Bei explizitem Feedback benötigt die KI weniger Daten als man denkt

Registrieren Sie sich jetzt für Ihren kostenlosen virtuellen Pass für den Low-Code/No-Code Summit am 9. November. Hören Sie von den führenden Anbietern von Service Now, Credit Karma, Stitch Fix, Appian und mehr. Weitere Informationen.

Wir alle haben verstanden, dass KI und maschinelles Lernen die magische Sauce sind, die Internet-Properties für Verbraucher antreibt. Facebook, Amazon und Instacart haben riesige Datensätze und eine große Anzahl von Benutzern. Die allgemeine Meinung besagt, dass dieser Größenvorteil eine starke Wettbewerbslücke ist; Es ermöglicht eine viel bessere Personalisierung, Empfehlungen und letztendlich eine bessere Benutzererfahrung. In diesem Artikel werde ich Ihnen zeigen, dass diese Lücke flacher ist, als es scheint; und dass alternative Ansätze zur Personalisierung außergewöhnliche Ergebnisse erzielen können, ohne sich auf Milliarden von Datenpunkten zu verlassen.

Die meisten Benutzerdaten stammen heute aus implizitem Verhalten

Wie verstehen Instagram und TikTok Ihre Vorlieben und Abneigungen? Natürlich gibt es explizite Signale – Likes und Kommentare. Aber die überwiegende Mehrheit Ihrer Interaktionen sind nicht diese; es ist Ihr Scroll-Verhalten, "Mehr erfahren"-Klicks und Video-Interaktionen. Benutzer konsumieren weit mehr Inhalte, als sie produzieren; Die Schlüsselfaktoren, die Social-Media-Plattformen verwenden, um zu bestimmen, was Ihnen gefallen hat und was nicht, basieren auf diesen Indizes. Hast du dieses Instagram-Video stumm geschaltet und es 30 Sekunden lang angesehen? Instagram kann auf Ihr Interesse schließen. Parade voraus, um zu springen? Okay, nicht so sehr.

Hier ist jedoch eine Schlüsselfrage: Weiß Instagram, warum du die Stummschaltung dieser Katze in einem Motorradvideo aufgehoben hast? Natürlich nicht - sie haben nur das Verhalten beobachtet, aber nicht das Warum dahinter. Vielleicht haben Sie auf dem ersten Bild ein bekanntes Gesicht gesehen und möchten mehr sehen. Oder weil Sie Motorräder mögen. Oder im Chat. Oder Sie haben versehentlich geklickt. Sie können es aufgrund der Struktur der Benutzererfahrung und der Kundenerwartungen nicht wissen. Um zu wissen, ob es die Katzen, die Motorräder oder etwas völlig anderes waren, müssen sie viel mehr von Ihrem Verhalten beobachten. Sie zeigen Ihnen Videos von Motorrädern und separat Videos von Katzen, und das kann ihr Selbstvertrauen ein wenig stärken.

Zusätzlich zu diesem Problem erkennt die Plattform in diesem Video nicht nur "Katzen" und "Motorräder": Es gibt Dutzende, wenn nicht Hunderte von Merkmalen, die erklären könnten, warum Sie interessiert waren . Wenn es keine raumdefinierende Taxonomie gibt, benötigt ein Deep-Learning-Ansatz, der keine Taxonomie (d. h. Merkmalsdefinition) erfordert, mehrere Größenordnungen an Daten.

Vorfall

Low-Code/No-Code-Vertex

Schließen Sie sich am 9. November virtuell den Top-Führungskräften von heute beim Low-Code/No-Code-Gipfel an. Melden Sie sich noch heute für Ihren kostenlosen Pass an.

hier registrieren Weiterentwicklung der Mensch-Computer-Interaktionen

Sie können sehen, wie anfällig und datenintensiv dieser Ansatz ist, alles nur, weil er auf impliziten Verhaltensrückschlüssen basiert.

Lassen Sie uns einen alternativen Ansatz zum Verständnis der Benutzerabsicht anhand einer Analogie bewerten. Stellen Sie sich eine soziale Interaktion vor, bei der Person A dasselbe Video Person B zeigt. Wenn Person B einfach sagt „das ist großartig“, kann A viel über die Vorlieben von B ableiten? Nicht viel. Was wäre, wenn stattdessen A mit "Was hat dir gefallen?" Aus der Antwort auf diese Frage lässt sich viel ableiten.

Wie lässt sich diese Interaktion auf die Welt der Mensch-Computer-Interaktionen übertragen?

Explizites Feedback: Fragen Sie einfach den Benutzer!

Schauen wir uns Fahrgemeinschaften an. Eine zentrale Anforderung in diesem Geschäft ist die Sicherstellung der Qualität der Fahrer; ein Treiber, der ein p erstellt ...