Seuraava artikkeli auttaa sinua: Mikä on Propensity Model palveluna?
Puhumme paljon tekoälypalveluista, mutta mihin ne oikeastaan viittaavat? MLDS 2022:ssa puhuneen Intuitin vanhempi ML-insinööri Vikas Raturi mukaan tekoälypalvelut ovat tekoälykyvyn toimittamista viestintärajapinnan kautta. Tekoälypalvelujen päätavoite on alentaa kehityskustannuksia sallimalla mainittujen ominaisuuksien uudelleenkäytön eri käyttötapauksissa.
Tekoälypalveluissa ei kuitenkaan aina ole kyse palvelevan käyttöliittymän asettamisesta mallin päälle. Tekoälyominaisuudet voidaan toimittaa monissa muodoissa, kuten koulutettu malliobjekti, sarja ennusteita tai käyttöliittymää palveleva päätepiste. Itse asiassa yritysasetuksissa täydellistä palvelua ei ehkä ole edes olemassa, ja se voi olla vain malli muussa järjestelmässä.
Taipumusmallinnus on joukko lähestymistapoja ennakoiviin malleihin, jotka auttavat ennustamaan kohdeyleisön käyttäytymistä. Se saavuttaa tämän analysoimalla käyttäjien aiempaa käyttäytymistä. Yleisiä taipumusmallien käyttötapauksia ovat vaihtuvuusarviot, ominaisuuksien käyttöönoton ennustaminen jne.
Useimmilla taipumusmalleilla on samanlaiset ominaisuudet:
- Heille on koulutettu monenlaisia käyttäjien demografisia ja käyttäytymistietoja.
- Vaikka taustalla olevaa algoritmia voidaan käyttää uudelleen, kaikki käyttötapaukset vaativat useimmiten erillisen mallin.
- Myös taipumusmalliennusteet ovat samankaltaisessa muodossa, joka koostuu asiakastunnuksesta ja taipumuspisteestä.
- Sen on oltava skaalautuva sekä koulutus- että päättelytehtäviä varten, koska ne arvioidaan koko väestölle.
“Meille tulee valtavasti dataa, ja joka kerta kun datatieteilijä yrittää tarjota ominaisuuksia tiettyyn käyttötapaukseen, se tarkoittaa kaikkea työtä – datan muuntamista ja oikeiden ominaisuusjoukkojen lisäämistä, sen testaamista ja sen varmistamista. Laatua on riittävästi ja datan luonteen ja arvojen dynamiikka muuttuu. Joten pohdimme, voimmeko koota kaiken työn, jonka olemme tehneet ominaisuusjoukolle ja voimmeko rakentaa kaikille erityyppisille taipumusmalleille yhden yhteisen ominaisuusjoukon, joka voi olla riittävän yleinen ja jonka pitäisi pystyä palvelemaan erilaisia vaatimuksia . Keräsimme, dokumentoimme ja loimme erittäin korkealaatuisia ominaisuusjoukkoja, jotka eri datatieteilijät ovat vertaisarvioineet yhdeksi jättimäiseksi ominaisuusjoukoksi juuri nyt – se on kuin yli 1000 ominaisuutta. Ja se voi nyt tehostaa erilaisia taipumusmallien käyttötapauksia. Ja käsityksemme mukaan tämä vei karkeasti 60 % minkä tahansa muun mallin kehityksen koko elinkaaresta. Sitä he kutsuvat ominaisuuden lisäykseksi – kaikki käyttäytymisasiakaskäyttäytymisominaisuus, joka laitettiin yhteen putkeen, ja se on tietysti valtava kustannussäästö, koska teet sen vain kerran”, Raturi sanoi.
Ydin taipumusmalleissa
Jokainen taipumusmalli vaati erillisen mallin käyttötapauksesta ja liiketoiminnan tarpeista riippuen. Näiden mallien ydinytimiä voidaan kuitenkin käyttää uudelleen, vaikka hyperparametrit ja mittarit vaihtelevat silti. Raturi mainitsee esimerkin vaihtuvuuden ehkäisymallista, ja Raturi sanoi, että se voi olla optimoitu parempaan tarkkuuteen tai takaisinkutsuun asiakasyhteyden mallista riippuen.
Propensity-mallin tapauksessa palveluna jokaisella käyttötapauksella on oma koneoppimisputki, joka saa virtansa yleisestä taipumusmallille optimoidusta ytimestä. Algoritmi mallintaa taipumusongelman aika-tapahtumaan -ongelmana. Samasta puhuessaan Raturi sanoi: ”Esimerkiksi kertoa jollekin, että tämä käyttäjä aikoo päivittää tuotteesi edistyneeseen versioon, mutta hänellä ei ole tarpeeksi kokemusta tai koulutusta voidakseen käyttää kaikkia ominaisuuksia. Tällaisen haasteen ratkaisemiseksi rakensimme optimointimoduulin, joka käyttää mallin jokaiselle asiakkaalle käyttämiä ominaisuuksia ja luo joukon toimintokohteita, jotka voidaan optimoida.
Ydin tarjoaa optimointialgoritmin, joka määrittää taipumuspisteet käyttäjän käyttäytymiseen, jotta voidaan luoda toimintoja, jotka voidaan suorittaa.
Käärimistä
”Tekoälypalvelujen tähän mennessä suurin menestysmittari on käsityksemme mukaan ollut se, miten palvelu todella toimitetaan asiakkaalle ja miten se voidaan tehdä paremman käyttökokemuksen parantamiseksi. Se perustuu siihen yksinkertaiseen tosiasiaan, että väestö ja kuluttajat on tunnistettava selvästi. Oikean asiakaskunnan selvittäminen ja palautteen pyytäminen ja sen jälkeen iterointi on tärkeää. Tämä on tekoälypalvelumme menestyksen takana”, Raturi paljastaa.
Kuvan luotto: flickr/Prachatai
