Με ρητά σχόλια, η τεχνητή νοημοσύνη χρειάζεται λιγότερα δεδομένα από ό,τι νομίζετε

Όλοι έχουμε καταλάβει ότι η τεχνητή νοημοσύνη και η μηχανική μάθηση είναι η μαγική σάλτσα που τροφοδοτεί τις καταναλωτικές ιδιότητες στο Διαδίκτυο μεγάλης κλίμακας. Το Facebook, το Amazon και το Instacart διαθέτουν τεράστια σύνολα δεδομένων και τεράστιο αριθμό χρηστών. Η κοινή σοφία υποδηλώνει ότι αυτό το πλεονέκτημα κλίμακας είναι μια ισχυρή ανταγωνιστική τάφρο. Επιτρέπει πολύ καλύτερη εξατομίκευση, προτάσεις και, τελικά, καλύτερη εμπειρία χρήστη. Σε αυτό το άρθρο, θα σας δείξω ότι αυτή η τάφρο είναι πιο ρηχή από όσο φαίνεται. και ότι οι εναλλακτικές προσεγγίσεις για την εξατομίκευση μπορούν να παράγουν εξαιρετικά αποτελέσματα χωρίς να βασίζονται σε δισεκατομμύρια σημεία δεδομένων.

Τα περισσότερα από τα σημερινά δεδομένα χρηστών προέρχονται από σιωπηρές συμπεριφορές

Πώς καταλαβαίνουν το Instagram και το TikTok τι σας αρέσει και τι δεν σας αρέσει; Σίγουρα, υπάρχουν ξεκάθαρα σημάδια — likes και σχόλια. Αλλά η συντριπτική πλειοψηφία των αλληλεπιδράσεών σας δεν είναι αυτές. Είναι η συμπεριφορά κύλισης, τα κλικ „διαβάστε περισσότερα“ και οι αλληλεπιδράσεις βίντεο. Οι χρήστες καταναλώνουν πολύ περισσότερο περιεχόμενο από αυτό που παράγουν. βασικοί παράγοντες που χρησιμοποιούν οι πλατφόρμες μέσων κοινωνικής δικτύωσης για να καθορίσουν τι σας άρεσε και τι δεν σας άρεσε βασίζονται σε αυτά τα στοιχεία. Καταργήσατε τη σίγαση αυτού του βίντεο Instagram και το παρακολουθήσατε για 30 δευτερόλεπτα; Το Instagram μπορεί να συμπεράνει ότι σας ενδιαφέρει. Κάνατε κύλιση πέρα ​​από αυτό για παράβλεψη; Εντάξει, όχι τόσο.

Ακολουθεί μια βασική ερώτηση, όμως: Το Instagram ξέρει Γιατί το καταργήσατε τη σίγαση Γάτα πάνω σε μοτοσυκλέτα βίντεο? Φυσικά, δεν το κάνουν — απλώς παρατήρησαν τη συμπεριφορά, αλλά όχι την Γιατί πίσω από αυτό. Μπορεί να είδατε ένα οικείο πρόσωπο στο πρώτο καρέ και να θέλατε να δείτε περισσότερα. Ή επειδή ασχολείσαι με τις μοτοσυκλέτες. Ή σε γάτες. Ή κάνατε κλικ κατά λάθος. Δεν μπορούν να γνωρίζουν λόγω της δομής της εμπειρίας χρήστη και των προσδοκιών του πελάτη. Ως εκ τούτου, για να καταλάβουν αν ήταν οι γάτες, οι μοτοσικλέτες ή κάτι εντελώς άσχετο, πρέπει να παρατηρήσουν πολύ περισσότερες από τις συμπεριφορές σας. Θα σας δείξουν βίντεο με μοτοσικλέτες και ξεχωριστά, βίντεο με γάτες, και αυτό μπορεί να σας βοηθήσει να αυξήσετε την αυτοπεποίθησή τους λίγο περισσότερο.

Για να προσθέσετε σε αυτό το ζήτημα, η πλατφόρμα δεν εντοπίζει μόνο «γάτες» και «μοτοσικλέτες» σε αυτό το βίντεο — υπάρχουν δεκάδες, αν όχι εκατοντάδες, λειτουργίες που μπορεί να εξηγήσουν γιατί σας ενδιέφερε. Εάν δεν υπάρχει ταξινόμηση που να καθορίζει καλά τον χώρο, μια προσέγγιση βαθιάς μάθησης που δεν απαιτεί ταξινόμηση (δηλαδή ορισμό χαρακτηριστικών) χρειάζεται τάξεις μεγέθους περισσότερα δεδομένα.

Προώθηση των αλληλεπιδράσεων ανθρώπου-υπολογιστή

Μπορείτε να δείτε πόσο εύθραυστη και απαιτητική για δεδομένα είναι αυτή η προσέγγιση — και όλα αυτά επειδή βασίζεται σε έμμεσα συμπεράσματα συμπεριφοράς.

Ας αξιολογήσουμε μια εναλλακτική προσέγγιση για την κατανόηση της πρόθεσης του χρήστη με μια αναλογία. Φανταστείτε μια κοινωνική αλληλεπίδραση όπου το άτομο Α δείχνει αυτό το ίδιο βίντεο στο άτομο Β. Εάν το άτομο Β λέει απλώς „αυτό είναι υπέροχο“, μπορεί ο Α να συμπεράνει πολλά για τις προτιμήσεις του Β; Οχι πολύ. Τι θα συμβεί αν αντ ‚αυτού, ο Α σκάβει με το „Τι θα σου άρεσε;“ Πολλά μπορούν να συναχθούν από την απάντηση σε αυτό το ερώτημα.

Πώς μπορεί αυτή η αλληλεπίδραση να μεταφραστεί στον κόσμο των αλληλεπιδράσεων ανθρώπου-υπολογιστή;

Ρητά σχόλια: Απλώς ρωτήστε τον χρήστη!

Ας δούμε το rideshare. Μια βασική απαίτηση σε αυτήν την επιχείρηση είναι να διασφαλιστεί η ποιότητα των οδηγών. ένας οδηγός που δημιουργεί μια κακή εμπειρία αναβάτη πρέπει να αποβληθεί γρήγορα από το σύστημα, διαφορετικά μπορεί να είναι αρκετά επιζήμιοι για την εταιρεία. Έτσι, εμφανίστηκε ένα πολύ απλό μοντέλο: η Uber ζητούσε από τον χρήστη να βαθμολογήσει τον οδηγό μετά από κάθε βόλτα. Βαθμολογία κάτω από 4,6 διώχνει τον οδηγό από το σύστημα Uber.

Και όμως, η πρόσληψη και η επιβίβαση οδηγών είναι μια δαπανηρή προσπάθεια. με μπόνους Μέχρι και $1.000 για ένα νέο πρόγραμμα οδήγησης Uber, είναι αρκετά αναποτελεσματικό να απολύονται οι οδηγοί για παραβάσεις που θα μπορούσαν εύκολα να αντιμετωπίσουν.

Σε ένα μοντέλο που βασίζεται σε βαθμολογία από ένα έως πέντε αστέρια, ο οδηγός είναι είτε «βασικά τέλειος» ή «τελικά απολύεται». Αυτή η έλλειψη αποχρώσεων είναι κακή για τις επιχειρήσεις. Τι θα συμβεί αν ένας οδηγός διαπράξει μια πολύ διορθωμένη παράβαση ότι τρώει τακτικά στο αυτοκίνητό του, και ως εκ τούτου, το αυτοκίνητό του μυρίζει για λίγες ώρες μετά το μεσημεριανό γεύμα; Μακάρι να υπήρχε κάποιος τρόπος για να το υποδείξουν οι αναβάτες στα σχόλιά τους και ο αγνοούμενος οδηγός να το μάθει…

Αυτό ακριβώς επιδίωξε η Uber στη δεύτερη επανάληψη του συστήματος ανατροφοδότησης. Κάθε φορά που ένας αναβάτης βαθμολογεί ένα ταξίδι με τέσσερα αστέρια ή χαμηλότερα, αυτοί είναι απαιτείται για να επιλέξετε έναν λόγο από μια αναπτυσσόμενη λίστα. Ένας από αυτούς τους λόγους είναι η «μυρωδιά αυτοκινήτου». Αν μια χούφτα αναβάτες — από τις δεκάδες βόλτες που κάνει ένας οδηγός! — παρέχουν σαφή ανατροφοδότηση της μυρωδιάς του αυτοκινήτου, ο οδηγός μπορεί να ενημερωθεί και να το διορθώσει.

Ποια είναι τα βασικά χαρακτηριστικά αυτής της δραματικά πιο αποτελεσματικής προσέγγισης;

• Καθορισμένη ταξινόμηση: Οι ειδικοί της εμπειρίας αναβάτη της Uber καθόρισαν διαφορετικές διαστάσεις της εμπειρίας αναβάτη. Ποιοι είναι οι λόγοι που ένας αναβάτης μπορεί να είναι δυστυχισμένος μετά από μια βόλτα; Η μυρωδιά του αυτοκινήτου είναι μία. υπάρχουν μισή ντουζίνα οι υπολοιποι. Αυτός ο ακριβής ορισμός είναι δυνατός επειδή ο χώρος προβλημάτων είναι περιορισμένος και κατανοητός από την Uber. Αυτοί οι λόγοι δεν θα ήταν σχετικοί με την παράδοση φαγητού ή τα βίντεο στο YouTube. Το να κάνετε τις σωστές ερωτήσεις είναι το κλειδί.
• Ρωτώντας ρητά τον χρήστη για το ΓΙΑΤΙ πίσω από τα σχόλια: Η Uber δεν μαντεύει γιατί βαθμολογήσατε τη διαδρομή με ένα αστέρι — ήταν λόγω του ξεφλουδισμένου χρώματος στο αυτοκίνητο ή επειδή ο οδηγός ήταν αγενής; Σε αντίθεση με το Instagram, το οποίο απλώς θα έριχνε περισσότερα δεδομένα στο πρόβλημα, η Uber δεν μπορεί να εκθέσει μερικές δεκάδες πελάτες σε έναν κακό οδηγό, επομένως οι περιορισμοί όγκου δεδομένων τους αναγκάζουν να είναι έξυπνοι.

Υπάρχουν υπέροχα παραδείγματα σε τομείς εκτός από το rideshare.

Η Hotels.com ρωτά για την εμπειρία σας λίγο μετά το check-in. Είναι μια απλή έρευνα μέσω email. Μόλις κάνετε κλικ στο „υπέροχο“, ρωτούν „Τι σας άρεσε;“ με επιλογές όπως «φιλικό προσωπικό» και «αφρώδη καθαρό δωμάτιο».

Η Hungryroot, η εταιρεία όπου εργάζομαι, ρωτά τον χρήστη σχετικά με τις προτιμήσεις του για φαγητό κατά την εγγραφή του, προκειμένου να διευκολύνει την υγιεινή διατροφή. Θέλετε να τρώτε περισσότερα λαχανικά; Αγαπάτε τα πικάντικα φαγητά; Προτιμάτε να είστε χωρίς γλουτένη; Τέλεια, πες μας εκ των προτέρων. Οι συστάσεις για τα παντοπωλεία και τις συνταγές σας θα βασίζονται σε αυτά που μας είπατε.

Αυτή η προσέγγιση είναι δραματικά πιο αποτελεσματική. Απαιτεί λιγότερα δεδομένα και το συμπέρασμα που προκύπτει από κάθε σημείο δεδομένων μπορεί να είναι πολύ ισχυρότερο. Αυτή η προσέγγιση δεν απαιτεί επίσης ανατριχιαστική παρατήρηση πάνω σε τι κάνει κλικ ο χρήστης ή περνώντας με κύλιση – το είδος για τους οποίους μπήκαν σε μπελάδες οι τεχνολογικοί γίγαντες που κατασκοπεύουν.

Είναι σημαντικό να σημειωθεί μια αντιστάθμιση εδώ. Οι μηχανισμοί σιωπηρής ανάδρασης δεν απαιτούν καμία προσπάθεια από τον χρήστη. Από την άλλη πλευρά, το να παρακάνετε όταν ζητάτε από τον χρήστη ρητή ανατροφοδότηση μπορεί να δημιουργήσει μια ενόχληση. Φανταστείτε η Uber να το παρακάνει με τις επακόλουθες ερωτήσεις: «Τι ακριβώς ήταν η άσχημη μυρωδιά στο αυτοκίνητο; Σε ενόχλησε αυτή η μυρωδιά σε όλη τη διαδρομή ή σε ένα μέρος της; Ήταν μια έντονη μυρωδιά;» Αυτό περνάει από χρήσιμο και περιποιητικό σε εκνευριστικό και σίγουρα θα είχε μπούμερανγκ. Υπάρχει σίγουρα ένα γλυκό σημείο για να βρεθεί.

Οι τάφροι που βασίζονται σε έμμεσα δεδομένα χρήστη είναι αρκετά ρηχές

Μην φοβάστε έναν κατεστημένο με έμμεσο πλεονέκτημα δεδομένων. Δημιουργήστε μια ταξινόμηση του χώρου σας και ζητήστε από τους χρήστες σαφή σχόλια. Οι χρήστες σας θα το εκτιμήσουν — και το ίδιο θα το εκτιμήσουν.

Ο Alex Weinstein είναι ο επικεφαλής ψηφιακός υπεύθυνος της Hungryroot. Προηγουμένως, υπηρέτησε ως SVP Senior Vice of Development στο Grubhub. Ο Alex είναι κάτοχος πτυχίου Computer Science από το UCLA.