سیستم‌های توصیه‌گر مبتنی بر هوش مصنوعی در صنعت تلکام

در ادامه مباحث کاربردهای هوش مصنوعی در زمینه خدمات و تعامل هوشمند با مشتریان، در این بخش، به سیستم‌های توصیه‌گر مبتنی بر هوش مصنوعی در صنعت تلکام می‌پردازیم. در ادامه، ضرورت استفاده از این سیستم‌ها از زوایای مختلف، روش نوین برای ساخت این سیستم‌ها و پتانسیل موجود در صنعت تلکام برای بهره‌بردای از این سیستم ها بررسی می‌شود.

    در سال‌های اخیر، گام‌های قابل توجهی در جهت ارائه خدمات شخصی‌سازی‌شده با استفاده از سیستم‌های توصیه‌گر(Recommender Systems) برای طیف گسترده‌ای از برنامه‌های کاربردی مبتنی ‌بر وب در زمینه‌های مختلف(Netflix، YouTube، Amazon، eBay، Spotify و…( برداشته شده است. به عنوان مثال، سیستم توصیه‌گر Netflix، تاریخچه مشاهده، امتیازات کاربران به فیلم‌ها و اولویت‌های کاربران را تجزیه و تحلیل می‌کند تا فیلم‌هایی را پیشنهاد کند که با علایق آن‌ها مطابقت دارد. این سیستم از تعاملات و بازخوردهای کاربر یاد می‌گیرد تا توصیه‌های خود را در طول زمان اصلاح کند. ۸۰ درصد از محتوای مشاهده‌شده در Netflix و ۶۰ درصد از ویدئوهای مشاهده‌شده در YouTube، نتیجه استفاده از سیستم‌های توصیه‌گر در این سایت‌ها است.

    سیستم‌های توصیه‌گر یک ضرورت برای صنعت تلکام محسوب می‌شوند. اما با این حال، امروز این سیستم‌ها با کمال تعجب در صنعت تلکام(به خصوص در داخل کشور) نسبت به سایر موارد مذکور به طور گسترده بکار گرفته نشده‌اند. شرکت‌های مخابراتی با استفاده از سیستم‌های توصیه‌گر می‌توانند تجربه مشتریان را بهبود دهند و رضایت و وفاداری آن‌ها را افزایش دهند که این موضوع باعث افزایش درآمد شرکت‌ها می‌شود. در عصر کنونی که با حجم عظیمی از اطلاعات روبه‌رو هستیم، یافتن محتوای مرتبط و شخصی‌سازی‌شده برای کاربران یکی از نیازهای مهم و اساسی در صنایع مختلف از جمله صنعت تلکام است. امروزه، مشتریان خواستار تجربه شخصی‌شده متناسب با ترجیحات خود هستند. آن‌ها به احتمال زیاد از برندهایی خرید می‌کنند که ترجیحات آن‌ها را به خاطر می‌آورند و می‌شناسند  و پیشنهادات و توصیه‌های مرتبطی را ارائه می‌دهند.

    سیستم‌های توصیه‌گر با کمک به کاربران برای کشف محتوا، محصولات و خدمات مرتبط از طیف وسیعی از انتخاب‌ها، نقش مهمی در صنعت تلکام بازی می‌کنند. این سیستم‌ها داده‌های کاربران را تجزیه و تحلیل می‌کنند و بر اساس ترجیحات و رفتار آن‌ها توصیه‌های شخصی را ارائه می‌کنند. با توجه به رقابت رو به رشد در صنعت تلکام، اپراتورهای مخابراتی به دنبال راه‌هایی برای جذب مشترکین جدید و حفظ مشترکین موجود خود هستند. یکی از این راه‌های موثر استفاده از سیستم‌های توصیه‌گر است که با پیش‌بینی نیازهای مشترکین و ارائه‌ی توصیه و پیشنهاد به آن‌ها به صورت شخصی‌سازی‌شده، احتمال جذب و حفظ مشترکین را افزایش می‌دهد.

   به طور کلی، روش‌های سنتی و مرسوم برای پیاده‌سازی سیستم‌های توصیه‌گر عبارتند از: پالایش گروهی(Collaborative Filtering)، پالایش مبتنی بر محتوا(Content-based Filtering) و رویکرد ترکیبی که از هر دو روش استفاده می‌کند. اگرچه این روش‌ها استفاده‌های موفقیت‌آمیز و گسترده‌ای داشته‌اند اما دارای محدودیت‌هایی نیز هستند. به عنوان مثال، این روش‌ها معمولا خطی هستند(نمی‌توانند ارتباطات غیر خطی بین کاربرها و آیتم‌ها را پیدا کنند) و نمی‌توانند بینش‌های عمیقی را از داده استخراج کنند.

    در سال‌های اخیر، یادگیری عمیق عملکرد موثر و بسیار قابل توجهی از خود در کاربردهای مختلف نشان داده‌ است؛ به طوریکه امروزه شاهد استفاده از این رویکرد در سیستم‌های توصیه‌گر نیز هستیم. الگوریتم‌های یادگیری عمیق می‌توانند الگوهای پیچیده در داده را یاد بگیرند، روابط غیرخطی را مدیریت کنند و توصیه‌های شخصی‌تری را ارائه دهند. هرچند، این موضوع را نیز باید در نظر بگیریم که این الگوریتم‌ها به منابع محاسباتی بیشتر و فرآیندهای آموزش و تنظیم هایپرپارامتر پیچیده‌تری نیز نیاز دارند.

    معمولا وجود حجم عظیمی از داده یکی از نیازها و چالش‌های مهم ساخت سیستم‌های مبتنی بر یادگیری عمیق است. همان‌طور که در بخش “هوش مصنوعی و اهمیت آن در صنعت تلکام” گفته شد، شرکت‌های مخابراتی حجم زیادی از داده‌های مختلف را در اختیار دارند. بنابراین، این موضوع باعث می‌شود یک پتانسیل بالقوّه‌ای در صنعت تلکام برای استفاده از سیستم‌های توصیه‌گر مبتنی بر یادگیری عمیق ایجاد شود.  

سید حسین حسینی فخر

References