تزداد توليد البيانات الزبونية على مستوى العالم بسرعة غير مسبوقة. وتستفيد الشركات من الذكاء الاصطناعي والتعلم الآلي للاستفادة من هذه البيانات بطرق مبتكرة. يمكن نظام التوصية القائم على التعلم الآلي استخدام بيانات العملاء بشكل فعال لتحسين تجربة المستخدم وزيادة الالتزام والاحتفاظ، وتحقيق المزيد من المبيعات في النهاية.

على سبيل المثال، في عام 2021، نيتفليكس ذكرت أن نظام التوصية الخاص بها ساهم في زيادة الإيرادات بمبلغ 1 مليار دولار في السنة. وأمازون هي شركة أخرى تستفيد من تقديم توصيات مخصصة للعملاء. في عام 2021، أمازون ذكرت أن نظام التوصية الخاص بها ساهم في زيادة المبيعات بنسبة 35٪.

في هذه المقالة، سنستكشف أنظمة التوصية بالتفصيل ونسرد عملية خطوة بخطوة لبناء نظام توصية باستخدام التعلم الآلي.

ما هو نظام التوصية؟

نظام التوصية هو خوارزمية تستخدم تحليل البيانات وتقنيات التعلم الآلي لتوصية بمعلومات ذات صلة (أفلام، مقاطع فيديو، عناصر) للمستخدمين التي قد يجدونها مثيرة للاهتمام.

تتحليل هذه الأنظمة كميات كبيرة من البيانات حول سلوك المستخدمين السابق، والتفضيلات، والميول باستخدام خوارزميات التعلم الآلي مثل التجميع، والمرشح التعاوني، والشبكات العصبية العميقة لتوليد توصيات مخصصة.

نيتفليكس، وأمازون، وسبوتيفاي هي أمثلة على أنظمة توصية قوية. تقدم نيتفليكس اقتراحات أفلام مخصصة، وتقترح أمازون المنتجات بناءً على المشتريات السابقة وتاريخ التصفح، وتقدم سبوتيفاي قوائم تشغيل ومقاطع فيديو مخصصة بناءً على تاريخ الاستماع والتفضيلات.

عملية خطوة بخطوة لبناء نظام توصية باستخدام التعلم الآلي

1. تحديد المشكلة وصياغة الهدف

الخطوة الأولى هي تحديد المشكلة التي سيحلها نظام التوصية. على سبيل المثال، نريد بناء نظام توصية يشبه نظام أمازون، والذي يقترح المنتجات للعملاء بناءً على مشترياتهم السابقة وتاريخ التصفح.

يُساعد تحديد الهدف جيدًا في تحديد البيانات المطلوبة، واختيار النماذج المناسبة للتعلم الآلي، وتقييم أداء نظام التوصية.

2. جمع البيانات ومعالجتها

الخطوة التالية هي جمع البيانات حول سلوك العملاء، مثل مشترياتهم السابقة، وتاريخ التصفح، والتقيمات، والتعليقات. يمكننا استخدام أباتشي هادوب و أباتشي سبارك لمعالجة كميات كبيرة من البيانات التجارية.

بعد جمع البيانات، يقوم مهندسو البيانات بمعالجتها وتحليلها. يتضمن هذا الخطوة تنظيف البيانات، وإزالة التكرارات، ومعالجة القيم المفقودة. بالإضافة إلى ذلك، يقوم مهندسو البيانات بتحويل هذه البيانات إلى صيغة مناسبة للخوارزميات التعلم الآلي.

من بين المكتبات الشهيرة لمعالجة البيانات باللغة بايثون:

• بانداس: يوفر طرقًا لمعالجة البيانات، والتحويل، والتحليل
• نومبي: يوفر حسابات رقمية قوية للمصفوفات والمتجهات

3. تحليل البيانات الاستكشافي

يساعد تحليل البيانات الاستكشافي على فهم توزيع البيانات والعلاقات بين المتغيرات التي يمكن استخدامها لتوليد توصيات أفضل.

على سبيل المثال، يمكنك تصور أي عناصر يتم بيعها أكثر في الربع الماضي. أو أي عناصر يتم بيعها أكثر عندما يقوم العملاء بشراء عنصر معين، مثل البيض يتم بيعها أكثر مع الخبز والزبدة.

من بين المكتبات الشهيرة لتحليل البيانات الاستكشافي باللغة بايثون:

• ماتبلوتليب: يوفر طرقًا للتصور البياني لإنشاء مخططات مختلفة مثل التوزيعات، والمخططات المتفرقة، والمخططات الدائرية، إلخ.
• سيبورن: يوفر طرقًا لإنشاء تصورات متقدمة مثل الخرائط الحرارية والرسوم المتفرقة.
• بانداس بروفايلينغ: يولد تقريرًا بإحصائيات وصفية وتصورات لكل متغير في مجموعة البيانات.

4. هندسة الميزات

تتضمن هندسة الميزات اختيار أفضل الميزات لتدريب نموذج التعلم الآلي. تتضمن هذه الخطوة إنشاء ميزات جديدة أو تحويل الميزات الحالية لجعلها أكثر ملاءمة لنظام التوصية.

على سبيل المثال، في بيانات العملاء، تكون الميزات مثل تقييمات المنتجات، وتواتر الشراء، والديموغرافيا أكثر صلة لبناء نظام توصية دقيق.

من بين المكتبات الشهيرة لتنفيذ هندسة الميزات باللغة بايثون:

• سكيت-ليرن: يتضمن أدواتًا لاختيار الميزات واستخراج الميزات، مثل تحليل المكونات الرئيسية (بي سي إيه) وتجميع الميزات.
• كатегорي إنكودرز: يوفر طرقًا لترميز المتغيرات التصنيفية، أي تحويل المتغيرات التصنيفية إلى ميزات رقمية.

5. اختيار النموذج

الهدف من اختيار النموذج هو اختيار أفضل خوارزمية للتعلم الآلي التي يمكنها التنبؤ بدقة بالمنتجات التي يحتمل أن يشتريها العميل أو الفيلم الذي يشاهده بناءً على سلوكه السابق.

من بين هذه الخوارزميات:

أ. المرشح التعاوني

المرشح التعاوني هو تقنية توصية شائعة، والتي تفترض أن المستخدمين الذين يشاركون تفضيلات مشابهة سيشترون بالتأكيد منتجات مشابهة، أو منتجات تمتلك ميزات مشابهة سيتم شراؤها من قبل العملاء.

ب. المرشح المبني على المحتوى

تتضمن هذه الطريقة تحليل سمات المنتجات، مثل العلامة التجارية، والفئة، أو السعر، وتقترح منتجات تتوافق مع تفضيلات المستخدم.

ج. المرشح الهجين

المرشح الهجين يجمع بين تقنيات المرشح التعاوني والمرشح المبني على المحتوى لتحقيق توصيات أكثر دقة من خلال الاستفادة من نقاط قوة كل منهما.

6. تدريب النموذج

تتضمن هذه الخطوة تقسيم البيانات إلى مجموعات تدريب واختبار، واستخدام الخوارزمية الأكثر ملاءمة لتدريب نموذج التوصية. من بين خوارزميات تدريب نظام التوصية الشهيرة:

أ. تحليل العوامل

تتضمن هذه التقنية التنبؤ بالقيم المفقودة في مصفوفة نادرة. في سياق أنظمة التوصية، يتضمن تحليل العوامل التنبؤ بتقييمات المنتجات التي لم يشتريها المستخدم بعد أو لم يقم بتقييمها.

ب. التعلم العميق

تتضمن هذه التقنية تدريب الشبكات العصبية لتعلم الأنماط والعلاقات المعقدة في البيانات. في أنظمة التوصية، يمكن للتعلم العميق تعلم العوامل التي تؤثر على تفضيل أو سلوك المستخدم.

ج. تعدين القواعد التجميعية

هي تقنية تعدين بيانات يمكنها اكتشاف الأنماط والعلاقات بين العناصر في مجموعة البيانات. في أنظمة التوصية، يمكن لتعدين القواعد التجميعية تحديد مجموعات من المنتجات التي يتم شراؤها بشكل متكرر معًا وتقترح هذه المنتجات على المستخدمين.

يمكن تنفيذ هذه الخوارزميات بشكل فعال باستخدام مكتبات مثل سوربرايز، سكيت-ليرن، تينسورفلو، وبايتورش.

7. ضبط المعاملات

لتحسين أداء نظام التوصية، يتم ضبط المعاملات مثل معدل التعلم، ومدى التنظيم، وعدد الطبقات المخفية في الشبكة العصبية. تتضمن هذه التقنية اختبار مجموعات مختلفة من المعاملات واختيار المجموعة التي تؤدي إلى أفضل أداء.

8. تقييم النموذج

تقييم النموذج هو أمر بالغ الأهمية لضمان أن نظام التوصية دقيق وفعال في توليد التوصيات. يمكن استخدام مقاييس التقييم مثل الدقة، والاستدلال، ومتوسط القيم الفعلية لقياس دقة وفعالية النظام.

9. نشر النموذج

بمجرد تطوير نظام التوصية وتقييمه، تكون الخطوة النهائية هي نشره في بيئة الإنتاج وضمان توفره للعملاء.

يمكن نشر النظام باستخدام الخوادم الداخلية أو منصات سحابية مثل أmazon ويب سيرفيسز، ومايكروسوفت أزور، وجوجل كلاود.

على سبيل المثال، توفر أمازون ويب سيرفيسز خدمات مثل أمازون إس 3، وأمازون إي سي 2، وأمازون مشين ليرنينغ، والتي يمكن استخدامها لنشر نظام التوصية وتوسيعه. يجب أيضًا أداء الصيانة والتحديثات بانتظام بناءً على أحدث بيانات العملاء لضمان استمرار أداء النظام بشكل فعال مع مرور الوقت.

لمزيد من المعلومات حول الذكاء الاصطناعي والتعلم الآلي، يمكنك زيارة يونايت.إيه.آي.