Бесконечное обновление алгоритмов

«Босс только один. Клиент. И он может уволить всех в компании, начиная с председателя, просто потратив свои деньги в другом месте ». - Сэм Уолтон.

Сэм всегда был прав в понимании клиента с первых дней существования Walmart, и именно таким он стал сегодня в удовлетворении потребностей клиентов по низкой цене каждый день. В то время как различные предприятия стремятся понять потребителя, появляется все больше способов сделать это с помощью технологий. Один из способов - машинное обучение, разновидность искусственного интеллекта.

Магазины Walmart - одно из прекрасных мест, которые любят посещать многие люди не только для ежедневных покупок по самым низким ценам, но и для общения с нашими сотрудниками. Мы можем найти множество вдохновляющих и утешительных историй, которыми ежедневно делятся клиенты о том, как сотрудники помогают им, облегчая их покупки. Традиционно наши покупатели вдохновлялись покупками, находили новые идеи и совершали сделки в основном в наших магазинах. Сотрудники нашего магазина регулярно взаимодействуют с покупателями (шаблоны), чтобы понять их фаворитов (персонализация), получить их отзывы (рейтинги) и многие другие факторы, которые помогли нам создать для них отличный опыт.

Walmart Global Tech - новатор, управляемый людьми и обладающий техническими возможностями, и позволяет нашим сотрудникам делать все возможное, чтобы положительно повлиять на жизнь клиентов, возглавив следующий прорыв в розничной торговле. В то время как сотрудники нашего магазина продолжают ежедневно взаимодействовать с покупателями, наши технологи и инженеры создают технологичные продукты, которые могут понимать, персонализировать, переопределять и помогать покупателям делать покупки в любое время и в любом месте с индивидуальным «вау» опытом.

3 основных направления использования машинного обучения в розничной торговле

  1. Инвентарь и запасы

2. Динамическое ценообразование

3. Понимание и прогнозирование поведения клиентов

С этих позиций понимание поведения клиентов является наиболее важным сегментом для любого вида бизнеса, а точнее для розничных продавцов. Обеспечение гиперперсонализации с уникальным клиентским опытом возможно, учитывая, что алгоритм обрабатывается с потоком пользователей точных данных из всех видов, таких как изображения, выбор, клики, история покупок и т. Д. Новое масло существует во многих формах, и его необходимо очищать и реструктурированы для выявления закономерностей, понимания поведения пользователей и их предпочтений.

Серая область предсказания

Допустим, Джон ищет синюю рубашку:

Сценарий A. Основываясь на предыдущих шаблонах поисковых запросов или заказов, алгоритм определяет все виды рубашек темно-синего цвета и мгновенно предлагает несколько из них. В этом сценарии есть три возможности.

A1. Если Джон действительно ищет темно-синий цвет, то шаблон с поддержкой машинного обучения является положительным и улучшается по мере действий потребителя, чтобы в следующий раз обеспечить более уникальную персонализацию.

A2: с другой стороны, если он ищет голубой цвет, он не предлагает их и считает это отрицательным. Следующее действие потребителя может снова выполнить поиск с точными словами, а действие алгоритма может заключаться в том, чтобы понять разницу ошибок и проанализировать, приняв результат в качестве входных данных для улучшения / улучшения.

A3: одно из предложений может привлечь внимание Джона, что явно меняет его мыслительный процесс, и он покупается на это.

Сценарий B. Основываясь на своих предыдущих шаблонах поисков / заказов, Джон также купил рубашки голубого цвета, поэтому алгоритм сканирует наборы комбинаций и рекомендует результаты.

B1: если есть в наличии и Джон найдет хорошую рубашку цвета морской волны из рекомендаций, то прогноз будет улучшаться.

B2. Если на отсканированном изображении нет цвета морской волны и можно получить только темно-синий и небесно-голубой цвета, то снова есть две возможности.

→ B2.1: Джон изменяет свои поисковые слова, чтобы указать точные слова в соответствии с его потребностями, и обнаруживает, что требуемая единица не существует, что отрицательно, потому что ее нет в наличии. .

→ B2.2. Его внимание привлекла одна из рекомендаций, которая в конечном итоге перевесила первоначальную мысль / потребность Джона, и он купил темно-синюю рубашку.

В дополнение к вышеупомянутым сценариям может быть n возможных вариантов. Другая перспектива здесь - это серая зона, которую я пытаюсь представить в сценариях A3 и B2.2. Покупатель хотел купить рубашку цвета морской волны, но поскольку предложенные предложения были темно-синего цвета, и одно из них привлекло его внимание, он разместил заказ и купил его.

Здесь произошли две вещи с двух разных точек зрения: изменение мнения / мысли клиента в тот момент, а другая точка зрения заключается в том, что предложения преобладают над мнением / мыслью / желанием клиента. Проще говоря, это явно изменило поведение клиента, вместо того, чтобы понимать и прогнозировать. Конечно, есть люди, которые могут снова искать конкретные слова, но некоторые из них отклонятся от своей первоначальной мысли. С тобой когда-нибудь случалось? Это наиболее распространенное поведение, с которым вы могли столкнуться при серфинге на разных платформах, таких как музыка, фильмы, электронная коммерция и т. Д.

Популярная угроза ML

Предвзятый алгоритм - это кошмар машинного обучения и искусственного интеллекта, и он продолжает преследовать каждый шаблон и алгоритм (алгоритм). Избежать предвзятости - огромная проблема для разработчиков, поскольку ее невозможно отследить, так как она может исходить либо от дизайнеров / группы участвующих людей, либо от данных, полученных для обучающего набора. Данные снова получены от людей, которые неизбежно допускают предвзятость. История показывает нам, насколько велика угроза для данных, и вот несколько примеров сигналов опасности.

→ Процесс автоматического найма в популярной организации как проект ИИ использовал данные за последние 10 лет для обучения своей модели ИИ. Эти исторические данные содержали предвзятость в отношении женщин, поскольку в технологической индустрии преобладали мужчины. Поэтому рекрутинговая система неправильно узнала, что кандидаты-мужчины предпочтительнее, и позже организация перестала использовать этот алгоритм.

→ В 2016 году прошел первый конкурс красоты, который судил AI, и результаты его были неоднозначными. Из 44 победителей большинство были белыми, у некоторых была светло-коричневая кожа, и только один победитель был с более темной кожей. Это произошло потому, что набор данных, использованный при обучении модели, включал в основном белых людей.

Некоторые эксперты считают, что технически возможно, что ИИ будет полностью беспристрастным. Однако в реальном мире не ожидается, что в ближайшем будущем ИИ станет полностью беспристрастным. Существует множество человеческих предубеждений, и постоянно растет число выявленных новых предубеждений. Следовательно, невозможно иметь 100% непредвзятый человеческий разум, поэтому ИИ и алгоритм машинного обучения тоже. Цель технологий, ориентированных на человека, заключается в том, чтобы прогнозы / рекомендации, основанные на различных алгоритмах и шаблонах, никогда не перекрывали мысли / решения потребителей.

Поиск x с помощью петель обратной связи

У нас есть много переменных / факторов, которые необходимо вывести для понимания поведения потребителей, но одним из самых важных активов является x. Ошибочно думать, что после того, как модель машинного обучения обучена и введена в действие, ей всегда требуется хороший контроль, чтобы постоянно обновлять ее в соответствии с изменениями в мире. Шаблон x - это стремление правильно понять клиента и предсказать выбор мыслей / решений еще до того, как они столкнутся с экранами.

В данный момент каждая дверь алгоритма машинного обучения ведет к петлям обратной связи в конце их конвейера в системе, которые являются единственным способом понять и сравнить с предсказанием алгоритма, чтобы он всегда мог улучшиться в следующий раз. Важно хорошенько подумать и выбрать:

  1. Где можно получить обратную связь?
  2. Как включить это обратно в вашу модель?

Эти два решения играют важную роль в привлечении человека к улучшению алгоритма за счет использования дизайна, ориентированного на человека. Когда пользователь ищет синюю рубашку после отображения результатов, всегда лучше создать всплывающее окно, чтобы узнать его мнение, если ваш алгоритм работает хорошо или его нужно улучшить. Теперь этот компонент обратной связи может содержать различные переменные для сбора точного мнения пользователя. Часто процесс разработки цикла обратной связи и эффективного сбора отзывов - это тяжелая работа, которая отделяет успешные проекты машинного обучения от неудачных.

3 петли обратной связи

1. Клиенты оставляют отзывы, когда модель запрашивает

2. Клиенты пропускают отзывы

3. Собирайте отзывы о цели в пределах границ.

1. Клиенты оставляют отзывы по запросу модели:

Мнение клиента. Это солнечный день потока, когда клиенты оставляют соответствующие отзывы в соответствии с их поиском / опытом использования продукта. Эта группа людей ожидает получить лучшие результаты в следующий раз, когда они выполнят действие, и поэтому поделится своими ценными отзывами.

Взгляд алгоритма. Модель получает то, что ожидала, и, учитывая отзывы, она улучшит прогноз в следующий раз, чтобы понять и обеспечить лучшие результаты.

2. Клиенты пропускают отзывы.

Мнение покупателя: Некоторые люди не понимают ценности заполнения обратной связи, но все же они правы, поскольку это не их обязанность давать отзывы каждый раз, когда они используют продукт в своих руках, поэтому пользователи могут иногда пропускать это .

Представление алгоритма: с ними сложно справиться, и, конечно же, со значительной частью лиц, качество механизма принятия решений должно оставаться неизменным, и необходимо найти другие формы, такие как планировщик периодической обратной связи, изменяющий опыт запроса обратной связи, быстрых опросов, чтобы понять, почему они пропускают отзывы и т. д., или поддержания контрольной оценки, чтобы модель всегда поддерживала ее для обеспечения качества прогнозов.

3. Собирайте отзывы о цели в рамках:

С увеличением количества крупных социальных сетей некоторые люди начали бойкотировать эти петли обратной связи, поскольку они импровизируют, чтобы стать умнее и лучше понимать пользователей, чем требовалось изначально. Например, однажды клиент заказал товар для одного из своих друзей / семьи, но он / она никогда не намеревается покупать такие товары в будущем. Поскольку история покупок является одним из факторов понимания клиентов, алгоритм начнет рекомендовать сопутствующие продукты. Я надеюсь, что вы видите еще одно слепое пятно, в котором модель должна позволять настраивать петли обратной связи внутри себя и уверять клиента, что его поведение в сети не отслеживается. Потребность алгоритма состоит в том, чтобы продолжать поиск только шаблона x, но не всех переменных, потому что, если потребитель получает какой-либо намек на жажду от модели, шаблон x становится более надежным для поиска и решения.

В мире оцифровки всех возможных активов постоянно растущие данные являются ключом к открытию невообразимых дверей, создавая возможности для выявления, понимания и переопределения рынков. Как энтузиаст данных, я твердо верю в непрерывный переход от мельчайшей строчки кода к сложной модели, созданной специально для этой цели. Данные являются ядром машинного обучения с многочисленными формами, но они не раскрыты в полную силу.

Человечество эволюционировало в решении многих проблем, связанных с технологиями: мы создаем машины, кодируем алгоритмы, разрабатываем шаблоны и всегда способны найти точку x в каждой проблеме, чтобы сделать невозможное возможным.

Ссылки:

«https://research.aimultiple.com/ai-bias/ секс

https://www.impira.com/blog/feedback-loop

https://mitsloan.mit.edu/ideas-made-to-matter/machine-learning-explained

https://www.dataversity.net/making-machine-learning-datasets-unbiased/