IT
Collega il tuo agente AI

Aggiungi Hello Retail al tuo assistente AI

Per i clienti Hello Retail: Copia l'indirizzo e aggiungilo come connettore in Claude, ChatGPT o Codex.

Indirizzo MCP

https://core.helloretail.com/mcp

Non sei ancora cliente?L'MCP richiede un accesso Hello Retail. Raccontaci cosa vuoi costruire.

Parliamone
Parliamone

La natura dei sistemi di raccomandazione

Hello Retail·March 19, 2021·5 min read

In questa era dell’informazione, i sistemi di raccomandazione (RS) sono diventati una parte indispensabile della nostra vita quotidiana. Che tu ne sia consapevole o meno, ti sono utili quando, ad esempio, ascolti musica su Spotify, guardi film su Netflix, fai acquisti su Amazon, ecc.

Ma allora, cos’è proprio l’RS?

Immagina questa situazione: Vuoi comprarti un bel completo per un nuovo lavoro ed entri in un negozio di moda dall’aspetto elegante. Un commesso ti accoglie calorosamente e ti chiede cosa cerchi. Beh, un completo ovviamente, e prosegui spiegando al commesso quali sono i modelli, i colori e i tessuti che preferisci. Dopo qualche secondo di riflessione, il commesso ti accompagna in un angolo del negozio e ti mostra una selezione di completi che corrispondono alle tue richieste. Dopo aver esaminato alcune di queste opzioni, all’improvviso ti viene un’idea e fai qualche nuova richiesta al commesso. La conversazione prosegue. Alla fine, decidi di optare per un completo formale grigio medio, dalla vestibilità slim. Durante la conversazione, hai anche spiegato al commesso che stai scegliendo il completo per un nuovo lavoro e che vuoi fare un’ottima impressione sui tuoi nuovi colleghi. Il commesso inizia quindi a chiederti se potresti prendere in considerazione anche degli accessori in grado di valorizzare ulteriormente l’abito, ad esempio una cravatta blu. Puoi pensare a un RS semplicemente come a un commesso super in grado di servire milioni di clienti contemporaneamente. A quanto pare, un commesso del genere non sarà un essere umano.

Un vero e proprio RS è un algoritmo in grado di elaborare sia informazioni statiche sui prodotti, come descrizioni testuali e immagini, sia informazioni dinamiche, che vanno dalle preferenze di un singolo cliente alle tendenze globali del mercato, e di utilizzare queste informazioni per servire ogni cliente in modo personalizzato, proprio come ci si aspetterebbe parlando con un vero commesso esperto in un negozio. Per quanto possa sembrare incredibilmente potente, si tratta di un problema estremamente complesso, attualmente oggetto di intense ricerche sia da parte dell’industria che del mondo accademico.

Robot con mouse per computer portatile

Una delle domande più ovvie che ti potrebbero venire in mente è: Come fa un computer a “capire” cos’è un prodotto, o meglio, come sono collegati tra loro i diversi prodotti?

Dopotutto, l’unica cosa che il computer capisce sono gli 0 e gli 1. Tornando alla nostra storia sulla scelta di un abito, per un algoritmo è relativamente facile riconoscere le scelte del cliente in termini di modello, colore e tessuto: Basta fornire un elenco completo delle opzioni disponibili e chiedere ai clienti di spuntare quelle che preferiscono sul modulo. Una soluzione semplice, potresti pensare. Va però ricordato che, affinché questa soluzione funzioni, queste informazioni (colore, modello, tessuto) devono essere inserite manualmente per ogni singolo prodotto. Questo può diventare rapidamente un lavoro molto impegnativo, per non parlare dell’affidabilità degli inserimenti fatti a mano. Ma supponiamo di aver dedicato ore/giorni/mesi/anni a creare un inventario perfettamente organizzato: A questo punto sorge la domanda: Come fa un computer a sapere che una cravatta è “correlata” a un abito, almeno più di quanto lo sia un marshmallow? È molto meno ovvio capire in che modo la creazione di un inventario possa aiutare a risolvere il problema. Anzi, per una persona normale potrebbe persino diventare difficile capire quali accessori si abbinino meglio a un determinato stile di abito senza consultare un esperto.

La soluzione moderna alla progettazione dell’RS coinvolge molte delle idee fondamentali del Machine Learning e dell’Intelligenza Artificiale. Ad esempio, ricorda che la prima cosa che fa il personale del negozio quando un cliente chiede informazioni sui completi è presentargli una selezione di completi che corrispondono ai suoi gusti. Queste scelte possono essere definite “alternative” e potrebbero riguardare anche diverse marche di vino o di scarpe. Un modo algoritmico per trovare queste alternative è usare le cosiddette tecniche di clustering. In poche parole, si individua un vettore rappresentativo per ogni prodotto (ricorda che il computer non riconosce i prodotti, ma solo 0 e 1) in uno spazio vettoriale solitamente di grandi dimensioni, in modo tale che prodotti simili vengano mappati su vettori vicini. La figura seguente illustra questa idea: I prodotti vengono mappati in uno spazio vettoriale bidimensionale e i diversi tipi di prodotti tendono a formare dei cluster più o meno definiti.

logica dei consigli

Il “vicino più prossimo”

Il passo successivo del processo consiste nell’eseguire una cosiddetta ricerca del “vicino più prossimo”, il cui obiettivo è individuare i prodotti più simili, ovvero le alternative, per qualsiasi prodotto prescelto.

Se guardi di nuovo la figura qui sopra, puoi immaginare un cerchio con al centro un completo. All’interno del cerchio ci sono altri tipi di completi, oltre a un bel po’ di camicie e, ogni tanto, qualche cravatta. D’altra parte, prodotti come lo shampoo o il profumo resteranno ben lontani dal nostro obiettivo, cioè il completo, e sarà molto improbabile che compaiano quando cerchi dei completi. È così che scopriamo la relazione tra i diversi prodotti. Infatti, la ricerca del vicino più prossimo è di per sé una pietra miliare del Machine Learning e ha un impatto enorme, ad esempio, sulla diagnosi medica, sulle previsioni meteorologiche e sulla politica, oltre che, ovviamente, sull’e-commerce.

Per trovare rappresentazioni vettoriali adeguate dei prodotti, ci si ritrova in un altro meraviglioso mondo di tecniche: Le reti neurali e il deep learning. È stata una vera e propria rivoluzione, per usare un eufemismo, il modo in cui le reti neurali hanno cambiato il panorama di molti aspetti della conoscenza umana. Nel nostro esempio, un abito si distinguerà da un marshmallow perché “sembrano” diversi, sia ai nostri occhi che a quelli di una rete neurale convoluzionale.

Evviva! Dopo aver implementato tutte queste tecnologie in grado di stravolgere l’universo, siamo riusciti a insegnare al computer a simulare il primo passo del nostro personale di negozio: Presentare al cliente una serie di opzioni alternative, questa volta senza bisogno di un grande intervento umano, come ad esempio un inventario perfetto. Se ti sembra un po’ complicato, ti farà piacere sapere che il gioco vero e proprio è appena iniziato. Un RS di successo non si ferma a questo punto, ma passerà a simulare le fasi successive del lavoro del nostro personale di negozio, ad esempio consigliando cravatte, cinture o scarpe adatte a un cliente che ha “scelto” un abito, come valore aggiunto.

Senza avere alcuna conoscenza in questo campo, l’RS deve imparare da un enorme database di dati relativi alla navigazione e agli acquisti dei clienti. Questo ci porta in un altro territorio misterioso, abitato da creature aliene come le strutture di dati sparse, la decomposizione in valori singolari e l’analisi delle componenti principali, ma anche da volti amici come la ricerca dei vicini più prossimi.

Il percorso va avanti senza fine, le sfide non mancano e l’orizzonte è già in vista.