ШІ в системах рекомендацій
Системи рекомендацій — це штучний інтелект, який спокійно вибирає, що ви дивитеся, купуєте та прокручуєте далі.
Огляд
They drive a huge share of engagement and revenue at companies like Netflix, Amazon, YouTube, and Spotify.
Глибоке занурення
Робота рекомендувача полягає в тому, щоб передбачити, що користувач захоче від величезного каталогу. Два класичні підходи – це спільне фільтрування, яке знаходить шаблони між користувачами («людям, як ви, також це сподобалося»), і фільтрування на основі вмісту, яке зіставляє характеристики предметів із вашими минулими уподобаннями. Сучасні системи поєднують це та додають глибоке навчання: нейронні мережі вивчають щільні вбудовування для користувачів і предметів, тому схожі смаки знаходяться поруч один з одним у векторному просторі. Netflix популяризував сферу завдяки своєму призу в 1 мільйон доларів, і сьогодні ці системи забезпечують канал YouTube, пропозиції продуктів Amazon, Discover Weekly Spotify і сторінку For You TikTok. Вони також є джерелом занепокоєння, оскільки оптимізація виключно для взаємодії може створити бульбашки фільтрів і посилити залежність або поляризацію вмісту.
Технічне розуміння
Матрична факторизація стала проривом: представити розріджену матрицю оцінки елементів користувача як добуток двох менших матриць прихованих факторів, таким чином кожен користувач і елемент стають коротким вектором. Скалярний добуток вектора користувача та елемента передбачає рейтинг. Глибокі моделі розширюють це за допомогою нейронної спільної фільтрації та двобаштової архітектури, яка швидко отримує кандидатів, а потім рейтингова модель оцінює їх. Холодний запуск, рекомендований для абсолютно нових користувачів або предметів, залишається впертою проблемою.
Стратегічний вплив
Створіть вибір
Розробка на рівні програми визначає, чи покращує ШІ реальні результати.
Команда та робочий процес
Хороша інтеграція робочого процесу підвищує продуктивність, якій користувачі довіряють.
Ризики та безпека
Добре розроблені варіанти використання зменшують втому від змін і ризик впровадження.
Майбутнє ШІ в системах рекомендацій
Рекомендації стають більш контекстними та розмовними. Великі мовні моделі дозволяють запитувати пропозиції природною мовою та пояснювати, чому щось було вибрано, тоді як мультимодальні моделі обговорюють текст, зображення, аудіо та відео разом. Очікуйте більшого акценту на довгостроковому задоволенні над необробленими клацаннями, а також регулювання, що наполягає на прозорості та контролі користувачів над алгоритмом. Методи збереження конфіденційності, такі як на пристрої та федеративні рекомендації, також зростають.
Реалізація в реальному світі
Netflix пропонує шоу та навіть налаштовує мініатюри на основі вашої історії переглядів
Spotify's Discover Weekly створює персоналізований список відтворення на основі спільної фільтрації серед слухачів зі схожими смаками
«Клієнти, які купили це, також купили» Amazon, а також рекомендації продуктів на домашній сторінці сприяють великій частці продажів
Сторінка TikTok для вас швидко вивчає налаштування за часом перегляду, повторами та пропусками, щоб класифікувати короткі відео
Ризики та огорожі
Автоматизація несправного процесу може посилити існуючі проблеми.
Команди можуть надмірно автоматизувати роботу й усунути необхідне людське судження.
Якість може погіршуватися, якщо результати не оцінюються постійно.
Дорожня карта впровадження
Намалюйте поточний робочий процес і визначте крок із найбільшим тертям.
Визначте контрольні точки людини перед повною автоматизацією.
Навчіть користувачів підказкам, шляхам ескалації та стандартам якості.
Відстежуйте результати на рівні завдання, щоб підтвердити постійну цінність.
Продовжуйте досліджувати
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
Наступний посібник
Системи рекомендацій ШІ
Часті запитання
What is AI in Recommendation Systems?
Системи рекомендацій — це штучний інтелект, який спокійно вибирає, що ви дивитеся, купуєте та прокручуєте далі. Вони забезпечують величезну частку залучення та доходів таких компаній, як Netflix, Amazon, YouTube і Spotify.
На чому заснована спільна фільтрація?
Спільна фільтрація знаходить користувачів зі схожими смаками та рекомендує те, що їм сподобалося, ідея «таким людям, як ви, також сподобалося».
Що використовує фільтрація на основі вмісту для надання рекомендацій?
Фільтрування на основі вмісту зіставляє атрибути предметів із характеристиками речей, які вам раніше сподобалися.
Яку проблему вирішує матрична факторізація в рекомендаціях?
Матрична факторізація розкладає матрицю рейтингів на невеликі вектори користувачів і предметів, скалярний добуток яких передбачає оцінки.
Що таке проблема «холодного запуску»?
Холодний запуск — це проблема створення хороших рекомендацій, коли даних про нового користувача або елемент мало або взагалі немає.
Який конкурс допоміг популяризувати дослідження рекомендацій?
Премія Netflix у розмірі 1 мільйона доларів США поставила перед командами завдання покращити свої прогнози рейтингу та сприяла значному прогресу в цій галузі.