DA
Forbind din AI-agent

Føj Hello Retail til din AI-assistent

For Hello Retail-kunder: Kopiér adressen, og tilføj den som connector i Claude, ChatGPT eller Codex.

MCP-adresse

https://core.helloretail.com/mcp

Endnu ikke kunde?MCP kræver et Hello Retail-login. Fortæl os, hvad du vil bygge.

Lad os snakke
Lad os snakke

Anbefalingssystemers karakter

Hello Retail·March 19, 2021·5 min read

I denne informationsalder er anbefalingssystemer (RS) blevet en uundværlig del af vores hverdag. Uanset om du er bevidst om deres tilstedeværelse eller ej, er de til hjælp, når du f.eks. lytter til musik på Spotify, ser film på Netflix, handler på Amazon osv.

Så hvad er RS egentlig?

Forestil dig følgende situation: Du vil gerne købe et pænt jakkesæt til et nyt job og går ind i en eksklusiv modebutik. En medarbejder i butikken byder dig hjerteligt velkommen og spørger, hvad du har brug for. Ja, et jakkesæt selvfølgelig, og du fortsætter med at fortælle medarbejderen om dine foretrukne designs, farver og stoffer. Efter et par sekunders overvejelse fører medarbejderen dig hen til et hjørne af butikken og viser dig en række jakkesæt, der matcher dine ønsker. Efter at have gennemgået nogle af disse muligheder bliver du pludselig inspireret og kommer med et par nye ønsker til medarbejderen. Samtalen fortsætter. Til sidst beslutter du dig for et mellemgråt, slim fit, formelt jakkesæt. Under samtalen har du også fortalt medarbejderen, at du vælger jakkesættet til et nyt job, og at du gerne vil gøre et godt indtryk på dine nye kolleger. Medarbejderen begynder derefter at spørge, om du måske også vil overveje tilbehør, der kan tilføre jakkesættet ekstra værdi, for eksempel et blåt slips. Du kan tænke på en RS ganske enkelt som en supermedarbejder, der kan betjene millioner af kunder på én gang. En sådan medarbejder vil åbenbart ikke være et menneske.

En egentlig RS er en algoritme, der kan behandle statiske produktoplysninger, såsom tekstbeskrivelser og billeder, samt dynamiske oplysninger, der spænder fra en bestemt kundes præferencer til de globale tendenser på markedet, og som kan anvende disse oplysninger til at betjene de enkelte kunder på en personlig måde – præcis som man ville forvente det, når man taler med en rigtig kyndig medarbejder i en butik. Selvom det lyder meget kraftfuldt, er det et yderst udfordrende problem, som i øjeblikket er genstand for intensiv forskning både i erhvervslivet og i den akademiske verden.

Robot med mus til bærbar computer

Et af de oplagte spørgsmål, man kunne stille sig, er: Hvordan kan en computer »forstå«, hvad et produkt er, eller rettere sagt, hvordan forskellige produkter hænger sammen?

Når alt kommer til alt, er det eneste, en computer forstår, 0’er og 1’er. Tilbage til vores eksempel med at vælge et jakkesæt: Det er relativt nemt for en algoritme at genkende kundens valg af design, farve og stof – man skal blot give en komplet liste over mulige valgmuligheder og bede kunderne om at afkrydse det ønskede på formularen. En enkel løsning, tænker du måske. Man skal dog huske på, at disse oplysninger (farve, stil, stof) skal indtastes manuelt for hvert enkelt produkt, for at den enkle løsning kan fungere. Dette kan hurtigt blive et arbejdskrævende job, for slet ikke at tale om pålideligheden af menneskelige indtastninger. Men lad os sige, at vi brugte timer/dage/måneder/år på at oprette et perfekt organiseret varelager; så opstår det næste spørgsmål: Hvordan ved en computer, at et slips er »relateret« til et jakkesæt – i det mindste mere end en skumfidus er? Det er langt mindre indlysende, hvordan opbygningen af et varelager kan bidrage til at løse problemet. Faktisk kan det endda blive svært for en almindelig person at afgøre, hvilke tilbehør der passer bedst til en given jakkesætstil, uden at rådføre sig med en ekspert.

Den moderne løsning på udformningen af RS inddrager mange af de grundlæggende idéer fra maskinlæring og kunstig intelligens. Husk for eksempel, at det første, butikspersonalet gjorde, da kunden spurgte efter jakkesæt, var at præsentere ham for et udvalg af jakkesæt, der passede til kundens smag. Disse valg kan kaldes alternativer, og det kunne lige så vel være forskellige mærker af vin eller sko. En algoritmisk metode til at finde alternativer er at anvende de såkaldte klyngedannelsesteknikker. Kort fortalt finder man en repræsentativ vektor for hvert produkt (husk, at computeren ikke genkender produkter, men kun 0’er og 1’er) i et normalt højdimensionelt vektorrum, således at lignende produkter kortlægges til vektorer, der ligger tæt på hinanden. Følgende figur illustrerer denne idé, hvor produkter kortlægges til et 2-dimensionelt vektorrum, og forskellige typer produkter har en tendens til løst at danne klynger.

anbefalingslogik

»Den nærmeste nabo«

Det næste trin i processen er at udføre en såkaldt »nærmeste nabosøgning«, hvor målet er at finde de nærmeste tilstødende produkter – også kaldet alternativer – til et hvilket som helst forudvalgt produkt.

Hvis man endnu en gang ser på figuren ovenfor, kan man forestille sig en cirkel med et jakkesæt i centrum. Inden for cirklen findes der andre typer jakkesæt samt en anseelig mængde skjorter og lejlighedsvis nogle slips. På den anden side vil produkter som shampoo eller parfume holde sig langt væk fra vores mål, nemlig et jakkesæt, og det er meget usandsynligt, at de dukker op, når man leder efter jakkesæt. Det er på denne måde, vi finder ud af sammenhængen mellem forskellige produkter. Faktisk er »nærmeste nabo-søgningen« i sig selv en hjørnesten inden for maskinlæring og har en enorm indflydelse på blandt andet medicinsk diagnose, vejrudsigter og politik – ud over e-handel selvfølgelig.

For at finde passende vektorrepresentationer af produkter føres man ind i en anden fantastisk verden af teknikker: Neurale netværk og dyb læring. Det har mildt sagt været en revolution, den måde, hvorpå neurale netværk ændrer landskabet inden for mange aspekter af menneskelig viden. I vores eksempel vil et jakkesæt blive skelnet fra en skumfidus, fordi de »ser« forskellige ud, både for vores øjne og for et konvolutionelt neuralt netværk.

Hurra! Efter at have taget alle disse teknologier i brug, der kan vende op og ned på verden, er det lykkedes os at lære computeren at simulere vores butikspersonales første skridt: At præsentere kunden for en række alternative valgmuligheder – denne gang uden behov for særlig meget menneskelig indgriben, såsom et perfekt lager. Hvis det lyder lidt tungt for dig, vil det være en lettelse at vide, at det egentlige spil først lige er begyndt. Et vellykket RS stopper ikke på dette stadie, men vil gå videre til at simulere vores butikspersonales senere trin, f.eks. at anbefale passende slips, bælter eller sko til en kunde, der har »valgt« et jakkesæt, som ekstra tilbehør.

Da RS ikke har nogen viden inden for dette fagområde, må systemet lære af en enorm database med oplysninger om kundernes browsing- og købsadfærd. Dette fører os ind på endnu et mystisk område, hvor der både findes »fremmede« begreber som sparsomme datastrukturer, singulærværdidekomponering og hovedkomponentanalyse, samt mere velkendte begreber som søgning efter nærmeste naboer.

Vejen strækker sig i det uendelige, udfordringerne er der stadig, og horisonten er inden for synsvidde.