NL
Verbind je AI-agent

Voeg Hello Retail toe aan je AI-assistent

Voor klanten van Hello Retail: Kopieer het adres en voeg het toe als connector in Claude, ChatGPT of Codex.

MCP-adres

https://core.helloretail.com/mcp

Nog geen klant?De MCP werkt met een Hello Retail-login. Vertel ons wat je wilt bouwen.

Laten we praten
Laten we praten

De aard van aanbevelingssystemen

Hello Retail·March 19, 2021·5 min read

In dit informatietijdperk is het aanbevelingssysteem (RS) een onmisbaar onderdeel van ons dagelijks leven geworden. Of je je er nu bewust van bent of niet, het helpt je bijvoorbeeld als je naar muziek luistert op Spotify, films kijkt op Netflix, winkelt op Amazon, enzovoort.

Wat is RS eigenlijk?

Stel je het volgende scenario eens voor: Je wilt een mooi pak kopen voor je nieuwe baan en je loopt een chique modewinkel binnen. Een medewerker van de winkel begroet je hartelijk en vraagt wat je zoekt. Nou, een pak natuurlijk, en je vertelt de medewerker verder welke ontwerpen, kleuren en stoffen je het mooist vindt. Na even nadenken leidt de medewerker je naar een hoekje van de winkel en laat je verschillende pakken zien die aan je wensen voldoen. Nadat je een paar van deze opties hebt bekeken, raak je plotseling geïnspireerd en stel je een paar nieuwe wensen aan de medewerker. Het gesprek gaat verder. Uiteindelijk besluit je voor een middelgrijs, slim fit, formeel pak te gaan. Tijdens het gesprek heb je de medewerker ook verteld dat je het pak uitzoekt voor een nieuwe baan en dat je een strakke indruk wilt maken op je nieuwe collega’s. De medewerker vraagt je vervolgens of je misschien ook accessoires wilt overwegen die het pak nog meer laten uitkomen, bijvoorbeeld een blauwe stropdas. Je kunt een RS simpelweg zien als een supermedewerker die miljoenen klanten tegelijk kan bedienen. Blijkbaar zal zo’n medewerker geen mens zijn.

Een echte RS is een algoritme dat zowel statische productinformatie, zoals tekstuele beschrijvingen en afbeeldingen, als dynamische informatie – variërend van de voorkeuren van een bepaalde klant tot wereldwijde markttrends – kan verwerken, en deze informatie kan gebruiken om individuele klanten op een gepersonaliseerde manier van dienst te zijn, precies zoals je zou verwachten als je met een echte, deskundige medewerker in een winkel praat. Hoe superkrachtig het ook klinkt, het is een enorm uitdagend probleem waar momenteel zowel vanuit de industrie als de academische wereld intensief onderzoek naar wordt gedaan.

Robot met laptop en computermuis

Een van de voor de hand liggende vragen die je je zou kunnen stellen is: Hoe kan een computer ‘begrijpen’ wat een product is, of beter nog, hoe verschillende producten met elkaar in verband staan?

Een computer begrijpt tenslotte alleen maar nullen en enen. Terug naar ons verhaal over het uitkiezen van een pak: Het is voor een algoritme relatief eenvoudig om de keuzes van de klant qua ontwerp, kleur en stof te herkennen. Het enige wat je hoeft te doen, is een volledige lijst met mogelijke keuzes aan te bieden en de klanten te vragen het formulier in te vullen. Een simpele oplossing, zou je denken. Maar vergeet niet dat deze gegevens (kleur, stijl, stof) voor elk afzonderlijk product handmatig moeten worden ingevoerd, wil die simpele oplossing werken. Dit kan al snel een arbeidsintensieve klus worden, om nog maar te zwijgen van de betrouwbaarheid van menselijke invoer. Maar stel dat we uren/dagen/maanden/jaren hebben besteed aan het opzetten van een perfect georganiseerde inventaris, dan rijst de volgende vraag: Hoe weet een computer dat een stropdas ‘bij’ een pak hoort, in ieder geval meer dan een marshmallow dat doet? Het is veel minder vanzelfsprekend hoe het opzetten van een inventaris kan helpen bij het oplossen van het probleem. Sterker nog, het kan voor een gewoon mens zelfs lastig zijn om te bepalen welke accessoires het beste bij een bepaalde pakstijl passen, zonder een expert te raadplegen.

De moderne aanpak voor het ontwerp van RS maakt gebruik van veel fundamentele ideeën uit machine learning en kunstmatige intelligentie. Denk er bijvoorbeeld aan: Het eerste wat het winkelpersoneel doet als een klant naar pakken vraagt, is hem een aantal pakken laten zien die bij zijn smaak passen. Deze keuzes kun je ‘alternatieven’ noemen, en het kunnen net zo goed verschillende merken wijn of schoenen zijn. Een algoritmische manier om alternatieven te vinden, is door gebruik te maken van zogenaamde clusteringtechnieken. Kort gezegd zoek je voor elk product een representatieve vector (onthoud dat een computer geen producten herkent, alleen nullen en enen) in een meestal hoogdimensionale vectorruimte, zodat vergelijkbare producten worden toegewezen aan vectoren die dicht bij elkaar liggen. De volgende afbeelding illustreert dit idee, waarbij producten worden toegewezen aan een tweedimensionale vectorruimte en verschillende soorten producten de neiging hebben om losse clusters te vormen.

aanbevelingslogica

De “dichtstbijzijnde buur”

De volgende stap in het proces is het uitvoeren van een zogenaamde ‘nearest neighbor search’, waarbij het de bedoeling is om voor elk vooraf gekozen product de dichtstbijzijnde verwante producten – oftewel alternatieven – te vinden.

Als je nog eens naar de bovenstaande afbeelding kijkt, kun je je een cirkel voorstellen met een pak als middelpunt. Binnen die cirkel vind je andere soorten pakken, maar ook een flink aantal overhemden en af en toe een stropdas. Producten als shampoo of parfum blijven daarentegen ver weg van ons doel, het pak, en je zult ze vrijwel nooit tegenkomen als je op zoek bent naar pakken. Zo ontdekken we de relatie tussen verschillende producten. De ‘nearest neighbor search’ is eigenlijk zelf een hoeksteen van machine learning en heeft een enorme impact op bijvoorbeeld medische diagnoses, weersvoorspellingen en de politiek, naast e-commerce natuurlijk.

Om geschikte vectorrepresentaties van producten te vinden, kom je terecht in een andere wondere wereld van technieken: Neurale netwerken en deep learning. Het is op zijn zachtst gezegd een revolutie geweest, de manier waarop neurale netwerken het landschap van veel aspecten van menselijke kennis hebben veranderd. In ons voorbeeld wordt een pak onderscheiden van een marshmallow omdat ze er anders ‘uitzien’, zowel voor onze ogen als voor een convolutioneel neuraal netwerk.

Joepie! Na al die technologieën te hebben ingezet die de wereld op z’n kop kunnen zetten, is het ons gelukt om de computer te leren de eerste stap van ons winkelpersoneel te simuleren: De klant een hele reeks alternatieve keuzes voorleggen, dit keer zonder dat er veel menselijke input nodig is, zoals een perfecte voorraad. Als dat je een beetje ingewikkeld klinkt, zal het een opluchting zijn om te weten dat het echte spel nu pas is begonnen. Een succesvolle RS stopt niet bij deze fase, maar gaat verder met het simuleren van latere stappen van ons winkelpersoneel, bijvoorbeeld het aanbevelen van passende stropdassen, riemen of schoenen aan een klant die al voor een pak heeft ‘gekozen’, als extra’s.

Zonder enige kennis op dit vakgebied moet het RS leren van een enorme database met browse- en aankoopgegevens van klanten. Dit brengt ons weer op een mysterieus terrein vol vreemde wezens zoals Sparse Data Structures, Singular Value Decompositions en Principal Component Analysis, maar ook met bekende gezichten zoals ‘Nearest Neighbors Search’.

De weg gaat maar door, de uitdagingen blijven bestaan en de horizon ligt in zicht.