Разработка рекомендательных систем и решений на основе Al/ML
Рекомендательные системы — программы, которые предсказывают, какие объекты будут интересны пользователю, имея определенную информацию о его профиле.
Для чего нужна рекомендательная система на основе машинного обучения?
Задача рекомендательной системы – проинформировать пользователя о товаре, который ему может быть наиболее интересен в данный момент времени.
Клиент получает информацию, а сервис зарабатывает на предоставлении качественных услуг.
Услуги — это не обязательно прямые продажи предлагаемого товара.
Сервис также может зарабатывать на комиссионных или просто увеличивать лояльность пользователей, которая потом выливается в рекламные и иные доходы.
Чем мы сможем помочь / Методы разработки системы рекомендаций
Иерархия элементов
Вы купили пылесос, вам понадобятся мешки, фильтры, дополнительные щетки, а возможно и дополнительные аксессуары для уборки, например, для чистки углов.
Рекомендации на основе характеристик элементов
Вы любите экшены с Дэниэлом Крэйгом, возможно вам также понравится серия фильмов «Борн».
Коллаборативная фильтрация
• На основе сходства элементов (Item-based рекомендации): находим элементы, похожие на те, что вам уже понравились. Например, вам нравится салат «Айсберг», поэтому вам также понравится «Фриссе».
• На основе сходства пользователей (user-based рекомендации): находим похожих на вас пользователей и рекомендуем то, что понравилось им. Например, люди как вы, которые покупали соус «Сальса», также купили пасту и сэндвичи. Вам возможно тоже нужны паста и сэндвичи.
Рекомендации на базе моделей
Обучение по методу опорных векторов, линейный дискриминантный анализ, сингулярное разложение для неявных функций.
Социальный граф и граф интересов
Основаны на доверии и социальных взаимодействиях человека. Например, вашим друзьям нравится Metallica, поэтому вам она тоже понравится. Вы читаете статьи по искусственному интеллекту – вам могут быть интересны стартапы, разрабатывающие новые решения на основе AI.
Гибридные Комбинация любых вышеперечисленных методов.
схема работ
- Анализ бизнес процессов и предложение оптимальных и наиболее эффективных сценариев использования ML/AI.
- Формулирование задачи на языке бизнес- процесса и на языке понятном для data scientist.
- Формулирование технического задания.
- Разработка MVP.
- Тестирование, разработка продуктивной версии.
- Последующая поддержка и обновления.
