Djup förstärkningsinlärning - Inlärning av individuella preferenser
Individuella interaktioner med onlinesystem är nu allestädes närvarande. Många organisationer måste säkerställa att alla användare är nöjda och trivs med att använda ett visst tjänsteutbud, samtidigt som de beaktar individuella användarpreferenser för att förbli konkurrenskraftiga. Kundpersonalisering syftar till att dra slutsatser om användarpreferenser och anpassa användarupplevelsen därefter. Artificiell intelligens kombinerad med Reinforcement Learning-tekniker är lämpad för denna uppgift eftersom det artificiella neurala nätverket ger förmågan att lära sig direkt från användaren.
| Film A | Film B | Film C | ||
| Person A | 5 Stjärnor | 3 Stjärnor | 4 Stjärnor | |
| Person B | 3 Stjärnor | 5 Stjärnor | 2 Stjärnor | |
| Person C | 2 Stjärnor | 3 Stjärnor | 5 Stjärnor |
Huvudprincipen är att härleda användarpreferenser i förväg för att skapa en matris över användarpreferenser baserat på vad andra användare med liknande intressen föredrar. Flerlagersperceptron för kollaborativ filtrering kan användas för att noggrant härleda användarpreferenser i förväg genom att låta nätverket lära sig och anpassa sig när användarna interagerar med ett system. Givet tillräckligt med datapunkter blir systemet anmärkningsvärt exakt i att härleda användarpreferenser eftersom personer som har gemensamma drag tenderar att klustra.
Översikt över den organisatoriska utmaningen
Organisationer krävs för att tillhandahålla tjänster som är tillgängliga för en bred och mångsidig demografi. Ett system som beaktar individuella användarpreferenser både programmässigt och semantiskt för alla är svårt att definiera. Detta förvärras särskilt av det faktum att individuella preferenser kan förändras från dag till dag eller beroende på individens livsfas.
Att lösa detta problem är avgörande eftersom att visa innehåll på ett sätt kan vara att föredra för specifika användare medan det leder till avståndstagande från andra användare, vilket direkt påverkar det tak av användare som en produkt sannolikt kan uppnå och den tid en användare spenderar på plattformen. Verkliga effekter har observerats när sociala medier-appen TikTok har stört etablerade plattformar som YouTube och Instagram. Medan de sistnämnda plattformarna använder grafanalys för sociala medier för att föreslå innehåll, förlitar sig TikTok enbart på användarinformation och en kombination av datorseende, naturlig språkbearbetning och metadataanalys för att kura innehåll. Det har fungerat så väl att användarbehållningen på plattformen överstiger konkurrenternas.
Användningen av traditionell maskininlärning för att kura innehåll är en väl etablerad idé som senare utvecklades och fortskred till att använda artificiella neurala nätverk i takt med att ramverk för artificiell intelligens blev mer tillgängliga. Ett tidigt exempel på användning av maskininlärning för att kura innehåll var Netflix Prize (https://en.wikipedia.org/wiki/Netflix_Prize), där Netflix efterlyste inlämningar av maskininlärningsmodeller och belönade vinnaren med 1 000 000 USD. Senare kom iterationer av denna idé att förverkligas med MovieLens-datasettet (https://movielens.org/).
Nuvarande och framtida plattformar kommer att behöva etablera denna förmåga som använder artificiella neurala nätverk för att omskola och attrahera användare.
Organisatorisk data tillgänglig som AI-indata
Datakällor tillgängliga för användning i AI-prognoser är följande:
Följande ger en process på hög nivå för hur man tillhandahåller kundanpassning via artificiell intelligens kombinerat med djupinlärningsmetoder:
- Kundmetadata från CRM-system (t.ex. Salesforce, Microsoft CRM)
- Köphistorik (dvs. Amazon, Shopify)
- Transaktionstidsstämplar och belopp (dvs. PoS-system, Stripe, PayPal)
Integrationsmetodik
- Fånga funktioner om en användare som kan härleda användarpreferenser
- Träna en modell för djupinlärning med de fångade funktionerna
- Förutsäg vad användaren skulle föredra baserat på funktionerna
- Anpassa innehåll via förutsägelser för vad användaren vill se
- Korrigera kontinuerligt modellen i takt med att användaren interagerar med onlinesystemet, vilket förbättrar systemet över tid.
Med tanke på att Telemus AI™ tar hand om det mesta av arbetet, kan organisationen fokusera på affärslogiken snarare än den tekniska implementeringen.
Organisatoriska tillämpningar
Följande listar andra potentiella applikationer för din organisation:
- Anpassa innehåll för en användare för att öka sannolikheten för köp
- Säkerställa kundnöjdhet med en tjänst som förbättrar användarbehållning
- Säkerställa att innehållet är aktuellt och relevant för användaren
Potentiella och realiserade fördelar
Telemus AI™ är ett australiensiskt-baserat företag för artificiell intelligens som tillhandahåller avancerade lösningar till regeringar och företag. Kontakta oss idag för ett gratis samtal om hur Telemus AI™ kan integreras i din organisation.
