Deep Reinforcement Learning - Pagkatuto ng Indibidwal na mga Kagustuhan
Ang mga indibidwal na interaksyon sa mga online na sistema ay ngayon ubiquitous. Dapat tiyakin ng maraming organisasyon na ang lahat ng gumagamit ay nasisiyahan at nagagalit sa paggamit ng isang partikular na serbisyong inaalok habang isinasaalang-alang ang indibidwal na kagustuhan ng gumagamit upang manatiling kompetitibo. Layunin ng customer personalisation na hinuhuin ang kagustuhan ng gumagamit at iangkop ang karanasan ng gumagamit. Ang Artificial Intelligence na kasama ang mga teknik ng Reinforcement Learning ay angkop para sa gawaing ito dahil ang artificial neural network ay nagbibigay ng kakayahan ng pagkatuto nang direkta mula sa gumagamit.
| Movie A | Movie B | Movie C | ||
| Tao A | 5 Bituin | 3 Bituin | 4 Bituin | |
| Tao B | 3 Bituin | 5 Bituin | 2 Bituin | |
| Tao C | 2 Bituin | 3 Bituin | 5 Bituin |
Ang pangunahing prinsipyo ay ang maghinuha ng mga kagustuhan ng user nang maaga upang makabuo ng isang matrix ng mga kagustuhan ng user batay sa kung ano ang pinipili ng iba pang mga user na may magkatulad na interes. Ang Multilayer Perceptron para sa collaborative filtering ay maaaring magamit upang tumpak na maghinuha ng mga kagustuhan ng user nang maaga sa pamamagitan ng pag-aaral at pag-adapt ng network habang nakikipag-ugnayan ang mga user sa isang sistema. Sa pagkakaroon ng sapat na data points, nagiging kapansin-pansing tumpak ang sistema sa paghinuha ng mga kagustuhan ng user dahil ang mga taong may pagkakatulad ay may tendensiyang mag-cluster.
Pangkalahatang-ideya ng Hamon sa Organisasyon
Kinakailangan ang mga organisasyon na magbigay ng mga serbisyong accessible sa isang malawak at iba't iba-ibang demographic. Ang isang system na isinasaalang-alang ang mga indibidwal na kagustuhan ng user nang parehong programmatically at semantically para sa lahat ay mahirap tukuyin. Lalo pang pinapahirap nito ang katotohanang ang mga indibidwal na kagustuhan ay maaaring magbago araw-araw o depende sa yugto ng buhay ng indibidwal.
Ang paglutas ng problemang ito ay mahalaga dahil ang pagpapakita ng nilalaman sa isang paraan ay maaaring mas pabor sa mga partikular na user habang nagdudulot ng pagbaba sa ibang mga user, na tuwirang nakakaapekto sa pinakamataas na bilang ng mga user na maaaring marating ng isang produkto at sa dami ng oras na ginugugol ng isang user sa platform. Napansin ang mga totoong epekto sa social media app na TikTok na nagpabago sa mga matatag na platform tulad ng YouTube at Instagram. Habang ang mga naunang binanggit na platform ay gumagamit ng pagsusuri sa social-media graph upang magmungkahi ng nilalaman, ang TikTok ay umaasa lamang sa impormasyong ibinigay ng user at sa kumbinasyon ng computer vision, natural language processing, at pagsusuri ng meta-data upang piliin ang nilalaman. Ito ay gumana nang napakahusay kaya't ang pagpapanatili ng user sa platform ay lumampas sa mga kakompetisya.
Ang paggamit ng traditional machine learning upang mag-curate ng nilalaman ay isang mahusay na naitatag na ideya na kalaunan ay umunlad at sumulong sa paggamit ng artificial neural networks habang ang mga artificial intelligence framework ay nagiging mas naa-access. Isang maagang halimbawa ng paggamit ng Machine Learning upang mag-curate ng nilalaman ay ang Netflix Prize (https://en.wikipedia.org/wiki/Netflix_Prize), kung saan tinawag ng Netflix para sa mga pagsumite ng mga modelong machine learning na nagbibigay ng $1,000,000 USD sa mananalo. Kalaunan, ang mga iterasyon ng ideyang ito ay natupad sa pamamagitan ng MovieLens dataset (https://movielens.org/).
Kasalukuyan at hinaharap na mga platform ay kinakailangang magtatag ng kakayahang ito na gumagamit ng mga artificial neural network upang muling sanayin at akitin ang mga gumagamit.
Data na Organisasyonal na Magagamit bilang Input ng AI
Ang mga pinagmulan ng data na magagamit sa AI forecasting ay ang mga sumusunod:
Ibinibigay ng sumusunod ang isang proseso sa mataas na antas kung paano magbigay ng personalisasyon ng customer sa pamamagitan ng artificial intelligence na kasama ang mga pamamaraan ng deep learning:
- Customer meta-data mula sa mga CRM system (ibig sabihin, Salesforce, Microsoft CRM)
- Kasaysayan ng Pagbili (hal. Amazon, Shopify)
- Mga timestamp at halaga ng transaksyon (i.e. PoS Systems, Stripe, PayPal)
Methodology ng Integration
- Kunin ang mga feature tungkol sa isang user na makapaghihinuha ng mga kagustuhan ng user
- Mag-train ng deep-learning model gamit ang mga nakuhang features
- Hulaan kung ano ang mas pipiliin ng user batay sa mga tampok
- I-customize ang nilalaman batay sa mga prediksyon kung ano ang nais makita ng gumagamit
- Patuloy na itama ang modelo habang nakikipag-ugnayan ang user sa online na sistema, pinapahusay ang sistema sa paglipas ng panahon.
Dahil inaalagaan ng Telemus AI™ ang karamihan sa trabaho, maaaring tumuon ang organisasyon sa business logic sa halip na sa technical implementation.
Mga Organisational Application
Naglilista ang sumusunod ng iba pang mga potensyal na aplikasyon para sa iyong organisasyon:
- Pag-customize ng nilalaman para sa isang user upang madagdagan ang posibilidad ng mga pagbili
- Tinitiyak ang kasiyahan ng customer sa isang serbisyo na nagpapabuti sa pagpapanatili ng user
- Tinitiyak na bago at may-katuturan sa user ang nilalaman
Mga Potensyal at Narealisang Benepisyo
Ang Telemus AI™ ay isang kumpanya ng artificial intelligence na nakabase sa Australia na nagbibigay ng mga advanced na solusyon sa mga gobyerno at enterprise. Makipag-ugnayan sa amin ngayon para sa isang libreng konsultasyon kung paano maaring isama ang Telemus AI™ sa iyong organisasyon.
