Ai tv – что это такое в телевизоре?
03.09.2019 1,858 Просмотры
Сегодняшнее поколение все больше приближается к утопическим размышлениям, изложенным в фильме «Терминатор», где искусственный интеллект помогает улучшить жизнь каждого человека на всем земном шаре. Телевидение и цифровые технологии – тому пример. Новым трендом в мире телевидения является AI TV.
Управление дистанционно
Компания LG постоянно внедряет инновационные разработки в свои изобретения. AI – новая разработка искусственного интеллекта под линейкой ThinQ.
Новые SMART телевизоры будут оснащены этой системой, которая позволяет:
Это не полный перечень, так как существует ряд дополнительных, невидимых для глаза и слуха систем, которые работают в фоновом режиме.
Не секрет, что цифровое и спутниковое телевидение вытесняет аналоговое. Людям интереснее смотреть то, что они выберут сами, а не то, что предложит телеканал, тем более что программы стали скучными, рутинными и не вдохновляющими.
Все работает с поисковой системой Google. На Российском рынке уже немало гаджетов с интегрированной системой искусственного интеллекта «Алиса», но пока она требует глубокой доработки, прежде чем получит признание потребителя. На данный момент потребителя пугает несбалансированность цены и качества.
Таким образом, интеллектуальная система цифрового телевидения AI пока является лидером в мире телевизионных технологий.
Технология ai recommendation что это
Обучаемая система предсказания поведения покупателей «Рив Гош» на базе ML позволила повысить точность персональных товарных рекомендаций по конкретным артикулам на 33%, тем самым повысив лояльность клиентов, увеличив объем продаж и снизив издержки на маркетинговые акции. Проект охватил более 220 торговых точек по всей России и интернет-магазин «Рив Гош». Программа позволяет выявить из всех держателей карт лояльности (2,6 млн человек) тех, кто потенциально может совершить покупку в ближайшие две недели и сделать прогноз топ-2 покупок по каждому из этих клиентов до уровня конкретного артикула. В результате компания может своевременно предложить интересующему сегменту клиентов скидку на выбранные позиции (размер скидки рассчитывается для каждого клиента индивидуально) и повысить вероятность продаж. В выявленном «золотом сегменте» держателей карт лояльности (1% от общей клиентской базы, 7% общей выручки) повторные обращения за покупками составили около 47% (против 22% в среднем), а сумма чека оказалась на 42% выше, чем у остальных покупателей.
Photo: Пресс-служба Рив гош
В 2018 году группа «М.Видео» запустила собственный data-science центр для решения задач целевого маркетинга и онлайн-торговли. По словам директора по информационным технологиям компании Сергея Сергеева, 75% клиентов начинают поиск техники в интернете, поэтому компания имеет большой объем данных о запросах и предпочтениях клиентов, истории покупок и коммуникации с ними. AI-система использует эти данные для облегчения поиска и выбора товаров, для создания персонализированных предложений, определяя склонность клиентов к различным видам промомеханик (скидки, индивидуальные промокоды, рассрочка, кэшбек). Кроме того, в процессе покупки система рекомендует подходящие аксессуары, ушедших с сайта клиентов возвращают с помощью e-mail рассылок, информируя их о возврате заинтересовавшего товара в продажу или скидках на него. Общий прогнозируемый эффект в 2018 году от реализации этих сценариев оценивается в 800 млн руб. дополнительного онлайн-оборота.
Photo: Пресс-служба М-видео
Компания «Инфосистемы Джет» в сотрудничестве с Агентством стратегических инициатив (АСИ) в рамках Национальной технологической инициативы (НТИ) разработала цифровую платформу управления талантами. Ее задача — давать рекомендации по подбору программ дополнительного образования для талантливых школьников и формировать персональные образовательные траектории с учетом имеющихся знаний, навыков и интересов. Система анализирует социальные и демографические данные пользователя и на ее основе предоставляет список рекомендуемых образовательных программ: обучающих курсов, данных Leader-ID и Университета НТИ «20.35». Решение позволит агрегировать данные об участниках дорожной карты НТИ «Кружковое движение» из множества источников, включая организации-партнеры НТИ, социальные сети, образовательные платформы, олимпиады, компьютерные игры, в будущем доступ к платформе смогут получить работодатели, заинтересованные в привлечении перспективных кадров. Запуск платформы в промышленную эксплуатацию запланирован до конца 2018 года.
Photo: Пресс-служба Bitronics
Запущенная пилотная чат-платформа на базе AI за год позволила банку «Ак Барс» автоматизировать работу контакт-центра на 40%, это же решение используется другими компаниями, входящими в группу, — «Ак Барс Финанс» и «Ак Барс Страхование». Сейчас банк разрабатывает систему виртуального персонального менеджера на основе чат-платформы, которая поможет клиентам совершать платежи и переводы. Сначала она будет доступна лишь для вип-пользователей, а потом распространится и на остальных клиентов. Системы дополненного интеллекта используются и для открытия брокерских счетов — они взяли на себя 5–10% нагрузки операторов. В будущем «Ак Барс» планирует надстроить чат-платформу системой голосового интерфейса, чтобы создать у клиента иллюзию общения с реальным человеком, и развивает технологию компьютерного зрения. Система Face2Pay способна идентифицировать пользователя по лицу с уровнем точности 99% — надежнее, чем по паспорту, и использовать эту информацию для доступа к платежам. «Это открывает широкие возможности для бизнеса в части обслуживания не только физлиц, но и предоставления услуг бизнесу — например, ретейлерам», — говорит руководитель направления развития перспективных продуктов «Ак Барс Цифровые технологии» Ярослав Шуваев.
Photo: Евгений Разумный ТАСС
Потенциал бизнес-изменений с использованием AI-технологий действительно огромен. По данным Accenture, в горизонте до 2035 года в 16 отраслях они способны нарастить темпы экономического роста в среднем на 1,7%. При этом наибольший рост добавленной стоимости продемонстрируют ИТ и телеком (4,8%), обрабатывающая промышленность (4,4%) и финансовые услуги (4,3%). В сфере строительства, образования, гостеприимства и отельного бизнеса такие решения повысит рентабельность деятельности больше всего, говорит Мария Григорьева. При этом развитие может идти по двум сценариям: полная трансформация бизнеса на основе AI или создание отдельных продуктов и сервисов. Оба сценария реализуют только 17% компаний, а занимаются хотя бы одним из направлений примерно 27%, отмечает эксперт.
По мнению эксперта по машинному обучению, соавтора курса Data Mining in Action Виктора Кантора (бывшего руководителя направления машинного обучения в «Яндекс.Такси»), машинное обучение будет активнее всего применяться в тех сферах, где есть много монотонной работы, выполняемой людьми, — например, в техподдержке. «Качество работы людей ощутимо падает от однотипных и скучных заданий, а алгоритмам все нипочем. Но нужно учитывать, что монотонная работа в целом стоит не очень дорого, поэтому даже если в человеко-часах экономия будет колоссальная, в деньгах это не так много», — отмечает он. Более перспективным может оказаться внедрение в тех компаниях, где процессы уже автоматизированы и накоплен значительный объем данных, — там возможно принимать решения вообще без участия людей. Например, речь может идти о многопользовательских интернет-сервисах (где AI активно используется уже давно) и промышленности.
Действительно, в промышленности уже тоже есть немало успешных примеров внедрения, говорит Владимир Молодых. «В одном проекте по предотвращению брака на промышленном производстве мы работали с 1200 параметрами, из них более 800 существенно влияли на то, уйдет итоговое изделие в брак или нет. Это химические и массовые характеристики, температура, скорость элементов производственного процесса, показания приборов и настройки станков. Причем не было такого, что 5–10 параметров влияли сильно, а остальные слабо. Понятно, что ни в одной человеческой голове увязать между собой сложно взаимозависящие 800 параметров в точную модель невозможно», — отмечает он.
По мнению ИТ-директора Wildberries Андрея Ревяшко, уровень внедрения искусственного интеллекта в ретейле на текущий момент незаслуженно низкий, хотя это реально работающий инструмент. «Совместно с отделом, развивающим ML/AI-технологии, в нашей информационной системе уже внедрены механизмы товарных рекомендаций, поиска товаров на сайте, распознания одежды по фотографии с целью подбора альтернативных вариантов, — рассказывает Андрей Ревяшко. — Сервис повысил конверсию более чем в два раза уже на этапе первых запусков».
AI-технологии уже кардинально трансформировали бизнес-модели банковской сферы, заинтересовавшейся этой темой одной из первых. «С помощью искусственного интеллекта можно автоматизировать большую часть core-бизнеса банка — на ключевых специалистах останется только стратегия развития, но и она будет опираться на прогнозы AI. Наибольший эффект от внедрения достигается в области работы с клиентами (сегментация клиентской базы, кредитный скоринг, предсказание оттока вкладчиков, выявление мошенничеств и др.), а также управления наличностью в кассах и банкоматах», — объясняет CEO TalkBank Михаил Попов.
Аналитика и маркетинговые исследования — еще одна перспективная «поляна» для искусственного интеллекта. На рынке растет спрос на новые типы исследований: аналитику big data, автоматизированный сбор данных, мониторинг социальных медиа, — то есть те области, где применяются машинные алгоритмы. «Сейчас уже многие компании пользуются результатами аналитики социальных медиа, где AI/ML применяется для категоризации сообщений, определения тональности упоминаний, выявления трендов. Становится хорошей практикой объединять результаты опросов с анализом социальных медиа, чтобы расширять знания о бренде, потребителе, выявлять новые тенденции на рынке», — отмечает заместитель генерального директора GfK Rus Марина Безуглова.
Ну купиии! Или применение AI для рекомендаций
Все же тут страдают от спама? Обвешаны адблокерами, white-листами, спам-фильтрами? Я точно сильно страдал от бесконечных предложений, но в какой-то момент стала появляться и полезная информация, причем еще в нужные моменты.
Став руководителем проектов по предиктивной аналитике в компании НОРБИТ, я оказался по другую сторону баррикад и хочу поделиться опытом по разработке рекомендательных сервисов для программ лояльности.
Источник
Рекомендательными системами уже давно никого не удивишь. Скорее наоборот, не так просто найти онлайн-магазин, который не предлагал бы вам купить что-то после добавления товара в корзину. Грамотно составленная лента рекомендаций или маркетинговая рассылка способна принести хорошую прибыль и повысить средний чек. Давайте посмотрим, как это работает.
Вкратце это выглядит так. Сначала мы выполняем работы по аналитике и кластеризации клиентской базы. На этом этапе становится понятно, чем объединены и чем отличаются группы клиентов, на какие признаки будет опираться будущая модель персональных рекомендаций. Исходя из бизнес-задач, выбираем метод разработки моделей, тестируем на исторических данных, делаем тестовую рассылку, проверяем уровень отклика (конверсию) и, если видим значимый прирост, несём в продакшн.
Мы придерживаемся следующей классификации маркетинговых предложений:
Если производится рассылка с предложением конкретных товаров, то в качестве конверсии можно взять долю клиентов, которые после получения сообщения совершили целевую покупку. Хотя здесь есть множество нюансов. Например, важно исключить из расчета тех клиентов, которые и без SMS всё равно бы купили товар.
В борьбе за цифру конверсии важно помнить о балансе между Precision и Recall, чтобы избежать ситуации, когда удалось добиться 100% попаданий в нужных клиентов, при этом модель рекомендовала всего трех клиентов из трех миллионов.
Кластеризация
Когда у компании клиентская база измеряется миллионами, проведение кластеризации позволяет узнать своих клиентов лучше. Для ее построения могут быть использованы следующие данные: история продаж, перечень торговых точек, каталог товаров, клиентские данные, проводимые акции и т.д. Полезно добавить и внешние данные, например, население городов, где была зарегистрирована карта лояльности или совершались покупки, информация о конкурентах. На основе анализа становится понятно, какие признаки могут сыграть роль в разделении клиентской базы на кластеры. Для каждого кластера выделяются разные характерные особенности. Часто ими оказываются такие признаки, как товарные предпочтения, социально-демографические факторы, частота и время покупок, активность клиента в последнее время, доля покупок по акциям или в праздники, реакция на рассылки.
Важным этапом является построение корреляционной матрицы для исключения признаков, которые сильно зависят друг от друга и могут перетягивать на себя важность в процессе разделения кластеров. Для визуализации можно применить метод PCA с предварительной нормализацией для упрощения работы алгоритма кластеризации (k-means), приведу пример кода на Python для этого:
Количество кластеров выбирается экспериментальным путем, опираясь на собственный опыт и учитывая сумму квадратов расстояний от образцов до ближайшего центра кластера. Обычно выделяют 7-10 кластеров. Брать меньшее число кластеров не очень полезно для бизнеса, большее — сложно обозначить четкие признаки разделения. Часто по графику трудно понять, когда следует остановиться.
График суммы квадратов расстояний от образцов до ближайшего центра кластера
В результате мы получаем клиентскую базу с метками о разделении клиентов на кластеры. Каждый кластер можно проанализировать, определить основные признаки. Кластеризация помогает формировать портреты типичных клиентов, объединяет клиентов по их поведению. С учетом этих знаний можно проводить отдельные маркетинговые кампании для каждого отдельного кластера, а также выстраивать эффективные персональные рекомендации и формировать рассылки, позволяющие добиться большей конверсии, избегая метода «ковровой бомбардировки».
Рекомендательные модели
Кроме общих рекомендаций типа товар-товар: «В 2020 году вместе с новым айфоном клиенты часто покупают блоки питания, наушники, провод зарядки…», пользуются популярностью такие модели:
UPLIFT для рекомендательных моделей
Итак, модель проанализировала клиентскую базу, отсортировала клиентов по убыванию интереса к определенному товару. Берем самый топ из списка и отправляем маркетинговые сообщения этим клиентам? К сожалению, нет.
В самом верху списка окажутся действительно самые лояльные к предложению клиенты, но как раз им ничего дополнительно отправлять и не следует.
Uplift-модель. Наиболее интересны для нас клиенты из группы «Убеждаемые»
Клиенты по-разному реагируют на маркетинговые предложения. Если игнорирование рассылки — это нормальная ситуация, то отпугивание чрезмерной назойливостью клиента, который и так хотел у нас что-то приобрести, — это точно не то, чего мы хотим добиться при построении рекомендательной системы.
Методика Uplift-моделирования разделяет клиентов на четыре категории. Согласно ей, на маркетинговую работу с «потерянными» и «лояльными» мы попусту потратим деньги и/или время; клиентов из группы «не беспокоить» вовсе настроим против себя; а вот «убеждаемые» — как раз те, кого мы ищем. Именно среди этой группы конверсия от правильно подобранных предложений повысится больше всего.
Где же хранить все важные данные по клиентам и почему нельзя просто использовать данные, хранимые в CRM или системе по управлению лояльностью? Часто нужна информация из множества дополнительных источников: активность на сайте, мобильных платформах, обогащенные данные из внешних систем и т.д. Мы для для этих задач используем DMP-кластер (Data Management Platform) — систему по сбору, анализу и управлению информацией о клиентах.
Перечень задач, которые решает платформа
Событие пути клиента (Customer Journey) представляет собой запись о произошедшем событии в какой-то точке контакта с клиентом, его идентификаторы и атрибуты, описывающие событие и его контекст. Допустим, пользователь зашел на страницу сайта. В таком случае атрибутами, описывающими событие, будут наименование страницы, раздел сайта, в котором находится пользователь, браузер и операционная система пользователя, форм-фактор устройства (мобильный телефон, планшет, компьютер). Также может определяться регион, из которого пользователь делал запрос — страна, город. Если клиент интернет-магазина положил товар в корзину, то такими данными будут название товара, категория товара, стоимость, которую видел пользователь, количество и т.д. Если пользователь перешел на сайт с какого-то рекламного объявления, то в привязке к событию сохраняются UTM-метки.
Чем больше различных признаков присутствует в данных, тем больше вероятность того, что рекомендательная система будет успешно справляться со своей задачей, поэтому для улучшения качества данных применяются методы обогащения данных и сквозной аналитики. Разница между ними состоит в том, что под обогащением данных подразумевается получение дополнительной информации из внешних сервисов, в то время как сквозная аналитика предполагает объединение данных из внутренних систем.
Прежде чем обрабатывать данные, нужно их получить, а учитывая, что задача построения рекомендаций требует актуальной информации, то и организовать автоматическое обновление данных. Для решения такого класса задач применяются ETL-системы. Мы выбрали NiFi, т.к. его удобнее всего интегрировать с нашей остальной инфраструктурой, построенной на базе кластера Hadoop.
Пайплайн в NiFi выстраивается из блоков, именуемых процессорами. Каждый процессор выполняет свою задачу. Приведу пример из четырех блоков.
Spark
Объем данных, с которым приходится работать при построении рекомендательных моделей, может измеряться сотнями гигабайт. В таких условиях не обойтись без инструмента, справляющегося с большими объемами информации. Мы выбрали pySpark, развернутый на кластере Hadoop.
Преимущества такого подхода
AirFlow
Airflow — библиотека для разработки и управления рабочими процессами. Пайплайны представлены в виде DAG’ов (directed acyclic graph), которые представляют собой код на языке Python, описывающий последовательность производимых действий. Для удобства работы Airflow имеет встроенный набор операторов, облегчающих выполнение определенных действий, например: bash_operator, s3_file_transform_operator, sqlite_operator и другие. Имеется планировщик задач и удобный веб-интерфейс.
Разработка рекомендательных моделей
Наша инфраструктура готова и пора перейти непосредственно к разработке рекомендательной системы.
Важно отметить, что принципы формирования рекомендаций во многом зависят от предметной области: где-то лучше будут работать рекомендации по подобию, где-то по сопутствующим товарам, где-то по связи покупок клиентов. Одна из наших рекомендательных систем предназначается для сети общественного питания. В ней мы используем модель Bayesian Personalized Ranking, суть которой заключается в следующем: оптимизация модели выполняется на основе ранга пар пользователь – товар. Для этого формируется матрица оценок — таблица размерности (количество клиентов Х количество товаров), где в ячейках указана метрика — степень заинтересованности клиента в товаре. В качестве метрики можно выбрать количество покупок, сумму, частоту, длительность просмотра товара в каталоге и другие производные метрики. Затем на основе этой матрицы оценок формируется датасет: (u, i, j) ∈ DS, что означает, что пользователь u предпочитает товар i товару j.
Такой подход может быть хорош, когда у нас мало дополнительной информации о клиентах, а имеется, например, только его история навигации по сайту. Но в том случае, когда данные о покупателях содержат дополнительные сведения, можно построить рекомендательную систему при помощи градиентного бустинга.
В этом случае важно максимально обогатить имеющиеся данные новыми признаками, такими как:
A/B тестирование
Как проще всего оценить рост конверсии от применения рекомендательной модели? Можно сравнить исторические данные по конверсии по прошедшим рассылкам, но возникает много вопросов.
Если говорить про наш опыт, то использование специальных моделей по формированию персональных маркетинговых предложений для SMS-рассылок позволила повысить конверсию клиентов с 3% до 25%.
Выводы
Текст получился длиннее, чем я планировал, но теперь вы знаете, как работают наши сервисы рекомендаций. При построении рекомендательной модели в случае отсутствия дополнительной информации о клиентах преимущество отдаем, например, Bayesian Personalized Ranking (использование ранга пар пользователь-товар). Если же дополнительная информация о клиентах присутствует, можно пробовать градиентный бустинг (XGBoost, CatBoost, LightGBM), но не забываем при этом максимально обогащать новыми признаками. Правильно выстроенная инфраструктура при внедрении сервиса рекомендаций поможет сократить время в дальнейшем, она автоматизирует многие процессы (сбор, обработку данных), поэтому Hadoop, Spark, NiFi, AirFlow — отличные помощники.
Для оценки эффективности рекомендательных моделей мы используем A/B-тесты и считаем долю клиентов, совершивших после получения сообщения целевую покупку, или же увеличение среднего чека при просмотре рекомендательных лент.
Искусственный интеллект в маркетинге: примеры, ограничения, проблемы и мнение Click.ru
Есть такая шутка: хорошая автоматизация – это когда юзер не делает вообще ничего. Шутка она потому, что так не бывает. Все равно часть работы нужно сделать руками либо до, либо во время использования сервиса. Но мы искренне надеемся, что когда-нибудь так будет, в том числе и благодаря ИИ. В этой статье хотим поделиться своими мыслями на тему ИИ и узнать про ваш опыт.
Персонализированная с помощью AI реклама (Accelerator от IBM)
Сегодня мы хотим поговорить о том, чем не является ИИ, как он реально используется в маркетинге сегодня и как его хотим использовать мы (мечты, мечты).
AI, ML и DL
Часто публикации в сети на тему ИИ сопровождаются картинкой вроде той, что ниже. На ней изображено существо-андроид, обладающее разумом, который быстрее-выше-сильнее человеческого. Например, существо может лучше человека играть в шахматы.
Как представляют себе ИИ
Мы считаем, что такая визуализация неверна. Более того, вредна. ИИ, скорее, можно представить как некие вычислительные мощности, настроенные на решение конкретных прикладных задач. Решение более быстрое, чем в ручном режиме, и часто более качественное. Но не всегда.
Как реально выглядит ИИ (шахматы – не более чем символ решаемой задачи)
ИИ «очеловечивают», так как он решает «человеческие» задачи, требующие обобщения и переработки большого количества информации.
Нам нравится определение Британской Энциклопедии:
Искусственный интеллект (ИИ, AI) – способность цифрового компьютера выполнять задачи, обычно связанные с разумными существами. Этот термин часто применяется к проекту разработки систем, наделенных интеллектуальными процессами, характерными для людей, такими как способность рассуждать, открывать смысл, обобщать или извлекать уроки из прошлого опыта.
Одним из методов AI является машинное обучение (machine learning, ML). Оно помогает обучить систему решению задачи с помощью выявления эмпирических закономерностей в ряде прецедентов решения. Однако не все AI-технологии подразумевают машинное обучение, поэтому понятия не являются синонимами.
Внутри машинного обучения выделяется отдельная группа методов – deep learning (DL). Это более сложная и многоуровневая методика обучения. Входная информация пропускается через несколько уровней оценки разнородных параметров информации. На DL, в частности, основана работа глубинных нейронных сетей для распознавания изображений, мы будем упоминать ее в статье.
Сферы применения ИИ в маркетинге
1. Персонализация предложений. Это одно из наиболее очевидных и ранних направлений использования ИИ. Статистику о покупках системе анализировать просто, данные из счетчиков статистики и баз зачастую неплохо структурированы. С помощью ИИ персонализируют свои продуктовые предложения Hoff, «Эльдорадо», «Подружка», «220 вольт» и многие ритейлеры в России.
2. Предиктивная аналитика. Она тесно связана с персонализацией, но не ограничивается продуктовыми предложениями, а выполняет широкий круг задач:
прогнозирование действий потребителей для увеличения конверсии и снижения рисков;
прогнозирование бюджетов компаний, рекламных затрат;
сегментацию клиентов на основе различных переменных;
выявление скрытого потенциала.
3. Коммуникации. На наш взгляд, для ритейла большее значение имеют умные чат-боты, нежели голосовое управление. Наиболее часто боты используются в банковских приложениях, сервисах такси, каршеринга и подобных с большим количеством обращений. Чат-боты на основе ИИ отличаются от обычных лучшим умением распознавать смысл вопросов и более «человеческими» ответами.
4. Генерация контента.
Изображения. Генеративно-состязательная нейросеть StyleGAN от компании Nvidia умеет создавать реалистичные портреты людей, котов, лендинги несуществующих стартапов и даже упоротых Гомеров Симпсонов. Хотя мы, конечно, ждем, когда она научится создавать рекламные креативы.
Видео. С помощью ИИ-технологий создаются персонализированные видеоролики, подходящие под каждый сегмент аудитории отдельно. Яркий пример – IBM Watson Advertising Accelerator, который анализирует сотни переменных после чего из отдельных частей собирает ролик (фон, образы, заголовки и пр.), который подействует на ЦА лучше всего.
Тексты. AI справляется с ними хуже, чем с изображениями, и пока не может заменить людей. Хотя отлично генерирует идеи для контента. Очень известны языковые нейросети GPT-3 (английский язык) и ruGPT-3 (русский язык).
5 интересных кейсов применения искусственного интеллекта в маркетинге
1. AI-стилист Thread
Это старый, но довольно показательный кейс из ритейла. Нам он очень нравится потому, что не ограничивается персонализированными рассылками для покупателей интернет-магазина одежды (что уже мейнстрим), а идет дальше: учитывает цвета, фасоны, размеры и даже собирает целостные образы.
При первом посещении сайт просит пользователя ввести ряд данных о своем росте, весе, предпочтениях по стилю, стоимости вещей и др. На начальном этапе в процессе участвуют стилисты, которые собирают образы для покупателей.
После этого подключается алгоритм, который компания назвала Thimble. Он выбирает наиболее подходящие предметы одежды от огромного числа поставщиков. В дальнейшем система учится на покупках, отказах и обратной связи от клиентов.
2. Контроль работы мерчендайзеров Carlsberg Group
На отчетность, предоставляемую выездными мерчендайзерами по результатам визита в точки продаж, сильно влиял человеческий фактор. Поскольку отчетные анкеты заполнялись вручную, в них было много неточностей и ошибок.
Заполнение анкеты было заменено на фотографирование полок с товаром. AI оценивает качество фото и распознает данные с них: составляет перечень товаров, оценивает правильность выкладки, считает долю товаров бренда по отношению к конкурентам. По итогам анализа считаются KPI сотрудника, рассчитывается бонусная часть его зарплаты и принимаются решения по изменению ассортимента.
Система работает на основе технологии SmartMerch от «ИНФОТЕК», которая использует обученные глубокие сверточные нейронные сети.
Image Recognition сочетается с предиктивной аналитикой, не только просто выдавая числовые данные, но и анализируя их, а также предоставляя прогнозы и рекомендации.
По информации от Carlsberg Group, технология позволила увеличить продажи на 6% за полгода, сократить операционные затраты на 6,6%, исключить человеческие ошибки и улучшить систему мотивации сотрудников.
Сервисы на основе Image Recognition от SmartMerch используют и другие бренды: Borjomi, Beluga, Heinz, «Савушкин продукт» и др.
3. Персональный кэшбэк Tinkoff
Этой технологии уже год, и наверняка многие из читающих эту статью знакомы с ней на собственном опыте. Банк столкнулся с тем, что количество предложений кэшбэка от партнеров для каждого клиента достигло 300 и люди просто не пересматривали все позиции, чтобы выбрать понравившиеся. Показ всего подряд был явно неэффективен.
Алгоритмический кэшбэк от Tinkoff собирает наиболее релевантные кэшбэк-предложения и добавляет их в «Рекомендуемое». Выбор основывается на совершенных ранее транзакциях и новых появляющихся предложениях. Система помогает и партнерам, предсказывая вероятность покупки тех или иных товаров или брендов.
В сервисе используется модель machine learning Mult-VAE. Представители бренда заявляют, что в текущем виде она работает без дополнительного обучения, так как multi-hot-векторами для нее являются сами пользователи с их транзакциями.
4. Автоматическая оценка недвижимости «ДомКлик»
Для подтверждения заявки от клиента необходима проверка стоимости недвижимости на вторичном рынке. Ранее для этого «ДомКлик» сотрудничал с подрядчиками, однако это увеличивало время заключения сделки и иногда вызывало ошибки. AI-система расчета цены квартиры от «Сбера» учитывает цены в объявлениях сервиса и суммы ипотечных сделок.
Технология работает в 2 этапа:
Система подбирает похожие дома и предсказывает, во сколько раз будет отличаться цена за квадратный метр в них. Формируется набор признаков, используемых в дальнейшем для точного расчета: средняя цена с поправочным коэффициентом, среднее отклонение в цене у аналогов, средний спред. Построение выполняется с помощью библиотеки CatBoost;
Выполняется финальный расчет цены с помощью модели, обученной по LightGBM.
Результатом внедрения технологии, по словам «Сбера», явилось ускорение оценки, повышение ее точности и рост количества одобренных заявок на 8%.
5. Умный подбор вакансий Head Hunter
Ранее вакансии предлагались соискателю на основе текстового анализа его резюме. Однако точность была невысокой, что в конечном итоге привело к снижению продаж публикаций вакансий.
Новое ML-решение для портала hh.ru анализирует суть резюме и вакансий и учится на похожих соискателях и работодателях. Технология Natural language processing позволяет учитывать смысл резюме, вакансий, запросов, а отдельная рекомендательная система осуществляет подбор. Разработка привела к росту соискателей в 1,3 раза и помогла повысить продажи размещения вакансий на 39,7%.
«Это все, конечно, классно, но внедрять не будем»
Почему не все компании используют ИИ? По нашему опыту, на то есть 4 причины. Некоторые из них мешают и нам, что уж тут скрывать.
Завышенные ожидания. Как раз эта проблема вытекает из представления об ИИ как о сверхразуме, о чем мы говорили в начале статьи. Некоторые менеджеры считают ИИ полноценной заменой экспертам-аналитикам, маркетологам, копирайтерам и пр. Однако в реальности искусственному интеллекту можно доверить в первую очередь простые, рутинные задачи.
Недоверие. Эта причина вытекает из первой: когда становится понятно, что AI-технология требует настройки и отладки, руководители не решаются доверить привычные функции сотрудников механизмам. Страх подкрепляется тем, что в процессе настройки система часто показывает очень странные данные: например, нейросети для текстовых описаний в первое время отдают дичь. Любой AI-технологии надо дать время и грамотно настроить перед массовым запуском.
Нехватка кадров. Для AI требуются профильные разработчики и дата-саентисты, понимающие принципы настройки, оптимизации алгоритмов машинного обучения, а также менеджеры, разбирающиеся в сути вопроса и уже ни раз проходившие всю процедуру внедрения. А чтобы их нанять, желательно, чтобы и рекрутер хотя бы немного был в теме. Короче, все сложно.
Плохое качество исходных данных. И даже если специалистов наняли и у всех одинаковые ожидания, проблема может возникнуть на этапе начала обучения. Системе нужны очищенные и структурированные исходные данные, однако ни одна компания не готова сразу предоставить таковые. В информации из корпоративной базы данных или системы статистики зачастую есть шумы и выбросы – значения, выходящие за пределы допустимых диапазонов, и пропуски. Поэтому этап подготовки данных (Data Preparation) может занимать до 80% времени работы над автоматизированной AI-системой и нет гарантии, что он завершится успешно.
Наше мнение
Нам интересны AI-технологии, особенно в сфере автоматизации контекстной и таргетированной рекламы. При этом мы считаем, что к ним нужно относиться здраво и трезво:
не ожидать от них слишком многого;
четко понимать порядок внедрения;
отдавать конкретные, рутинные, автоматизируемые задачи;
быть готовым к длительному обучению AI-системы;
обладать компетенциями в области AI и ML.
И немного размышлений. Написание рекламных объявлений в Click.ru – у нас сейчас ручная задача, требующая привлечения копирайтеров. Люди анализируют УТП компании и объявления конкурентов, чтобы создать привлекающие внимание тексты. Однако когда-то это может стать идеальной задачей для ИИ, ведь входные данные довольно конкретны (например, выгрузки слов и объявлений конкурентов из нашего автоматизированного сервиса) и их легко получить. Доучивать систему можно в том числе и по обратной связи от пользователей, например от тестовой группы участников нашей партнерской программы. Конечно, для них за такую помощь могут полагаться плюшки и бонусы.
Еще одно направление, куда можно было бы внедрить AI, – автоматическое изменение параметров таргетинга на основе анализа данных об аудитории и эффективности рекламы. Однако пока непонятна целесообразность внедрения сложных решений, если простые работают неплохо. Да и алгоритмы самих рекламных систем нормально справляются.
А у вас есть опыт создания автоматизированных сервисов для рекламы на основе ИИ? Будем благодарны, если поделитесь в комментариях.