Глибоке навчання з підкріпленням - Вивчення індивідуальних уподобань
Індивідуальні взаємодії з онлайн-системами тепер повсюдні. Багатьом організаціям необхідно переконатися, що всі користувачі задоволені і їм подобається використовувати певний сервіс, враховуючи індивідуальні уподобання користувачів, щоб залишатися конкурентоспроможними. Персоналізація клієнтів має на меті вивести уподобання користувачів і відповідно адаптувати користувацький досвід. Штучний інтелект у поєднанні з методами навчання з підкріпленням добре підходить для цього завдання, оскільки штучна нейронна мережа забезпечує можливість навчання безпосередньо у користувача.
| Фільм A | Фільм B | Фільм C | ||
| Особа A | 5 зірок | 3 зірки | 4 зірки | |
| Особа B | 3 зірки | 5 зірок | 2 зірки | |
| Особа C | 2 зірки | 3 зірки | 5 зірок |
Основний принцип полягає в тому, щоб заздалегідь визначити уподобання користувачів для створення матриці уподобань користувачів на основі того, що віддають перевагу інші користувачі з подібними інтересами. Багатошаровий перцептрон для колаборативної фільтрації може використовуватися для точного визначення уподобань користувачів заздалегідь, дозволяючи мережі вчитися та адаптуватися в міру взаємодії користувачів із системою. За наявності достатньої кількості точок даних система стає надзвичайно точною у визначенні уподобань користувачів, оскільки люди, які мають спільні риси, як правило, групуються разом.
Організаційний виклик: огляд
Організації зобов'язані надавати послуги, доступні для широкого та різноманітного демографічного складу. Систему, яка враховує індивідуальні уподобання користувачів як програмно, так і семантично для кожної людини, важко визначити. Це особливо ускладнюється тим фактом, що індивідуальні уподобання можуть змінюватися день у день або залежно від етапу життя людини.
Вирішення цієї проблеми є суттєвим, оскільки відображення контенту одним способом може бути кращим для певних користувачів, тоді як для інших воно може відштовхувати, що безпосередньо впливає на максимальну кількість користувачів, яких продукт може досягти, та час, який користувач проводить на платформі. Реальні наслідки спостерігалися з соціальним додатком TikTok, який потіснив такі платформи, як YouTube та Instagram. У той час як згадані пізніше платформи використовують аналіз графів соціальних мереж для пропозиції контенту, TikTok покладається виключно на надану користувачем інформацію та комбінацію комп'ютерного зору, обробки природної мови та аналізу метаданих для кураторства контенту. Це настільки добре спрацювало, що утримання користувачів на платформі перевищує показники конкурентів.
Використання традиційного машинного навчання для кураторства контенту є добре відомою ідеєю, яка пізніше еволюціонувала та перейшла до використання штучних нейронних мереж, оскільки фреймворки штучного інтелекту стали більш доступними. Раннім прикладом використання машинного навчання для кураторства контенту був Netflix Prize (https://en.wikipedia.org/wiki/Netflix_Prize), де Netflix оголосив конкурс на моделі машинного навчання, нагородивши переможця 1 000 000 доларів США. Пізніше ітерації цієї ідеї були реалізовані з набором даних MovieLens (https://movielens.org/).
Поточні та майбутні платформи повинні будуть створити цю можливість, яка використовує штучні нейронні мережі для перенавчання та залучення користувачів.
Організаційні дані, доступні як вхідні дані для AI
Джерела даних, доступні для використання в прогнозуванні AI, є такими:
Нижче наведено процес на високому рівні того, як забезпечити персоналізацію клієнтів за допомогою штучного інтелекту в поєднанні з методами глибокого навчання:
- Метадані клієнтів із CRM-систем (тобто Salesforce, Microsoft CRM)
- Історія покупок (напр. Amazon, Shopify)
- Мітки часу та суми транзакцій (тобто системи PoS, Stripe, PayPal)
Методологія інтеграції
- Захоплюйте функції користувача, які можуть визначати його уподобання
- Навчити модель глибокого навчання на захоплених функціях
- Передбачати, що віддасть перевагу користувач на основі функцій
- Налаштовуйте контент на основі прогнозів того, що хоче бачити користувач
- Постійно коригуйте модель під час взаємодії користувача з онлайн-системою, покращуючи систему з часом.
Оскільки Telemus AI™ бере на себе більшу частину роботи, організація може зосередитися на бізнес-логіці, а не на технічній реалізації.
Організаційні застосування
Нижче наведено інші потенційні додатки для вашої організації:
- Налаштування контенту для користувача з метою збільшення ймовірності покупок
- Забезпечення задоволеності клієнтів послугою, яка покращує утримання користувачів
- Забезпечення того, щоб контент був свіжим та релевантним для користувача
Потенційні та реалізовані переваги
Telemus AI™ — це австралійська компанія з штучного інтелекту, яка надає передові рішення для урядів та підприємств. Зв'яжіться з нами сьогодні для безкоштовної консультації щодо того, як Telemus AI™ можна інтегрувати у вашу організацію.
