AI σε Συστήματα Συστάσεων
Τα συστήματα συστάσεων είναι το AI που επιλέγει αθόρυβα τι θα παρακολουθήσετε, θα αγοράσετε και θα πραγματοποιήσετε κύλιση στη συνέχεια.
Επισκόπηση
They drive a huge share of engagement and revenue at companies like Netflix, Amazon, YouTube, and Spotify.
Βαθιά κατάδυση
Η δουλειά ενός συστάτη είναι να προβλέψει τι θα θέλει ένας χρήστης από έναν τεράστιο κατάλογο. Οι δύο κλασικές προσεγγίσεις είναι το συλλογικό φιλτράρισμα, το οποίο βρίσκει μοτίβα μεταξύ των χρηστών ("άρεσαν και σε άτομα σαν εσάς") και το φιλτράρισμα βάσει περιεχομένου, το οποίο αντιστοιχίζει τις λειτουργίες των στοιχείων με τις προηγούμενες προτιμήσεις σας. Τα σύγχρονα συστήματα τα συνδυάζουν και προσθέτουν βαθιά μάθηση: τα νευρωνικά δίκτυα μαθαίνουν πυκνές ενσωματώσεις για χρήστες και αντικείμενα, έτσι ώστε παρόμοιες γεύσεις να βρίσκονται το ένα κοντά στο άλλο στο διανυσματικό χώρο. Το Netflix έκανε δημοφιλή τον τομέα με το έπαθλο του 1 εκατομμυρίου δολαρίων και σήμερα αυτά τα συστήματα τροφοδοτούν τη ροή του YouTube, τις προτάσεις προϊόντων της Amazon, το Discover Weekly του Spotify και τη σελίδα For You του TikTok. Είναι επίσης πηγή ανησυχίας, καθώς η βελτιστοποίηση καθαρά για αφοσίωση μπορεί να δημιουργήσει φυσαλίδες φίλτρου και να ενισχύσει το εθιστικό ή πολωτικό περιεχόμενο.
Τεχνική διορατικότητα
Η παραγοντοποίηση μήτρας ήταν μια σημαντική ανακάλυψη: αντιπροσωπεύστε τον αραιό πίνακα αξιολόγησης χρήστη-αντικειμένου ως το γινόμενο δύο μικρότερων πινάκων λανθάνοντων παραγόντων, έτσι ώστε κάθε χρήστης και στοιχείο να γίνεται ένα σύντομο διάνυσμα. Το γινόμενο κουκίδων ενός διανύσματος χρήστη και αντικειμένου προβλέπει τη βαθμολογία. Τα μοντέλα Deep επεκτείνουν αυτό με νευρωνικό συνεργατικό φιλτράρισμα και αρχιτεκτονικές δύο πύργων που ανακτούν τους υποψηφίους γρήγορα και, στη συνέχεια, ένα μοντέλο κατάταξης τους βαθμολογεί. Η ψυχρή εκκίνηση, η πρόταση για ολοκαίνουριους χρήστες ή αντικείμενα, παραμένει μια επίμονη πρόκληση.
Στρατηγικός αντίκτυπος
Δημιουργήστε επιλογές
Ο σχεδιασμός σε επίπεδο εφαρμογής καθορίζει εάν η τεχνητή νοημοσύνη βελτιώνει τα πραγματικά αποτελέσματα.
Ομάδα και ροή εργασίας
Η καλή ενσωμάτωση ροής εργασιών δημιουργεί κέρδη παραγωγικότητας που μπορούν να εμπιστευτούν οι χρήστες.
Κίνδυνος και ασφάλεια
Οι καλές περιπτώσεις χρήσης μειώνουν την κόπωση λόγω αλλαγής και τον κίνδυνο εφαρμογής.
Το μέλλον της τεχνητής νοημοσύνης στα συστήματα συστάσεων
Οι προτεινόμενοι γίνονται περισσότερο συναφείς και συνομιλητές. Τα μεγάλα μοντέλα γλώσσας σάς επιτρέπουν να ζητάτε προτάσεις σε φυσική γλώσσα και να εξηγείτε γιατί επιλέχθηκε κάτι, ενώ τα πολυτροπικά μοντέλα συλλογίζονται μαζί με κείμενο, εικόνες, ήχο και βίντεο. Αναμένετε μεγαλύτερη έμφαση στη μακροπρόθεσμη ικανοποίηση έναντι των ακατέργαστων κλικ, καθώς και ρύθμιση που πιέζει για διαφάνεια και έλεγχο από τον χρήστη στον αλγόριθμο. Οι τεχνικές διατήρησης του απορρήτου, όπως η επί της συσκευής και η ομοσπονδιακή σύσταση, αυξάνονται επίσης.
Υλοποίηση σε πραγματικό κόσμο
Το Netflix προτείνει εκπομπές και ακόμη και προσαρμόζει τα έργα τέχνης μικρογραφιών με βάση το ιστορικό προβολής σας
Το Discover Weekly του Spotify δημιουργεί μια εξατομικευμένη λίστα αναπαραγωγής από συνεργατικό φιλτράρισμα σε ακροατές με παρόμοιο γούστο
Οι «πελάτες που το αγόρασαν» της Amazon αγόρασαν επίσης και οι προτάσεις προϊόντων της αρχικής σελίδας οδηγούν σε μεγάλο μερίδιο πωλήσεων
Η σελίδα For You του TikTok μαθαίνει γρήγορα τις προτιμήσεις από τον χρόνο παρακολούθησης, τις επαναλήψεις και τις παραλείψεις στην κατάταξη σύντομων βίντεο
Κίνδυνοι & προστατευτικά κιγκλιδώματα
Η αυτοματοποίηση μιας διαλυμένης διαδικασίας μπορεί να ενισχύσει τα υπάρχοντα προβλήματα.
Οι ομάδες μπορεί να αυτοματοποιήσουν υπερβολικά και να αφαιρέσουν την απαραίτητη ανθρώπινη κρίση.
Η ποιότητα μπορεί να αλλάξει αν τα αποτελέσματα δεν αξιολογούνται συνεχώς.
Οδικός Χάρτης Εφαρμογής
Χαρτογραφήστε την τρέχουσα ροή εργασίας και εντοπίστε το βήμα της υψηλότερης τριβής.
Καθορίστε ανθρώπινα σημεία ελέγχου πριν από την πλήρη αυτοματοποίηση.
Εκπαιδεύστε τους χρήστες σε προτροπές, διαδρομές κλιμάκωσης και πρότυπα ποιότητας.
Παρακολουθήστε τα αποτελέσματα σε επίπεδο εργασίας για να επιβεβαιώσετε τη σταθερή αξία.
Συνεχίστε την εξερεύνηση
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
Επόμενος οδηγός
Συστήματα συστάσεων AI
Συχνές ερωτήσεις
What is AI in Recommendation Systems?
Τα συστήματα συστάσεων είναι το AI που επιλέγει αθόρυβα τι θα παρακολουθήσετε, θα αγοράσετε και θα πραγματοποιήσετε κύλιση στη συνέχεια. Αποφέρουν τεράστιο μερίδιο αφοσίωσης και εσόδων σε εταιρείες όπως το Netflix, το Amazon, το YouTube και το Spotify.
Σε τι βασίζεται το συνεργατικό φιλτράρισμα;
Το συνεργατικό φιλτράρισμα βρίσκει χρήστες με παρόμοια γούστα και προτείνει ό,τι τους άρεσε, την ιδέα «άρεσαν και στους ανθρώπους σαν εσάς».
Τι χρησιμοποιεί το φιλτράρισμα βάσει περιεχομένου για την υποβολή προτάσεων;
Το φιλτράρισμα βάσει περιεχομένου αντιστοιχίζει τα χαρακτηριστικά των στοιχείων με τα χαρακτηριστικά των πραγμάτων που σας άρεσαν στο παρελθόν.
Ποιο πρόβλημα λύνει η παραγοντοποίηση μήτρας στους συστάσεις;
Η παραγοντοποίηση μήτρας αποσυνθέτει τον πίνακα βαθμολόγησης σε μικρά διανύσματα χρηστών και αντικειμένων των οποίων το γινόμενο κουκίδων προβλέπει αξιολογήσεις.
Ποιο είναι το πρόβλημα της «ψυχρής εκκίνησης»;
Η ψυχρή εκκίνηση είναι η πρόκληση να κάνεις καλές συστάσεις όταν υπάρχουν λίγα ή καθόλου δεδομένα για έναν νέο χρήστη ή ένα νέο στοιχείο.
Ποιος ανταγωνισμός βοήθησε στη διάδοση της έρευνας συστάσεων;
Το 1 εκατομμύριο $ Netflix Prize προκάλεσε τις ομάδες να βελτιώσουν τις προβλέψεις αξιολόγησης και ώθησε σημαντικές προόδους στον τομέα.