Как большие данные влияют на нашу жизнь за кулисами.
Автор: Джон Кэмерон
TL;DR
Механизмы рекомендаций (системы рекомендаций) стали повсеместными в обществе, влияя на наши решения на всех уровнях. Сюда входят фильмы, которые мы смотрим, одежда, которую мы заказываем, и даже музыка, которую мы слушаем. По своей сути эти алгоритмы используют аналитику на основе пользователей и элементов, чтобы делать прогнозы относительно того, что еще может понравиться пользователю. Их можно разрабатывать как с конкретными функциями, так и без них, в зависимости от используемой модели, благодаря возможностям машинного обучения и больших данных.
Разбивка
- Мы живем в мире постоянно растущего выбора: от 32 000 часов контента, доступного для просмотра на Netflix, до 87 000 возможных комбинаций напитков, которые можно заказать в Starbucks, или 10 миллионов электронных книг, доступных для чтения на Kindle.
- Это привело к тому, что многие психологи называют парадоксом выбора, — к идее о том, что, несмотря на типичную связь выбора со свободой или благополучием, тоже самое большой выбор может вызвать чувство уменьшения счастья и/или удовлетворения
- Именно здесь вступает в игру полезность систем рекомендаций (также известных как системы рекомендаций).
- Технология, которая сегодня, без сомнения, стала повсеместной в нашем обществе, помогает нам диктовать все, от куда вкладывать деньгидо какой фильм смотреть, с такими именами, как YouTube, Amazon, Tiktok и Spotify в авангарде ведущих рекомендательных систем в отрасли
- Эти системы функционируют за счет сбора, обработки и анализа данных, полученных от пользователей. Яркий пример этого можно увидеть в плейлисте Discover Weekly от Spotify, рекомендательной системе, которая использует такие конкретные данные, как темп и громкость вашей библиотеки, чтобы рекомендовать музыку, которая может вам понравиться. (и на самом деле часто лайкают, поскольку более 2,3 миллиарда часов Discover было транслировано на Spotify за последние 5 лет)
Технология
- По своей сути рекомендательная система построена с целью предлагать релевантные элементы пользователям, процесс, который обычно выполняется одним из двух способов: либо с помощью совместной фильтрации, либо с помощью методов, основанных на содержании
- Совместная фильтрация полностью основана на прошлых взаимодействиях пользователей с событиями, начиная от товаров, добавленных в корзину, и заканчивая воспроизведенными или пропущенными песнями. Все эти данные хранятся в так называемой «матрице взаимодействия с пользователем». Это представляет собой основное преимущество возможности находить ассоциации без необходимости в информации о конкретном пользователе или событии.
- Хотя совместная фильтрация представляет собой огромное количество вариантов использования, в конечном итоге она не может преодолеть определенные ограничения, особенно когда речь идет о рекомендациях новым пользователям или рекомендации новых элементов, поскольку в начале просто слишком мало взаимодействий. эффективно с ними справляться
- Одним из обходных путей является использование несовместного, подхода, основанного на содержании, который принимает дополнительную информацию о пользователях, начиная от возраста, пола, работы и любой другой личной информации.
- В этом случае цель состоит в том, чтобы построить и обучить модель с помощью функций, из которых состоит каждый человек или объект, а не совокупности указанных пользовательских элементов как отдельного объекта.
Значение
- Системы рекомендаций никуда не денутся и уже вносят огромный вклад в выбор, который мы делаем в жизни. Возьмите Amazon и Netflix, которые используют возможности машинного обучения с помощью систем рекомендаций для получения колоссальной прибыли от своей пользовательской базы.
- 35 % того, что потребители покупают на Amazon, и 75 % того, что они смотрят на Netflix, приходятся на рекомендации продуктов, основанные на таких алгоритмах
- Понимая базовую функциональность, полезность и известность этих форм ИИ, мы можем не только легче распознавать и ценить их на протяжении всей нашей жизни, но и концептуализировать другие приложения технологии (например, OWL). интегрированная система рекомендаций, которая предоставляет ежедневные рекомендации по работе, которую необходимо выполнять, чтобы идти в ногу с содержанием курса на основе введенных пользователем желаний)
Дополнительная информация
Spotify, машинное обучение и рекомендательные системы
Введение в рекомендательные системы
