AI w systemach rekomendacji
Systemy rekomendacji to sztuczna inteligencja, która po cichu wybiera, co oglądasz, kupujesz i przewijasz dalej.
Przegląd
They drive a huge share of engagement and revenue at companies like Netflix, Amazon, YouTube, and Spotify.
Głębokie nurkowanie
Zadaniem rekomendującego jest przewidzenie, czego użytkownik będzie chciał od obszernego katalogu. Dwa klasyczne podejścia to filtrowanie oparte na współpracy, które wyszukuje wzorce wśród użytkowników („osobom takim jak Ty też to się podobało”), oraz filtrowanie oparte na treści, które dopasowuje cechy elementu do Twoich wcześniejszych preferencji. Nowoczesne systemy łączą te elementy i dodają głębokie uczenie się: sieci neuronowe uczą się gęstego osadzania użytkowników i przedmiotów, dzięki czemu podobne gusta znajdują się blisko siebie w przestrzeni wektorowej. Netflix spopularyzował tę dziedzinę, przyznając nagrodę w wysokości 1 miliona dolarów, a dziś systemy te zasilają kanał YouTube, sugestie produktów Amazon, Discover Weekly Spotify i stronę Dla Ciebie TikTok. Są one również źródłem niepokoju, ponieważ optymalizacja wyłącznie pod kątem zaangażowania może stworzyć bańki filtrujące i wzmocnić uzależniające lub polaryzujące treści.
Wgląd techniczny
Przełomem była faktoryzacja macierzy: przedstaw rzadką macierz ocen pozycji użytkownika jako iloczyn dwóch mniejszych macierzy czynników ukrytych, dzięki czemu każdy użytkownik i przedmiot stają się krótkim wektorem. Iloczyn skalarny wektora użytkownika i elementu przewiduje ocenę. Głębokie modele rozszerzają to o neuronowe filtrowanie współpracy i architektury dwuwieżowe, które szybko wyszukują kandydatów, a następnie oceniają ich za pomocą modelu rankingowego. Zimny start, polecanie nowym użytkownikom lub nowym produktom pozostaje uporczywym wyzwaniem.
Wpływ strategiczny
Buduj wybory
Projektowanie na poziomie aplikacji określa, czy sztuczna inteligencja poprawia rzeczywiste wyniki.
Zespół i przepływ pracy
Dobra integracja przepływu pracy zapewnia wzrost produktywności, któremu użytkownicy mogą zaufać.
Ryzyko i bezpieczeństwo
Dobrze określone przypadki użycia zmniejszają zmęczenie zmianami i ryzyko wdrożenia.
Przyszłość AI w systemach rekomendacji
Osoby polecające stają się coraz bardziej kontekstowe i konwersacyjne. Duże modele językowe pozwalają prosić o sugestie w języku naturalnym i wyjaśniać, dlaczego coś zostało wybrane, podczas gdy modele multimodalne uzasadniają łącznie tekst, obrazy, dźwięk i wideo. Spodziewaj się większego nacisku na długoterminową satysfakcję w stosunku do samych kliknięć, a także przepisów naciskających na przejrzystość i kontrolę użytkownika nad algorytmem. Coraz popularniejsze stają się także techniki chroniące prywatność, takie jak rekomendacje na urządzeniu i rekomendacje federacyjne.
Implementacja w świecie rzeczywistym
Netflix sugeruje programy, a nawet dostosowuje grafikę miniatur na podstawie Twojej historii oglądania
Discover Weekly Spotify tworzy spersonalizowaną playlistę na podstawie wspólnego filtrowania wśród słuchaczy o podobnych gustach
„Klienci, którzy to kupili” Amazona, kupili także” oraz rekomendacje produktów na stronie głównej firmy Amazon, które generują duży udział w sprzedaży
Strona Dla Ciebie TikToka szybko uczy się preferencji na podstawie czasu oglądania, powtórek i przeskoków w celu rankingu krótkich filmów
Zagrożenia i poręcze
Automatyzacja uszkodzonego procesu może spotęgować istniejące problemy.
Zespoły mogą nadmiernie zautomatyzować i wyeliminować niezbędny ludzki osąd.
Jakość może się wahać, jeśli wyniki nie są stale oceniane.
Plan wdrożenia
Zamapuj bieżący przepływ pracy i zidentyfikuj etap o największym tarciu.
Zdefiniuj ludzkie punkty kontrolne przed pełną automatyzacją.
Szkoluj użytkowników w zakresie podpowiedzi, ścieżek eskalacji i standardów jakości.
Śledź wyniki na poziomie zadań, aby potwierdzić trwałą wartość.
Odkrywaj dalej
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
Następny poradnik
Systemy rekomendacji AI
Często zadawane pytania
What is AI in Recommendation Systems?
Systemy rekomendacji to sztuczna inteligencja, która po cichu wybiera, co oglądasz, kupujesz i przewijasz dalej. Generują ogromną część zaangażowania i przychodów takich firm jak Netflix, Amazon, YouTube i Spotify.
Na czym opiera się filtrowanie kooperacyjne?
Filtrowanie oparte na współpracy znajduje użytkowników o podobnych gustach i rekomenduje to, co im się podobało, zgodnie z koncepcją „osoby takie jak Ty też lubiły”.
Czego używa filtrowanie oparte na treści do tworzenia rekomendacji?
Filtrowanie oparte na treści dopasowuje atrybuty przedmiotu do cech rzeczy, które wcześniej Ci się podobały.
Jaki problem rozwiązuje faktoryzacja macierzy u rekomendatorów?
Faktoryzacja macierzy rozkłada macierz ocen na małe wektory użytkowników i elementów, których iloczyn skalarny przewiduje oceny.
Na czym polega problem „zimnego startu”?
Zimny start to wyzwanie polegające na stworzeniu dobrych rekomendacji, gdy jest niewiele danych o nowym użytkowniku lub przedmiocie lub nie ma ich wcale.
Jaki konkurs pomógł spopularyzować badania rekomendacyjne?
Nagroda Netflix o wartości 1 miliona dolarów stanowiła wyzwanie dla zespołów, aby ulepszyły prognozy ocen, i przyczyniła się do znacznych postępów w tej dziedzinie.