Все мы пользуемся поиском в интернете, когда хотим купить обновку или, к примеру, заказать еду с доставкой в офис. Глобальное исследование Nielsen, которое измеряет доверие к рекламе, показывает, что самым эффективным потребители считают сарафанное радио и чаще всего прислушиваются к отзывам из сети или сравнению цен. Только представьте: 83% людей той или иной мерой полагаются на мнения друзей и родных.
Не удивительно, что, оказавшись перед выбором, мы вероятнее всего попросим помощи у родственников и друзей, ведь именно они знают нас лучше всех.
А если компьютерной программе удастся узнать нас лучше, чем нашим близким?
Как много компьютеры знают о нас?
Выбор из тысяч вариантов в процессе покупки часто мешает нам оперативно принимать решения. Благодаря росту электронной коммерции, покупки стали более доступными, но и вместе с этим открыли огромное количество вариантов. Современные рекламные онлайн-рекомендации изменили способ поиска и выбора товаров – они сужают процесс принятия решений, предлагая нам то, что мы ищем, а также дополнительные или даже альтернативные варианты.
Как компьютерная программа узнает то, что вы, казалось бы, напрямую ей никогда и не сообщали? Эта информация собирается в результате того, что просматривали/покупали вы или пользователи с похожими профилями. Технологии рекомендаций учитывают ваши пожелания и, следовательно, предлагают именно те товары, которые вам могут быть полезны. Они собирают и анализируют данные о ваших предпочтениях и готовят максимально точные предложения.
Казалось бы, все просто, но эти технологии требуют больших объемов данных для точного прогнозирования – чем больше, тем лучше. Именно здесь вступает в действие глубинное обучение – инновационная отрасль искусственного интеллекта (ИИ), которая при решении задач, обработке данных и создании моделей принятия решений имитирует работу человеческого мозга.
Искусственный интеллект может предугадать наши желания
Как работают предложения на основе данных? К примеру, вы приобрели новые товары в интернет-магазине, рекомендованные в разделе «Часто покупаются вместе», или добавили новых людей на Facebook после просмотра вкладки «Люди, которых вы можете знать». Даже просмотр фильмов по рекомендациям – результат работы ИИ.
Сегодня механизмы – еще умнее. Благодаря инструментам глубинного обучения они пытаются узнать привычки пользователей даже после одного или нескольких посещений сайта. Объединенные с аналитикой в реальном времени, алгоритмы самообучения улучшают предложения вплоть до предсказаний. Такие сервисы, как Spotify, могут предугадать следующую песню, а на YouTube рекомендуются ролики исходя из того видео, которое вы просматриваете.
В каких сферах используется ультраточное глубинное обучение? Абсолютно во всех видах цифровых отраслей, особенно в рекламе. RTB House, глобальная компания, предоставляющая современные технологии ретаргетинга, считает, что алгоритмы самообучения помогают получать сверхточные рекомендации, которые повышают эффективность рекламной деятельности более чем на 50%. Но какова практическая сторона?
Взаимодействие глубинного обучения и рекомендаций
К примеру, вы покупаете новый костюм в интернете. Когда вы нажимаете на какие-либо элементы на сайте, механизм рекомендации фиксирует каждый ваш шаг. Он проверяет цвет, параметры запроса, порядок цен, размеры и другие взаимодействия. После этого в режиме реального времени система соединяет все модели взаимодействия, а проанализировав их, может понимать историю, вкус, предпочтения или даже ваше настроение. Таким образом, сделать точный прогноз интересных для вас товаров ей не составляет большого труда. Более того, на основе эффективного анализа могут быть рекомендованы подходящая обувь, украшения и аксессуары. Все это возможно без какого-либо человеческого вмешательства со стороны рекламодателя. В области прогнозирования покупок алгоритмы самообучения уже получили столько знаний, что сделали ручные вторжения абсолютно лишними.
Большинство ранних систем просто собирали информацию, а затем показывали определенные товары тем, кто был заранее выбран по каким-то критериям. Например, «Показ ювелирных изделий только тем, кто посетил раздел женской одежды, так как они, скорее всего, женщины». Теперь же дело обстоит так: «Наша система знает, что посетившим раздел женской одежды с большой вероятностью будут интересны ювелирные украшения, но она также научилась определять мужчин, которые хотят купить ювелирные изделия для себя или в подарок».
Имитируя образ мышления человека, алгоритмы глубинного обучения обучаются на практике без каких-либо вмешательств с нашей стороны. Машина может анализировать множество данных, не чувствуя усталость, скуку или стресс, и при этом выдавать сверхлогичные надежные решения. Подчиняясь общим правилам рекламодателя, она может изучать и создавать новые правила с проактивностью и производительностью, недостижимыми для человека. В этом и есть суть алгоритмов самообучения и их высокой эффективности для рекламной индустрии.
Будущее – за ИИ-персонализацией
Согласно Janrain & Harris Interactive, 74% интернет-пользователей не довольны контентом. Причина – не соответствие их потребностям. Также Infosys выяснила, что 86% потребителей считают персонализацию важной составляющей принятия решения о покупке.
Сверхточные рекомендации улучшают отношения бренда с потребителями, ускоряют розничные продажи, повышают коэффициент конверсии и таким образом увеличивают доход. Более высокая точность и более глубокий подход сделали подобные механизмы необходимыми не только для электронной коммерции, но и для банковских услуг, страхования, путешествий и даже обычных продуктовых магазинов.
Сегодня часто цитируют Стива Джобса: «Люди не знают, чего хотят, пока вы им этого не покажете». Глубинное обучение способно превратить «искусство прогнозирования» в обычный автоматизированный опыт, доступный каждому интернет-пользователю.
