо, что удержание пользователей на платформе превышает показатели конкурентов.
Использование традиционного машинного обучения для курирования контента — это хорошо зарекомендовавшая себя идея, которая позже эволюционировала и перешла к использованию искусственных нейронных сетей по мере того, как фреймворки искусственного интеллекта становились более доступными. Ранним примером использования машинного обучения для курирования контента был Netflix Prize (https://en.wikipedia.org/wiki/Netflix_Prize), где Netflix объявил о приеме заявок на модели машинного обучения, наградив победителя 1 000 000 долларов США. Позже итерации этой идеи были реализованы с набором данных MovieLens (https://movielens.org/).
Текущим и будущим платформам потребуется внедрить эту функцию, использующую искусственные нейронные сети для переобучения и привлечения пользователей.
Организационные данные, доступные в качестве ввода для AI
Источники данных, доступные для использования в прогнозировании AI, следующие:
Ниже описан высокоуровневый процесс того, как обеспечить персонализацию клиентов с помощью искусственного интеллекта в сочетании с методами глубокого обучения:
- Метаданные клиентов из систем CRM (т.е. Salesforce, Microsoft CRM)
- История покупок (например, Amazon, Shopify)
- Временные метки транзакций и суммы (т.е. системы PoS, Stripe, PayPal)
Методология интеграции
- Сбор данных о пользователе, позволяющих определить его предпочтения
- Обучите модель глубокого обучения с использованием извлеченных признаков
- Прогнозирование предпочтений пользователя на основе характеристик
- Настройка контента на основе прогнозов того, что пользователь хочет видеть
- Непрерывно корректируйте модель по мере взаимодействия пользователя с онлайн-системой, улучшая систему с течением времени.
Поскольку Telemus AI™ берет на себя большую часть работы, организация может сосредоточиться на бизнес-логике, а не на технической реализации.
Организационные приложения
Ниже перечислены другие потенциальные области применения для вашей организации:
- Настройка контента для пользователя с целью повышения вероятности покупок
- Обеспечение удовлетворенности клиентов услугой, повышающей удержание пользователей
- Обеспечение актуальности и релевантности контента для пользователя
Потенциальные и реализованные преимущества
Telemus AI™ — это австралийская компания в сфере искусственного интеллекта, предоставляющая передовые решения для государственных учреждений и предприятий. Свяжитесь с нами сегодня для бесплатной консультации о том, как Telemus AI™ может быть интегрирована в вашу организацию.
