Джозеф Кибе, руководитель отдела обработки и анализа данных в Proton.ai

Здесь, в Proton, нас часто спрашивают, что делает наши рекомендации такими замечательными. Хороший вопрос: рекомендации, которые мы даем, составляют ядро ​​нашего продукта. Мы можем сделать наши системы как можно более простыми в использовании и интегрируемыми, но без хороших предложений для наших пользователей мы утонем.

Ключ заключается в нескольких вариантах, которые мы сделали. Мы проводим много времени, разговаривая с нашими пользователями и лидерами отрасли, поэтому мы понимаем, какие рекомендации полезны и какие корректировки необходимо внести в соответствии с бизнес-средой, в которой мы работаем. Мы также делаем наши системы гибкими и производительными. : они быстрые, и мы можем улучшить их быстрее. И, наконец, мы используем передовые алгоритмы машинного обучения, поэтому наши клиенты не получают устаревшие технологии из 1990-х годов.

Именно эту третью область я хочу рассмотреть сегодня. В Proton мы используем модели нейронных сетей, которые предлагают огромные преимущества по сравнению с методами машинного обучения предыдущего поколения. Они черпают вдохновение в человеческом мозге и его сети нейронов и в значительной степени ответственны за достижения в области продуктов искусственного интеллекта за последнее десятилетие.

Но что делает их такими замечательными и намного лучше, чем предыдущие модели? В отличие от моделей предыдущего поколения, нейронные сети способны изучать нелинейные паттерны. Это может показаться сложным — и в деталях это может быть — но на самом деле это довольно легко понять.

Рассмотрим простой пример. Предположим, вы управляете книжным магазином и хотите порекомендовать покупателям следующую книгу, которую они должны купить, когда они придут к вам в гости.

Используя более старые методы, мы можем рассматривать конкретный фактор только простым линейным способом. Мы могли бы провести простые границы. Людям младше 12 лет рекомендуют книги для детей, а людям старше 12 лет рекомендуют романы-бестселлеры. Люди, которые покупают детективные романы, получают больше рекомендаций для полицейских процедур.

Иногда это может срабатывать, но не нужно быть экспертом в книгах, чтобы понять, что часто это будет неправильно. А если в магазин придет родитель? Мы предлагаем книгу для него или для его детей? Что делать, если кто-то любит политические тайны? Мы предлагаем детективный роман или книгу о политике?

С помощью нейронной сети мы можем объяснить странные исключения, которые не могут объяснить жесткие рекомендации, основанные на правилах. Мы можем учесть тот факт, что, скажем, начиная с семи лет, некоторые дети хотят начать читать серьезные романы. Наша уверенность растет по странной схеме до того момента, когда они могут покупать детские книги в качестве подарков, а затем снова повышается, даже больше, когда им за 60, когда они могут стать бабушкой и дедушкой. Невозможно закодировать эту сложность с помощью старых методов, но с помощью нейронных сетей мы можем.

Старые модели могут быть лучше, чем случайный выбор, но они не могут отразить богатство и сложность реального мира. В среднем дети гораздо чаще покупают детские романы, чем взрослые. Но если бы в книжном магазине применялись простые правила, они могли бы перепродать детские книги подросткам и не дать родителям, бабушкам и дедушкам точных рекомендаций для своих детей и внуков.

Несмотря на внешний вид, не все системы рекомендаций одинаковы. Хотя вполне вероятно, что внедрение любой технологии прогнозирования окажет влияние на бизнес, то, как эта система работает внутри, имеет большое значение для размера этого влияния. В хорошем книжном магазине есть все самые популярные издания. В хорошем книжном магазине есть то, что подходит именно вам, и он поможет вам найти книги, о которых вы даже не подозревали, что они вам нужны. С хорошей базовой технологией мы можем везде использовать один и тот же опыт.