Hlboké posilňované učenie - Učenie individuálnych preferencií
Individuálne interakcie s online systémami sú dnes všadeprítomné. Mnohé organizácie musia zabezpečiť, aby boli všetci používatelia spokojní a radi používali konkrétnu ponuku služieb, pričom musia zohľadňovať individuálne preferencie používateľov, aby zostali konkurencieschopní. Personalizácia zákazníkov si kladie za cieľ odvodiť preferencie používateľov a prispôsobiť im používateľskú skúsenosť. Umelá inteligencia spojená s technikami posilňovaného učenia je na túto úlohu vhodná, pretože umelá neurónová sieť poskytuje schopnosť učiť sa priamo od používateľa.
| Film A | Film B | Film C | ||
| Osoba A | 5 hviezdičiek | 3 hviezdičky | 4 hviezdičky | |
| Osoba B | 3 hviezdičky | 5 hviezdičiek | 2 hviezdičky | |
| Osoba C | 2 hviezdičky | 3 hviezdičky | 5 hviezdičiek |
Hlavným princípom je odvodiť preferencie používateľov vopred a vytvoriť maticu preferencií používateľov na základe toho, čo preferujú iní používatelia s podobnými záujmami. Viacvrstvový perceptrón pre kolaboratívne filtrovanie možno použiť na presné odvodenie preferencií používateľov vopred tým, že sa sieť učí a prispôsobuje sa, ako používatelia interagujú so systémom. Pri dostatočnom množstve dát sa systém stáva pozoruhodne presným v odvodzovaní preferencií používateľov, pretože ľudia so spoločnými črtami sa zvyknú zhlukovať.
Prehľad organizačnej výzvy
Organizácie sú povinné poskytovať služby, ktoré sú prístupné pre širokú a rôznorodú demografickú skupinu. Systém, ktorý zohľadňuje individuálne preferencie používateľov programaticky aj sémanticky pre každého, je náročné definovať. To je obzvlášť umocnené skutočnosťou, že individuálne preferencie sa môžu meniť deň čo deň alebo v závislosti od životnej fázy jednotlivca.
Riešenie tohto problému je nevyhnutné, pretože zobrazovanie obsahu jedným spôsobom môže byť preferované konkrétnymi používateľmi, zatiaľ čo u iných používateľov môže spôsobiť odpor, čo priamo ovplyvňuje hornú hranicu počtu používateľov, ktorých môže produkt pravdepodobne dosiahnuť, a množstvo času, ktorý používateľ strávi na platforme. V reálnom svete boli pozorované vplyvy, keď aplikácia sociálnych médií TikTok narušila zavedené platformy ako YouTube a Instagram. Kým vyššie spomenuté platformy používajú na navrhovanie obsahu analýzu grafov sociálnych médií, TikTok sa spolieha výlučne na informácie poskytnuté používateľmi a kombináciu počítačového videnia, spracovania prirodzeného jazyka a analýzy metaúdajov na kurátorovanie obsahu. Funguje to tak dobre, že udržanie používateľov na platforme prekonáva konkurenciu.
Používanie tradičného strojového učenia na kurátorskú správu obsahu je dobre zavedený nápad, ktorý sa neskôr vyvinul a zdokonalil na používanie umelých neurónových sietí, keď sa rámcové riešenia umelej inteligencie stali prístupnejšími. Skorým príkladom použitia strojového učenia na správu obsahu bola súťaž Netflix Prize (https://en.wikipedia.org/wiki/Netflix_Prize), kde Netflix vyhlásil súťaž na predloženie modelov strojového učenia s odmenou 1 000 000 USD pre víťaza. Neskôr sa uskutočnili ďalšie iterácie tohto nápadu pomocou súboru údajov MovieLens (https://movielens.org/).
Súčasné a budúce platformy si budú musieť vybudovať túto schopnosť, ktorá využíva umelé neurónové siete na opätovné trénovanie a priťahovanie používateľov.
Organizačné údaje dostupné ako vstup pre AI
Zdroje údajov dostupné na použitie v AI prognózovaní sú nasledovné:
Nasledujúci postup poskytuje proces na vysokej úrovni, ako poskytnúť personalizáciu zákazníkov prostredníctvom umelej inteligencie spojenej s metódami hlbokého učenia:
- Metaúdaje zákazníkov zo systémov CRM (t.j. Salesforce, Microsoft CRM)
- História nákupov (t.j. Amazon, Shopify)
- Časové známky transakcií a sumy (t.j. systémy PoS, Stripe, PayPal)
Metodika integrácie
- Zachytiť vlastnosti používateľa, z ktorých možno vyvodiť jeho preferencie
- Trénovať model hlbokého učenia so zachytenými príznakmi
- Predpovedajte, čo by si používateľ uprednostnil na základe funkcií
- Prispôsobenie obsahu prostredníctvom predikcií toho, čo chce používateľ vidieť
- Neustále opravujte model, ako používateľ interaguje s online systémom, čím sa systém v priebehu času zlepšuje.
Vzhľadom na to, že Telemus AI™ sa stará o väčšinu práce, organizácia sa môže sústrediť na obchodnú logiku a nie na technickú implementáciu.
Organizačné aplikácie
Nasledujúci zoznam obsahuje ďalšie potenciálne aplikácie pre vašu organizáciu:
- Prispôsobovanie obsahu pre používateľa s cieľom zvýšiť pravdepodobnosť nákupov
- Zabezpečenie spokojnosti zákazníkov so službou, ktorá zlepšuje udržanie používateľov
- Zabezpečenie, že obsah je aktuálny a relevantný pre používateľa
Potenciálne a realizované výhody
Telemus AI™ je austrálska spoločnosť zaoberajúca sa umelou inteligenciou, ktorá poskytuje pokročilé riešenia pre vlády a podniky. Kontaktujte nás ešte dnes pre bezplatnú konzultáciu o tom, ako možno Telemus AI™ integrovať do vašej organizácie.
