Globoko okrepitveno učenje - učenje individualnih preferenc
Posamezne interakcije s spletnimi sistemi so zdaj vsepovsod. Mnoge organizacije morajo zagotoviti, da so vsi uporabniki zadovoljni in da uživajo v uporabi določene storitve, hkrati pa upoštevajo individualne preference uporabnikov, da ostanejo konkurenčni. Personalizacija strank ima cilj sklepati o preferencah uporabnikov in prilagajati uporabniško izkušnjo temu. Umetna inteligenca v povezavi s tehnikami učenja s krepitevijo je primerna za to nalogo, saj umetna nevronska mreža zagotavlja zmožnost učenja neposredno od uporabnika.
| Film A | Film B | Film C | ||
| Oseba A | 5 zvezd | 3 zvezde | 4 zvezde | |
| Oseba B | 3 zvezde | 5 zvezd | 2 zvezdi | |
| Oseba C | 2 zvezdi | 3 zvezde | 5 zvezd |
Glavno načelo je sklepanje o uporabniških preferencah vnaprej za izpeljavo matrike uporabniških preferenc na podlagi tega, kaj preferirajo drugi uporabniki s podobnimi interesi. Večplastni perceptron za kolaborativno filtriranje je mogoče uporabiti za natančno sklepanje o uporabniških preferencah vnaprej, tako da se omrežje uči in prilagaja, ko uporabniki komunicirajo s sistemom. Ob zadostnem številu podatkovnih točk postane sistem izjemno natančen pri sklepanju o uporabniških preferencah, saj ljudje s skupnimi lastnostmi težijo k gručenju.
Pregled organizacijskega izziva
Organizacije morajo zagotoviti storitve, ki so dostopne široko raznoliki demografiji. Sistem, ki upošteva individualne uporabniške preference tako programsko kot semantično za vsakogar, je težko definirati. To še posebej otežuje dejstvo, da se lahko individualne preference spreminjajo iz dneva v dan ali glede na posameznikovo življenjsko obdobje.
Reševanje tega problema je bistveno, saj je lahko prikazovanje vsebine na en način zaželjeno za določene uporabnike, medtem ko pri drugih povzroča odvračanje, kar neposredno vpliva na zgornjo mejo uporabnikov, ki jih lahko izdelek verjetno doseže, in na količino časa, ki ga uporabnik preživi na platformi. V realnem svetu so bili opaženi vplivi aplikacije družbenih medijev TikTok, ki je destabilizirala uveljavljene platforme, kot sta YouTube in Instagram. Medtem ko slednje platforme za predlaganje vsebine uporabljajo analizo grafov družbenih medijev, se TikTok zanaša izključno na uporabniško podate informacije in kombinacijo računalniškega vida, obdelave naravnega jezika in analize metapodatkov za kuriranje vsebine. To je tako dobro delovalo, da je ohranjanje uporabnikov na platformi preseglo konkurente.
Uporaba tradicionalnega strojnega učenja za kuriranje vsebin je dobro uveljavljena ideja, ki se je pozneje razvila in napredovala do uporabe umetnih nevronskih mrež, ko so okviri umetne inteligence postali bolj dostopni. Zgodnji primer uporabe strojnega učenja za kuriranje vsebin je bil Netflix Prize (https://en.wikipedia.org/wiki/Netflix_Prize), kjer je Netflix razpisal oddajo modelov strojnega učenja in za nagrado zmagovalcu ponudil 1.000.000 USD. Pozneje so se uresničile nadaljnje iteracije te ideje z naborom podatkov MovieLens (https://movielens.org/).
Trenutne in bodoče platforme bodo morale vzpostaviti to zmožnost, ki z uporabo umetnih nevronskih mrež ponovno usposablja in privablja uporabnike.
Organizacijski podatki, razpoložljivi kot vhod za AI
Viri podatkov, ki so na voljo za uporabo v napovedovanju AI, so naslednji:
Naslednje zagotavlja postopek na visoki ravni za zagotavljanje personalizacije strank prek umetne inteligence v povezavi z metodami globokega učenja:
- Metapodatki strank iz sistemov CRM (tj. Salesforce, Microsoft CRM)
- Zgodovina nakupov (npr. Amazon, Shopify)
- Časovni žigi transakcij in zneski (tj. Sistemi PoS, Stripe, PayPal)
Metodologija integracije
- Zajem značilnosti o uporabniku, iz katerih je mogoče sklepati na uporabniške preference
- Usposobite model globokega učenja s zajetimi značilnostmi
- Predvidite, kaj bi uporabnik raje, na podlagi funkcij
- Prilagajanje vsebine na podlagi napovedi tega, kar si uporabnik želi videti
- Neprestano popravljajte model, ko uporabnik komunicira s spletnim sistemom, s čimer sistem sčasoma izboljšujte.
Ker Telemus AI™ opravi večino dela, se lahko organizacija osredotoči na poslovno logiko namesto na tehnično implementacijo.
Organizacijske aplikacije
Naslednje navaja druge potencialne aplikacije za vašo organizacijo:
- Prilagajanje vsebine uporabniku za povečanje verjetnosti nakupov
- Zagotavljanje zadovoljstva strank s storitvijo, ki izboljšuje ohranjanje uporabnikov
- Zagotavljanje, da je vsebina sveža in relevantna za uporabnika
Morebitne in uresničene prednosti
Telemus AI™ je avstralsko podjetje za umetno inteligenco, ki vladam in podjetjem zagotavlja napredne rešitve. Kontaktirajte nas danes za brezplačno posvetovanje o tem, kako lahko Telemus AI™ integrirate v vašo organizacijo.
