Ako e-shopy určia, čo sa vám bude páčiť?

Fínske školy

Fínske školy, to je to, kam máme podľa viacerých vplyvných ľudí v školstve smerovať. Teda nie že by sme sa tam mali fyzicky presunúť, ale snažiť sa zobrať si z nich to najlepšie a aplikovať v našom prostredí.

Keď chceš zmeniť svet, musíš začať od seba.

Tak som si zobral to, čo je najlepšie pre mňa. Univerzita v Helsinkách (mimochodom, majú web helsinki.fi – predstavte si, že na nitra.sk by bola UKF-ka alebo SPU-čka. Pravda to nedáva logiku ?) zverejnila elearningový kurz o umelej inteligencii. Zatiaľ ho mám zmáknutý asi na 80%, je to skvelé! Ak vieš anglicky a máš šikovný stredoškolský mozog, v pohode to dáš. Hovoria tam o veciach ako umelá inteligencia, strojové učenie, big data, neurónové siete a pod. Hlavný prínos je ale v tom, že ťa nútia premýšľať. Sú tam po každej časti úlohy, ktoré bez predošlého pochopenia nedáš. Celé je to zadarmo tu.

Nadšenie sa šíri oveľa horšie ako črevná viróza.

Predošlý odsek som aj s mimikou a gestami posunul asi 30-40 študentom. Nemám info, že by ten kurz niekto z nich robil. Takže som predžul aspoň jeden z viacerých hajlajtov:

K veci

Zaujíma vás, ako si e-shopy vyberú tovar, ktorý sa vám zrejme páči? (mám na mysli odporúčania konkrétne pre vás osobne) Ak áno, čítajte ďalej.  Ak nie, vzbuďte si záujem a čítajte ďalej.

Pozn.: Je to mega využívaný algoritmus, na Spotify, na Amazone, na FB, na Martinuse a všade, kde chceme cieliť personalizovaný obsah podľa predošlého správania užívateľov. Čím viac dát máme, tým presnejšie vieme cieliť (strojové učenie – čím viac a dlhšie robím, tým som v tom lepší).

Kľúčový je už samotný názov: nearest neighbor classifier (zaraďovač najbližších susedov). Predstavte si, že máte eshop a máte dáta od množstva registrovaných užívateľov – viete, čo si už u vás kúpili. Napr. takéto niečo, len oveľa viac riadkov:

A potom tu máme konkrétneho TEBA – JUDr. kpt, o ktorom ideme predpovedať, čo si asi najbližšie kúpiš.

Prvým krokom je ohodnotiť v tej vrchnej tabuľke každého človeka z pohľadu podobnosti s JUDr. kpt. Teda zistiť, koľko vecí máš so všetkými ostatnými spoločné. Napr. s Henrikom sú to 2 veci.

Otázka 1: Kto je najbližším susedom nášho JUDr. kpt. ?

Keď zistíme, kto je najbližším susedom, tak odporúčaná vec je jeho posledný nákup.

Otázka 2: Čo odporučíme kúpiť JUDr. kpt. ?

To je celá veda. Tí, ktorí ste pričuchli k programovaniu, si viete predstaviť náročnosť výpočtu najbližšieho suseda pre tisícky zákazníkov v reálnom čase.

Nabudúce si priblížime to, ako fungujú spamové filtre. Pre mňa je to tiež pomerne fascinujúce zistenie, že ako sa môj mailový server rozhodne, čo pošle do doručenej pošty (HAM-u) a čo do SPAM-u.

 

Zdroj obrázkov: course.elementsofai.com

Odpoveď 1: Ville

Odpoveď 2: sunscreen

Reklamy

Pridaj komentár

Zadajte svoje údaje, alebo kliknite na ikonu pre prihlásenie:

WordPress.com Logo

Na komentovanie používate váš WordPress.com účet. Odhlásiť sa /  Zmeniť )

Google photo

Na komentovanie používate váš Google účet. Odhlásiť sa /  Zmeniť )

Twitter picture

Na komentovanie používate váš Twitter účet. Odhlásiť sa /  Zmeniť )

Facebook photo

Na komentovanie používate váš Facebook účet. Odhlásiť sa /  Zmeniť )

Connecting to %s