Jakten på bedre AI-anbefalingsmotorer
Slå på strømmetjenesten du ønsker, eller åpne nettsiden for ditt foretrukne varehus, og et anbefalingssystem vil garantert slå inn.
“Du likte denne TV-serien, så vi tror du vil like denne!” Eller: “Når du ser på et rosa linskjørt, tenk på å kjøpe disse krem-espadrillene som passer!” De er viktige handelsdrivere fordi de hjelper kundene med å se produktene de mest sannsynlig vil kjøpe. Men de passer ikke pent inn i eksisterende maskinlæringsverktøykjeder.
Noen av de mest kjente anbefalingsmotorene er for innhold. YouTubes skumle følelse av hva du kanskje vil se neste gang er ett eksempel, og den ultimate mesteren av dette spillet er TikTok: Det er deilig avhengighetsskapende, nettopp fordi algoritmene vet hva ditt lille hjerte ønsker.
I noen tilfeller er det imidlertid mer til en anbefaling. For en nettbutikk kan det være ulike marginer for ulike produktlinjer, og den har informasjon som selve motoren ikke har; for eksempel kjøper folk kanskje ikke skiutstyr nå, men det gjør de sikkert senere på året. Rubber Ducky Labs, en San Francisco-basert oppstart, ønsker å gjøre det enklere for team å feilsøke, analysere og forbedre anbefalingssystemene sine.
Teamet jobber i et rom som har en dypere trend: Hvordan vet du at AI-ene leverer godt arbeid? I økende grad gjør algoritmene ting som mennesker ikke helt forstår – og uten en tilbakemeldingssløyfe kan det bli vanskelig.