Amikor a hűtő ajánlja, hogy mit vásároljunk

Max Leander a Strossle machine learning (gépi tanulás) csapatában dolgozik, és néhány hete a RecSys17 konferencián vett részt, ahol az ajánlórendszerekkel foglalkoztak az egybegyűltek. Vele készült interjú.

Röviden összefoglalva mit nevezünk ajánlórendszernek?

Az olyan rendszereket, amelyek adatok alapján igyekeznek kitalálni, hogy egy adott személy számára mi lehet a legérdekesebb vagy a leghasznosabb egy adott pillanatban, és ez alapján ajánlásokat tesznek.

A mindennapi életünkben hol találkozunk ajánlórendszerekkel?

Szinte minden tartalomajánló szolgáltatásban. A legegyértelműbb példákkal, köztük a Strossle-lal is a hírek olvasása közben találkozunk, de akkor is jelen vannak, amikor termékek között böngészünk az interneten. Ajánlásokat azonban kevésbé nyilvánvaló helyzetekben is kapunk. Például amikor új videojátékkal játszunk, a nehézségi szintet egyes esetekben a felhasználó játéktörténete alapján ajánlja a rendszer. De egyre gyakoribb a használatuk a navigációs alkalmazásokban is. Mivel a legtöbb ember állandóan magánál hordja az okostelefonját, minden lépésük követhető, és ezek többsége nagyon is kiszámítható.

Melyek voltak a konferencia legforróbb témái?

Minden kétség nélkül a deep learning (mélytanulás). Ez néhány olyan problémát is megoldott már, amelyekről sokan azt gondolták, hogy még jó ideig megoldatlanok maradnak, ezért most már nagyon nagyok az ezzel kapcsolatos várakozások.

Mi a legszórakoztatóbb abban, ha az ember ajánlórendszerekkel dolgozik?

A legkielégítőbb látni egy működő rendszer eredményeit, és ezalatt nem csak azt értem, hogy nő az üzleti értéke, hanem azt is, amikor egyértelművé válik, hogy az ajánlások egyre relevánsabbak a felhasználóknak, vagy esetemben a hírolvasóknak. Imádom, hogy egy csomó érdekes elméletet tanulmányozni kell az algoritmusok, a matematika és a statisztika területén, de ugyanilyen fontos, hogy megértsük azokat a felhasználókat, akiket megcélzunk. A Strossle esetében ez azt jelenti, hogy elemeznünk kell, hogyan fogyasztanak az emberek híreket, és hogyan mutassuk meg számukra az ajánlásokat.

Mi a legnagyobb kihívás manapság az ajánlórendszerekkel dolgozók számára?

Az egyik nagy kihívás az, hogy mérni tudjuk az ajánlórendszerek hozzáadott értékét. Ott a kannibalizáció jelensége. Ez azt jelenti, hogy az ajánlások láthatóan rendelkeznek hozzáadott értékkel, ám közben negatív hatással lehetnek a site többi részére, mert “ellopják” a forgalmat. A kannibalizáció mérése kihívást jelent, mert amikor egy egész oldal teljesítményét vizsgálod, nagyon sok adat keletkezik, és nehéz a lényeget kiszűrni.

A Strossle gépi tanulással foglalkozó csapatának tagja vagy. Milyen szerepet játszik a gépi tanulása a cikkajánlók jobbá tételében?

A gépi tanulás a rendszerünk motorja. Az algoritmusaink találják ki, hogy melyik cikk találkozik a felhasználók érdeklődésével a legnagyobb valószínűséggel.

Hogyan történik ez?

Az előbbieket pontosítva, a gépi tanulás a szövegek elemzésében és a felhasználói viselkedés vizsgálatában játszik szerepet. Az algoritmusaink képesek a cikkek tartalmának és a felhasználók korábbi tevékenységének a vizsgálatára annak érdekében, hogy kiderüljön, mely cikkek tekinthetőek egymáshoz hasonlónak, mely kategóriákat szeret egy adott felhasználó, vagy mely témák a legnépszerűbbek jelenleg. Ezen információkat már fel lehet használni olyan tartalmak ajánlásához, amelyek egy adott felhasználónak egy adott helyzetben a leginkább relevánsak.

Van olyan területe a hétköznapoknak, ahol az ajánlásoknak a mostaninál nagyobb hasznát vehetnénk?

Szeretném, ha több ajánlás lenne az otthonomban. Például amikor főzök, egy ajánlórendszer követhetné, hogy mit raktam a serpenyőbe és fűszereket ajánlhatna. Vagy a hűtőm követhetné az étkezési szokásaimat, és jelezhetné, mikor vegyek friss tejet vagy még jobb borokat a péntek estékre.

Az interjú eredetileg partnerünk, a Strossle blogján jelent meg.