"Så fungerar AI-baserade rekommendationer"

2017-05-24 07:50  
Ather Gattami, grundare av Bitynamics. Foto: Janne Naess

GÄSTKRÖNIKA. AI-konsulten Ather Gattami förklarar hur de AI-baserade rekommendationssystemen faktiskt fungerar.

Att förstå individer, deras beteenden samt intressen är centralt ur både socialt så väl som affärsperspektiv. Hur vi förstår varandra som människor bygger till stor del på kommunikation samt observationer av kroppsspråk, resonemang och beteenden. Ju mer vi umgås med varandra, desto bättre förstår vi varandra. Detta är dock inte helt trivialt då de flesta av oss tenderar att anpassa sig till de människor som är involverade i kommunikationen, miljön samt omständigheterna. Detta gör det svårt att bilda sig en korrekt uppfattning på kort tid. I vilket fall som helst, så kan man sammanfatta processen att förstå en individ med att man samlar en massa data om den individen, som vi människor kallar för intryck.

Baserat på data försöker vi dra några slutsatser och till och med förutsäga vissa beteenden och beslut. En utmaning är att inte låta våra erfarenheter fördunkla våra omdömen, samtidigt som det är just våra erfarenheter som är grunden till potentiellt kloka beslut. Det är när vi använder data för beslutstagande baserat på felaktiga statistiska metoder som så kallade fördomar uppstår.  

Uppenbarligen ligger data som grund för att kunna ge rekommendationer om beslut som förhoppningsvis ökar sannolikheten att optimera på bästa sätt. Just rekommendationssystem tillhör den bredaste formen av artificiell intelligens (AI) som är implementerad runt omkring oss. Spotify har sin ”Discover Weekly” som rekommenderar nya låtar för lyssnarna baserat på vad de verkar gilla. Amazon rekommenderar böcker baserat på vad man handlat och vad andra likasinnade personer har handlat. Netflix rekommenderar filmer och serier beroende på vad kundens profil tillsammans liknande kundprofiler har gillat och/eller tittat på. Men hur fungerar dessa rekommendationssystem egentligen?

Består av två grundpelare

Ett rekommendationssystem består av två huvudbeståndsdelar. Den första beståndsdelen bygger på segmentering av marknader, produkter, samt kundprofiler. Hur dessa ska formuleras är en konst i sig, som förhoppningsvis blir en vetenskap så småningom m h a AI. Trots att det finns metoder som bygger på AI som kan hjälpa till med att hitta rätt segmenteringar, så krävs det en hel del manuellt (läs mänskligt) ingrepp för att kunna lista ut relevanta parametrar och förstå hur dessa ska korreleras med varandra. Affärsaspekten är av största vikt här, och AI är inte mogen än helt autonomt upptäcka rätt samband för att hitta affärsrelevanta parametrar i allmänhet. Ett viktigt nästa steg inom AI vore att uppfinna metoder som helt automatiskt finner samband mellan kunder, produkter och marknader. Denna typ av automatiska AI-baserade segmentering är under utveckling.

Den andra viktiga beståndsdelen är själva metoderna som kan, baserat på de segmenteringarna man forskat fram, prediktera vilka produkter och tjänster som är intressanta för vissa profiler av kunder. Det kan t ex vara att prediktera sannolikheterna att vissa kundprofiler skulle vara intresserade av vissa produkter för att rikta rätt reklam mot dessa kunder. Ett annat exempel är att förstå vilka kunder som man kommer att sannolikt förlora (churn) och motverka det genom olika lämpliga åtgärder. Jag har sett flera sådana system och inser att dessa problem är lika på många sätt, och att det finns någon slags universallösning som man kan utveckla för rekommendationssystem.

Ett intressant praktiskt exempel är Barack Obamas presidentkandidatskampanj där man för första gången använde sig av data analys i det amerikanska presidentvalet för att segmentera olika väljare och rikta samtalen mot de väljarna som finner sig i gråzonen. De som var trogna det republikanska respektive det Obamas demokratiska parti skulle man inte lägga tid på att ringa. Man riktade istället sina resurser på de som inte bestämt sig. Många anser att denna strategi har varit avgörande för Obamas valseger. Dessutom har man segmenterat profilerna så att man maximerar sannolikheten att nå ut till de man ringer till genom att välja de ringtiderna som ger bästa svarsfrekvens statistiskt sett.

Självklart är bra prediktiva modeller fantastiska då man kan i förväg förutsäga vissa händelser, och för företag och organisationer är detta väldigt värdefullt för att maximera vinst alternativt minimera kostnader. Men prediktiva modeller används för optimeringssyfte. Insikter (känt som ”Business Intelligence”) är givetvis väldigt värdefulla, men dessa ska användas för att ta beslut som skapar värde. Status för AI inom industrin verkar sakna effektiva metoder för att kunna ta beslut när antalet parametrar blir stort, och prediktiva modeller i sig kan få en begränsad användning. Därför är det av oerhört stor vikt att ta med optimeringen med i beaktning när man bygger rekommendationssystem, så att man verkligen kan ge rekommendationer som är så träffsäkra som möjligt.

Ather Gattami, konsult inom AI, maskininlärning och analytics

Ather Gattami ska återkommande skriva om AI hos Dagens Media.

Kommentarer

Välkommen att säga din mening på Dagens Media.

Principen för våra regler är enkel: visa respekt för de personer vi skriver om och andra läsare som kommenterar artiklarna. Alla kommentarer modereras efter publiceringen av Dagens Media eller av oss anlitad personal.

  Kommentarer

Läs även

Åsikter & debatt