AI ในระบบการแนะนำ
ระบบแนะนำคือ AI เลือกสิ่งที่คุณดู ซื้อ และเลื่อนต่อไปอย่างเงียบๆ
ภาพรวม
They drive a huge share of engagement and revenue at companies like Netflix, Amazon, YouTube, and Spotify.
เจาะลึก
งานของผู้แนะนำคือการคาดเดาสิ่งที่ผู้ใช้ต้องการจากแค็ตตาล็อกอันกว้างใหญ่ แนวทางคลาสสิกสองวิธีคือการกรองร่วมกัน ซึ่งจะค้นหารูปแบบจากผู้ใช้ ('คนเช่นคุณก็ชอบสิ่งนี้ด้วย') และการกรองตามเนื้อหา ซึ่งจับคู่คุณลักษณะของรายการกับการตั้งค่าในอดีตของคุณ ระบบสมัยใหม่ผสมผสานสิ่งเหล่านี้เข้าด้วยกันและเพิ่มการเรียนรู้เชิงลึก: โครงข่ายประสาทเทียมเรียนรู้การฝังที่หนาแน่นสำหรับผู้ใช้และรายการต่าง ๆ เพื่อให้รสนิยมที่คล้ายกันอยู่ใกล้กันในพื้นที่เวกเตอร์ Netflix ทำให้วงการนี้ได้รับความนิยมด้วยรางวัล 1 ล้านเหรียญ และในปัจจุบันระบบเหล่านี้ขับเคลื่อนฟีดของ YouTube, คำแนะนำผลิตภัณฑ์ของ Amazon, Discover Weekly ของ Spotify และเพจ For You ของ TikTok นอกจากนี้ยังเป็นสาเหตุของความกังวลอีกด้วย เนื่องจากการเพิ่มประสิทธิภาพเพื่อการมีส่วนร่วมเพียงอย่างเดียวสามารถสร้างฟองกรองและขยายเนื้อหาที่น่าดึงดูดหรือแบ่งขั้วได้
ข้อมูลเชิงลึกทางเทคนิค
การแยกตัวประกอบเมทริกซ์ถือเป็นความก้าวหน้าครั้งสำคัญ โดยนำเสนอเมทริกซ์การให้คะแนนรายการผู้ใช้แบบกระจัดกระจายเป็นผลคูณของเมทริกซ์ปัจจัยแฝงที่มีขนาดเล็กกว่าสองตัว ดังนั้นผู้ใช้และรายการแต่ละรายการจึงกลายเป็นเวกเตอร์แบบสั้น ดอทโปรดัคของผู้ใช้และเวกเตอร์รายการจะทำนายการให้คะแนน โมเดลเชิงลึกขยายขอบเขตนี้ด้วยการกรองการทำงานร่วมกันของระบบประสาทและสถาปัตยกรรมแบบสองทาวเวอร์ที่ดึงข้อมูลผู้สมัครได้อย่างรวดเร็ว จากนั้นโมเดลการจัดอันดับจะให้คะแนน การสตาร์ทเย็นซึ่งแนะนำสำหรับผู้ใช้หรือสินค้าใหม่ยังคงเป็นความท้าทายที่ดื้อรั้น
ผลกระทบเชิงกลยุทธ์
สร้างทางเลือก
การออกแบบระดับแอปพลิเคชันจะกำหนดว่า AI จะปรับปรุงผลลัพธ์ที่แท้จริงหรือไม่
ทีมงานและขั้นตอนการทำงาน
การบูรณาการขั้นตอนการทำงานที่ดีจะช่วยเพิ่มผลผลิตที่ผู้ใช้ไว้วางใจได้
ความเสี่ยงและความปลอดภัย
กรณีการใช้งานที่มีขอบเขตดีจะช่วยลดความเหนื่อยล้าของการเปลี่ยนแปลงและความเสี่ยงในการดำเนินการ
อนาคตของ AI ในระบบการแนะนำ
ผู้แนะนำมีบริบทและการสนทนามากขึ้น โมเดลภาษาขนาดใหญ่ช่วยให้คุณสามารถขอคำแนะนำในภาษาธรรมชาติและอธิบายว่าทำไมจึงมีการเลือกบางอย่าง ในขณะที่โมเดลหลายรูปแบบใช้เหตุผลกับข้อความ รูปภาพ เสียง และวิดีโอร่วมกัน คาดว่าจะเน้นไปที่ความพึงพอใจในระยะยาวมากกว่าการคลิกแบบ Raw บวกกับกฎระเบียบที่ผลักดันเพื่อความโปร่งใสและการควบคุมอัลกอริทึมโดยผู้ใช้ เทคนิคการรักษาความเป็นส่วนตัว เช่น บนอุปกรณ์และคำแนะนำแบบรวมศูนย์ก็กำลังเพิ่มขึ้นเช่นกัน
การใช้งานจริงในโลกแห่งความเป็นจริง
Netflix แนะนำรายการและแม้แต่ปรับแต่งอาร์ตเวิร์คภาพขนาดย่อตามประวัติการรับชมของคุณ
Discover Weekly ของ Spotify สร้างเพลย์ลิสต์ส่วนตัวจากการกรองผู้ฟังที่มีรสนิยมคล้ายกัน
'ลูกค้าที่ซื้อสิ่งนี้ก็ซื้อ' ของ Amazon และคำแนะนำผลิตภัณฑ์ในหน้าแรกทำให้เกิดส่วนแบ่งยอดขายจำนวนมาก
หน้า For You ของ TikTok เรียนรู้อย่างรวดเร็วเกี่ยวกับการตั้งค่าจากเวลาในการรับชม เล่นซ้ำ และการข้ามไปยังจัดอันดับวิดีโอสั้น ๆ
ความเสี่ยงและรั้ว
การทำให้กระบวนการที่เสียหายเป็นอัตโนมัติสามารถขยายปัญหาที่มีอยู่ได้
ทีมอาจดำเนินการอัตโนมัติมากเกินไปและลบวิจารณญาณของมนุษย์ที่จำเป็นออก
คุณภาพอาจคลาดเคลื่อนได้หากไม่ได้รับการประเมินผลลัพธ์อย่างต่อเนื่อง
แผนงานการดำเนินงาน
แมปขั้นตอนการทำงานปัจจุบันและระบุขั้นตอนที่มีแรงเสียดทานสูงสุด
กำหนดจุดตรวจของมนุษย์ก่อนระบบอัตโนมัติเต็มรูปแบบ
ฝึกอบรมผู้ใช้เกี่ยวกับการแจ้งเตือน เส้นทางการยกระดับ และมาตรฐานคุณภาพ
ติดตามผลลัพธ์ระดับงานเพื่อยืนยันคุณค่าที่ยั่งยืน
สำรวจต่อไป
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
คำแนะนำต่อไป
ระบบแนะนำ AI
คำถามที่พบบ่อย
What is AI in Recommendation Systems?
ระบบแนะนำคือ AI เลือกสิ่งที่คุณดู ซื้อ และเลื่อนต่อไปอย่างเงียบๆ พวกเขาผลักดันส่วนแบ่งมหาศาลของการมีส่วนร่วมและรายได้ให้กับบริษัทต่างๆ เช่น Netflix, Amazon, YouTube และ Spotify
การกรองร่วมกันมีพื้นฐานมาจากอะไร?
การกรองแบบร่วมมือกันค้นหาผู้ใช้ที่มีรสนิยมคล้ายกัน และแนะนำสิ่งที่พวกเขาชอบ แนวคิด 'คนแบบคุณก็ชอบเช่นกัน'
การกรองตามเนื้อหาใช้อะไรในการให้คำแนะนำ
การกรองตามเนื้อหาจะจับคู่แอตทริบิวต์ของรายการกับคุณลักษณะของสิ่งที่คุณชอบก่อนหน้านี้
การแยกตัวประกอบเมทริกซ์แก้ปัญหาอะไรในตัวแนะนำ?
การแยกตัวประกอบเมทริกซ์จะแยกเมทริกซ์การให้คะแนนออกเป็นเวกเตอร์ผู้ใช้ขนาดเล็กและเวกเตอร์รายการ ซึ่งดอทโปรดัคจะทำนายการให้คะแนน
ปัญหา 'สตาร์ทเย็น' คืออะไร?
Cold Start เป็นความท้าทายในการให้คำแนะนำที่ดีเมื่อมีข้อมูลเพียงเล็กน้อยหรือไม่มีเลยเกี่ยวกับผู้ใช้หรือรายการใหม่
การแข่งขันใดที่ช่วยเผยแพร่การวิจัยข้อเสนอแนะ?
รางวัล Netflix มูลค่า 1 ล้านเหรียญสหรัฐท้าทายให้ทีมต่างๆ ปรับปรุงการทำนายอันดับและกระตุ้นให้เกิดความก้าวหน้าครั้งใหญ่ในสาขานี้