نظام التوصيات

كيفية عمل أنظمة التوصية

تعمل أنظمة التوصية في المقام الأول باستخدام أحد الأساليب الثلاثة، أو مزيج منها. يعتمد اختيار الطريقة على نوع البيانات المتاحة والأهداف المحددة للتطبيق.

• التصفية التعاونية: تقوم هذه التقنية الشائعة بعمل تنبؤات بناءً على سلوك المستخدمين المتشابهين. وهي تعمل على المبدأ القائل بأنه إذا كان للشخص (أ) نفس رأي الشخص (ب) في قضية واحدة، فمن المرجح أن يكون للشخص (أ) نفس رأي الشخص (ب) في قضية مختلفة. على سبيل المثال، توصي هذه التقنية مستخدمًا ما بفيلم بناءً على تفضيلات المستخدمين الآخرين ذوي الأذواق المماثلة.
• التصفية المستندة إلى المحتوى: تستخدم هذه الطريقة سمات أو ميزات العناصر لتقديم التوصيات. إذا قام المستخدم بتقييم العديد من أفلام الحركة بشكل إيجابي، فإن النظام سيوصي بأفلام حركة أخرى، على افتراض أن المستخدم مهتم بهذا النوع من الأفلام. يعتمد هذا النهج على وجود أوصاف جيدة للعناصر، والتي يمكن استخلاصها باستخدام تقنيات مثل معالجة اللغة الطبيعية (NLP) للنصوص أو حتى الرؤية الحاسوبية للصور.
• النماذج الهجينة: تجمع هذه النماذج بين التصفية التعاونية والتصفية القائمة على المحتوى للاستفادة من نقاط القوة الخاصة بكل منهما والتخفيف من نقاط ضعفهما. ويتمثل أحد النماذج الهجينة الشائعة في استخدام التصفية القائمة على المحتوى لحل مشكلة "البداية الباردة" للعناصر الجديدة ثم استخدام التصفية التعاونية عند توفر المزيد من بيانات تفاعل المستخدم.

التطبيقات الواقعية

تُعد أنظمة التوصيات جزءًا لا يتجزأ من تجربة المستخدم على العديد من المنصات الرقمية.

1. تخصيص التجارة الإلكترونية: تستخدم منصات البيع بالتجزئة عبر الإنترنت مثل Amazon أنظمة توصية متطورة لتحسين تجربة العملاء. فهي تحلل سجل الشراء الخاص بك، والعناصر التي شاهدتها، وما اشتراه العملاء الآخرون الذين لديهم عادات مماثلة لاقتراح المنتجات. يمكن تحسين هذه الأنظمة باستخدام الرسوم البيانية المعرفية لفهم العلاقات المعقدة بين المنتجات والفئات وتفضيلات المستخدم، مما يؤدي إلى اقتراحات أكثر ملاءمة للذكاء الاصطناعي في مجال البيع بالتجزئة.
2. خدمات بث المحتوى: تشتهر خدمات مثل نتفليكس وسبوتيفاي بمحركات التوصيات القوية. تقوم خوارزمية توصيات نت فليكس بتحليل عادات المشاهدة الخاصة بك، والوقت الذي تشاهده في اليوم، وتقييماتك لتنظيم صفحة رئيسية مخصصة. وبالمثل، يقوم نظام التوصيات في سبوتيفاي بإنشاء قوائم تشغيل مثل "اكتشف الأسبوعي" من خلال تحليل سجل استماعك ومقارنته بقوائم التشغيل الخاصة بالمستخدمين الآخرين.

التحديات والاعتبارات

على الرغم من نجاحها، تواجه أنظمة التوصية العديد من التحديات:

• مشكلة البداية الباردة: صعوبة تقديم توصيات للمستخدمين الجدد (البداية الباردة للمستخدم) أو العناصر الجديدة (البداية الباردة للعناصر) بسبب نقص بيانات التفاعل. يواصل الباحثون استكشاف أساليب جديدة لمشكلة البداية الباردة.
• ندرة البيانات: غالبًا ما تكون مصفوفة التفاعل بين المستخدم والعنصر متناثرة جدًا، حيث يتفاعل المستخدمون عادةً مع جزء صغير جدًا من العناصر المتاحة.
• قابلية التوسع: يجب على الأنظمة أن تتعامل مع ملايين المستخدمين والعناصر بكفاءة، مما يتطلب خوارزميات وبنية تحتية محسّنة. وغالباً ما يتضمن ذلك أطر عمل قوية مثل PyTorch و TensorFlow.
• التقييم: لا ترتبط المقاييس غير المتصلة بالإنترنت دائمًا بشكل مثالي مع الأداء عبر الإنترنت. غالبًا ما يكون اختبار A/B ضروريًا لقياس التأثير الحقيقي على رضا المستخدم.
• المخاوف الأخلاقية: تشمل المشكلات إنشاء فقاعات تصفية تعزل المستخدمين عن وجهات النظر المتنوعة، وتعزيز غرف الصدى، واحتمالية التحيز الخوارزمي، وضمان خصوصية البيانات. الالتزام بمبادئ أخلاقيات الذكاء الاصطناعي أمر بالغ الأهمية.

وغالباً ما ينطوي تطوير هذه الأنظمة ونشرها على ممارسات قوية في عمليات التشغيل الآلي للذكاء الاصطناعي، على غرار تلك التي تيسرها منصات مثل Ultralytics HUB لإدارة دورة حياة نماذج الذكاء الاصطناعي، بدءاً من التدريب والتحقق من الصحة وحتى النشر النهائي للنموذج.