深度強化學習 - 學習個人偏好
個人與線上系統的互動現在已無處不在。許多組織必須確保所有用戶都感到滿意並享受使用特定服務產品，同時考慮個人化的用戶偏好以保持競爭力。客戶個人化旨在推斷用戶偏好並相應地調整用戶體驗。人工智慧結合強化學習技術非常適合這項任務，因為人工神經網路提供了直接從用戶學習的能力。
| 電影 A | 電影 B | 電影 C | ||
| 人員 A | 5 星 | 3 星 | 4 星 | |
| 人員 B | 3 星 | 5 星 | 2 星 | |
| 人員 C | 2 星 | 3 星 | 5 星 |
主要原則是提前推斷使用者偏好，以根據其他具有相似興趣的使用者所偏好的內容推導出使用者偏好矩陣。用於協同過濾的多層感知器可用於準確提前推斷使用者偏好，方法是讓網路在使用者與系統互動時進行學習和適應。只要有足夠的資料點，系統在推斷使用者偏好方面就會變得異常準確，因為具有共同點的人往往會聚集成群。
組織挑戰概述
組織需要提供能讓廣泛且多樣化的人口群體使用的服務。一個以程式化和語意化方式為每個人考量個人化使用者偏好的系統，其定義具有挑戰性。個人偏好可能會逐日改變或取決於個人的人生階段，此一事實使這一點更加複雜。
解決此問題至關重要，因為以單一方式顯示內容可能對特定使用者較為理想，但卻會引起其他使用者的反感，直接影響產品可能達到的使用者上限以及使用者在平台上花費的時間。現實世界的影響已經顯現，社交媒體應用程式 TikTok 顛覆了 YouTube 和 Instagram 等既有平台。雖然後述平台使用社交媒體圖譜分析來推薦內容，但 TikTok 僅依賴使用者提供的資訊，並結合電腦視覺、自然語言處理和中繼資料分析來策劃內容。此做法成效卓著，使得該平台的使用者留存率超越了競爭對手。
使用傳統機器學習來策展內容是一個成熟的概念，隨著人工智慧框架變得更容易取得，後來演進並發展為使用人工神經網路。使用機器學習策展內容的早期例子是 Netflix Prize (https://en.wikipedia.org/wiki/Netflix_Prize)，Netflix 當時公開徵求機器學習模型，並提供 1,000,000 美元獎金給優勝者。隨後，這個概念的迭代在 MovieLens 資料集 (https://movielens.org/) 中得以實現。
現有及未來的平台將需要建立此一使用人工神經網路來重新訓練及吸引使用者的功能。
可作為 AI 輸入的組織資料
可用於 AI 預測的資料來源如下：
以下提供透過人工智慧結合深度學習方法來提供客戶個人化服務的高層級流程：
- 來自 CRM 系統的客戶元資料（即 Salesforce、Microsoft CRM）
- 購買歷史記錄（例如 Amazon、Shopify）
- 交易時間戳記與金額（即PoS系統、Stripe、PayPal）
整合方法論
- 擷取可用來推斷使用者偏好的使用者特徵
- 使用擷取到的特徵訓練深度學習模型
- 根據特徵預測使用者會偏好什麼
- 透過預測使用者想看的內容來客製化內容
- 隨著使用者與線上系統互動，持續修正模型，隨著時間推移改善系統。
由於 Telemus AI™ 負責大部分的工作，機構可以專注於業務邏輯，而非技術實作。
組織應用
以下列出貴機構的其他潛在應用：
- 為使用者客製化內容，以提高購買的可能性
- 確保客戶滿意度，以提升使用者留存率的服務
- 確保內容是新穎的且與使用者相關
潛在與已實現的效益
Telemus AI™ 是一家總部位於澳洲的人工智能公司，為各政府及企業提供先進的解決方案。立即聯絡我們，免費諮詢 Telemus AI™ 如何整合至您的機構。
