مسرد المصطلحات

نظام التوصيات

اكتشف كيف تستخدم أنظمة التوصيات الذكاء الاصطناعي والتعلم الآلي لتقديم اقتراحات مخصصة، وتعزيز المشاركة، وتوجيه القرارات عبر الإنترنت!

تدريب YOLO النماذج
ببساطة مع Ultralytics HUB

التعرف على المزيد

أنظمة التوصيات هي تطبيق أساسي للذكاء الاصطناعي (AI) والتعلم الآلي (ML)، وهي مصممة للتنبؤ بتفضيلات المستخدم واقتراح العناصر أو المحتوى أو الخدمات ذات الصلة. تعمل هذه الأنظمة كمرشحات للمعلومات، حيث تقوم بتحليل كميات هائلة من البيانات، بما في ذلك أنماط سلوك المستخدم، والتفاعلات التاريخية، وخصائص العناصر، لتقديم اقتراحات مخصصة. الهدف الأساسي منها هو تحسين تجربة المستخدم، وزيادة التفاعل، وزيادة التحويلات، ومساعدة المستخدمين على التنقل بين كتالوجات كبيرة من الخيارات بكفاءة. وهي شكل من أشكال النمذجة التنبؤية التي تركز بشكل خاص على تفضيلات المستخدم.

الملاءمة والتطبيقات

ينتشر تأثير أنظمة التوصيات على نطاق واسع عبر العديد من المنصات الرقمية. ففي التجارة الإلكترونية، تقترح هذه الأنظمة المنتجات التي قد تعجب المستخدمين، مما يؤثر بشكل كبير على قرارات الشراء ويعزز المبيعات، وغالبًا ما تكمل أدوات الاكتشاف المرئي التي تعمل بواسطة رؤية الكمبيوتر. وتعتمد خدمات البث مثل نتفليكس وسبوتيفاي اعتمادًا كبيرًا على هذه الأنظمة لتنظيم قوائم مخصصة للأفلام والعروض والموسيقى، مما يعزز من استبقاء المستخدمين. تستخدم منصات وسائل التواصل الاجتماعي أدوات التوصية لاقتراح اتصالات ومجموعات وموجزات محتوى مصممة خصيصاً لاهتمامات الأفراد. وعلى نحو مماثل، تستفيد مجمّعات الأخبار ومنصات المحتوى من التوصيات لتخصيص الخلاصات، مما يضمن للمستخدمين اكتشاف المقالات والمعلومات ذات الصلة بهم، وأحيانًا باستخدام تقنيات تتعلق بالبحث الدلالي لفهم معنى المحتوى.

أنواع أنظمة التوصية

تُستخدم العديد من التقنيات الأساسية لبناء أنظمة التوصية، وغالبًا ما يتم استخدامها معًا:

  • التصفية التعاونية: تقدم هذه الطريقة الشائعة توصيات بناءً على تفضيلات المستخدمين المتشابهين أو التشابه بين العناصر. وتفترض أن المستخدمين الذين وافقوا في الماضي سيوافقون في المستقبل.
  • التصفية المستندة إلى المحتوى: يوصي هذا النهج بعناصر مشابهة لتلك التي أعجبت المستخدم في الماضي، استنادًا إلى سمات العنصر (مثل النوع والكلمات الرئيسية والميزات) والملف الشخصي للمستخدم.
  • المقاربات الهجينة: تجمع هذه الأنظمة بين الأساليب التعاونية والقائمة على المحتوى (وربما غيرها) للاستفادة من نقاط القوة الخاصة بكل منها والتخفيف من نقاط ضعفها، مما يؤدي في كثير من الأحيان إلى توصيات أكثر قوة.
  • نماذج التعلم العميق: تُستخدم بشكل متزايد التقنيات المتقدمة التي تتضمن الشبكات العصبية، مثل الشبكات العصبية المتكررة (RNNs) والمحولات ( Transformers)، للتوصيات الواعية بالتسلسل أو لنمذجة التفاعلات المعقدة بين المستخدم والعناصر، وغالبًا ما تتطلب قوة حاسوبية كبيرة مثل وحدات معالجة الرسومات.

أمثلة من العالم الحقيقي

  1. البيع بالتجزئة عبر الإنترنت: يعرض موقع التجارة الإلكترونية مثل Amazon أقسام "العملاء الذين اشتروا هذا العنصر اشتروا أيضًا" أو "موصى به لك". يتم إنشاء هذه الأقسام من خلال تحليل سجل الشراء وسلوك التصفح والعناصر الموجودة في سلة التسوق، ومقارنة هذه البيانات مع ملايين المستخدمين الآخرين من خلال التصفية التعاونية وغيرها من تقنيات التعلم الآلي. يؤدي ذلك إلى اكتشاف المنتجات والمبيعات، مما يشكل جزءًا أساسيًا من الذكاء الاصطناعي في استراتيجيات البيع بالتجزئة.
  2. بث الفيديو: توصي منصات مثل YouTube بمقاطع الفيديو استنادًا إلى سجل المشاهدة لدى المستخدم، ومقاطع الفيديو التي أعجبته، والاشتراكات، واستعلامات البحث. وهي تستخدم أنظمة هجينة متطورة، بما في ذلك نماذج التعلم العميق، لتحليل أنماط المشاهدة والبيانات الوصفية للمحتوى، بهدف زيادة وقت المشاهدة ورضا المستخدم.

التحديات

ينطوي تطوير أنظمة توصية فعالة على التغلب على تحديات مثل"مشكلة البداية الباردة" (صعوبة التوصية لمستخدمين جدد أو عناصر جديدة مع القليل من البيانات)، وتناثر البيانات (عادةً ما يتفاعل المستخدمون مع جزء صغير فقط من العناصر المتاحة)، وقابلية التوسع لمجموعات البيانات الضخمة، وضمان العدالة وتجنب التحيز الخوارزمي. تركز الأبحاث الجارية على تحسين الدقة والتنوع والصدفة وقابلية التفسير في التوصيات. تعمل منصات مثل Ultralytics HUB على تسهيل تطوير ونشر نماذج مختلفة من نماذج التعلم الآلي والمساهمة في النظام البيئي الأوسع للذكاء الاصطناعي حيث تعمل أنظمة التوصيات.

قراءة الكل