الذكاء الاصطناعي في أنظمة التوصية
أنظمة التوصية هي الذكاء الاصطناعي الذي يختار بهدوء ما تشاهده، وتشتريه، وتنتقل إليه بعد ذلك.
نظرة عامة
They drive a huge share of engagement and revenue at companies like Netflix, Amazon, YouTube, and Spotify.
الغوص العميق
تتمثل مهمة الموصي في التنبؤ بما يريده المستخدم من كتالوج ضخم. الطريقتان الكلاسيكيتان هما التصفية التعاونية، التي تبحث عن الأنماط عبر المستخدمين ("الأشخاص مثلك أيضًا أحبوا هذا")، والتصفية المستندة إلى المحتوى، والتي تطابق ميزات العنصر مع تفضيلاتك السابقة. تجمع الأنظمة الحديثة بين هذه العناصر وتضيف تعلمًا عميقًا: تتعلم الشبكات العصبية التضمينات الكثيفة للمستخدمين والعناصر بحيث تتواجد الأذواق المتشابهة بالقرب من بعضها البعض في الفضاء المتجه. قامت Netflix بترويج هذا المجال بجائزتها البالغة مليون دولار، واليوم تعمل هذه الأنظمة على تشغيل موجز YouTube، واقتراحات منتجات Amazon، وSpotify's Discover Weekly، وصفحة TikTok's For You. كما أنها تشكل مصدرًا للقلق، نظرًا لأن تحسين المشاركة فقط يمكن أن يؤدي إلى إنشاء فقاعات تصفية وتضخيم المحتوى الذي يسبب الإدمان أو الاستقطاب.
البصيرة الفنية
كان تحليل المصفوفة بمثابة إنجاز كبير: تمثيل مصفوفة تصنيف عنصر المستخدم المتناثر كمنتج لمصفوفتين أصغر من العوامل الكامنة، بحيث يصبح كل مستخدم وعنصر متجهًا قصيرًا. يتنبأ المنتج النقطي للمستخدم ومتجه العنصر بالتقييم. توسع النماذج العميقة هذا من خلال التصفية التعاونية العصبية والهندسة المعمارية ذات البرجين التي تسترد المرشحين بسرعة، ثم يقوم نموذج التصنيف بتقييمهم. تظل البداية الباردة، والتوصية للمستخدمين أو العناصر الجديدة، تحديًا عنيدًا.
التأثير الاستراتيجي
خيارات البناء
يحدد التصميم على مستوى التطبيق ما إذا كان الذكاء الاصطناعي سيحسن النتائج الحقيقية.
الفريق وسير العمل
يؤدي التكامل الجيد لسير العمل إلى تحقيق مكاسب إنتاجية يمكن للمستخدمين الوثوق بها.
المخاطر والسلامة
تعمل حالات الاستخدام ذات النطاق الجيد على تقليل إجهاد التغيير ومخاطر التنفيذ.
مستقبل الذكاء الاصطناعي في أنظمة التوصية
أصبح الموصيون أكثر سياقية ومحادثة. تتيح لك نماذج اللغة الكبيرة طلب اقتراحات باللغة الطبيعية وشرح سبب اختيار شيء ما، بينما تقوم نماذج الوسائط المتعددة بالتفكير في النصوص والصور والصوت والفيديو معًا. توقع المزيد من التركيز على الرضا على المدى الطويل من النقرات الأولية، بالإضافة إلى التنظيم الذي يدفع نحو الشفافية ومراقبة المستخدم على الخوارزمية. وتشهد أيضًا تقنيات الحفاظ على الخصوصية، مثل التوصيات الموجودة على الجهاز والتوصيات الموحدة، نموًا متزايدًا.
التنفيذ في العالم الحقيقي
يقترح Netflix العروض وحتى تخصيص الأعمال الفنية المصغرة بناءً على سجل المشاهدة الخاص بك
تقوم خدمة Discover Weekly من Spotify بإنشاء قائمة تشغيل مخصصة من خلال التصفية التعاونية عبر المستمعين ذوي الأذواق المماثلة
"عملاء أمازون الذين اشتروا هذا اشتروا أيضًا" وتوصيات المنتج على الصفحة الرئيسية تقود حصة كبيرة من المبيعات
تتعلم صفحة TikTok's For You بسرعة التفضيلات من وقت المشاهدة وعمليات إعادة التشغيل والتخطي لترتيب مقاطع الفيديو القصيرة
المخاطر والدرابزين
يمكن أن تؤدي أتمتة عملية معطلة إلى تضخيم المشاكل الموجودة.
قد تقوم الفرق بالإفراط في أتمتة وإزالة الحكم البشري المطلوب.
يمكن أن تنحرف الجودة إذا لم يتم تقييم المخرجات بشكل مستمر.
خارطة طريق التنفيذ
قم بتخطيط سير العمل الحالي وحدد خطوة الاحتكاك الأعلى.
تحديد نقاط التفتيش البشرية قبل الأتمتة الكاملة.
تدريب المستخدمين على المطالبات ومسارات التصعيد ومعايير الجودة.
تتبع النتائج على مستوى المهمة لتأكيد القيمة المستدامة.
استمر في الاستكشاف
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the AI in Recommendation Systems quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
الدليل التالي
أنظمة توصيات الذكاء الاصطناعي
الأسئلة المتداولة
What is AI in Recommendation Systems?
أنظمة التوصية هي الذكاء الاصطناعي الذي يختار بهدوء ما تشاهده، وتشتريه، وتنتقل إليه بعد ذلك. إنهم يحققون حصة كبيرة من المشاركة والإيرادات في شركات مثل Netflix وAmazon وYouTube وSpotify.
على ماذا تعتمد التصفية التعاونية؟
تعمل التصفية التعاونية على العثور على المستخدمين ذوي الأذواق المتشابهة وتوصي بما أعجبهم، فكرة "الأشخاص مثلك أيضًا أعجبوا".
ما الذي تستخدمه التصفية المستندة إلى المحتوى لتقديم التوصيات؟
تعمل التصفية المستندة إلى المحتوى على مطابقة سمات العنصر مع ميزات الأشياء التي أعجبتك سابقًا.
ما هي المشكلة التي يحلها تحليل المصفوفة في مقدمي التوصيات؟
يؤدي تحليل المصفوفة إلى تحليل مصفوفة التصنيف إلى متجهات مستخدمين وعناصر صغيرة يتنبأ منتجها النقطي بالتقييمات.
ما هي مشكلة "البداية الباردة"؟
البداية الباردة هي التحدي المتمثل في تقديم توصيات جيدة عندما تكون هناك بيانات قليلة أو معدومة حول مستخدم أو عنصر جديد.
ما هي المنافسة التي ساعدت على تعميم أبحاث التوصيات؟
تحدّت جائزة Netflix التي تبلغ قيمتها مليون دولار الفرق لتحسين توقعات التصنيف وحفزت تقدمًا كبيرًا في هذا المجال.