Pertarungan melawan rekomendasi produk tanpa henti tidak harus menjadi permainan zero-sum

Saya telah mengobarkan perang di berbagai bidang dan kelelahan akhirnya muncul — mereka menang. 

Selama berbulan-bulan — bertahun-tahun — saya telah berjuang, melawan serangan musuh yang gigih dengan refleks seperti kucing saya. Klik x. Ledakan! Saya menolak untuk jatuh ke dalam perangkap mereka, yang dibuat dengan sempurna untuk mengurangi pertahanan saya menjadi puing-puing dan otak saya menjadi jeli. Namun mereka melanjutkan serangan tanpa henti mereka di setiap front, menggunakan senjata mereka ke mana pun saya berpaling. Tapi saya seorang prajurit yang keras kepala, dan dalam perang ini, saya akan berjuang sampai akhir.

Ya, ini adalah perang. Perang melawan rekomendasi dan mesin yang menggerakkan mereka. 

Mesin rekomendasi umumnya mengoptimalkan beberapa tujuan seperti keterlibatan yang lebih besar dengan konten. Sistem ini sangat penting untuk cara kita berinteraksi dengan produk dan media online karena sistem ini mempersempit daftar konten yang sangat besar (misalnya video, lagu, game, produk) yang tidak dapat dipahami oleh pengguna. Namun, mesin ini juga memainkan peran penting dalam gaya hidup digital kita, mewakili salah satu intrusi terbesar kecerdasan buatan ke dalam kehidupan kita sehari-hari. Dan di sinilah segalanya bisa berubah menjadi masam.

SELENGKAPNYA TENTANG ALGORITMA YANG MENJALANKAN KEHIDUPAN KITAAI Membuat Keputusan yang Tidak Kami Pahami. Itu Masalah.

YouTube memaksa pengulangan Teori Big Bang setelah saya melakukan pesta kecil. Fisikawan culun memang lucu, tetapi lelucon mereka menjadi kuno. Spotify masih merekomendasikan lagu-lagu yang menenangkan setelah saya memainkan musik meditasi...enam bulan lalu. Amazon memaksakan produk yang sama ke tenggorokan saya meskipun membelinya hanya beberapa minggu sebelumnya. Serius, jika saya membeli kursi toilet dari Anda, jangan terus mencoba menjual kursi toilet kepada saya.

Sangat frustasi melihat konten yang sama berulang-ulang dengan mengorbankan konten yang sebenarnya saya inginkan. Lebih buruk lagi, sistem manipulatif ini memainkan kelemahan saya, dan untuk itu, saya membenci algoritme rekomendasi.

Serius, jika saya membeli kursi toilet dari Anda, jangan terus mencoba menjual kursi toilet kepada saya.

Di dunia yang sempurna, algoritme rekomendasi akan memperkenalkan saya pada produk dan konten baru yang saya sukai. Mereka akan membantu saya menciptakan ide-ide baru. Mereka akan menginspirasi saya. Algoritme akan seperti sahabat saya, memberi tahu saya hal-hal favorit baru mereka. Sebaliknya, mereka adalah musuh terburuk saya. 

Mengapa Kita Tidak Bisa Menjadi Teman?

Seringkali algoritme rekomendasi condong ke arah menampilkan item paling populer. Mereka fokus pada apa yang akan menarik klik paling banyak. Ketika algoritme dioptimalkan untuk lebih banyak waktu di tempat atau metrik dangkal serupa lainnya , maka ini pasti akan terjadi. Banyak orang ingin mencampuradukkan hidup mereka — untuk memperbaiki diri! Tetapi dalam kerangka kerja ini menjadi sulit untuk melakukannya, karena algoritme ini terus-menerus memperkuat perilaku buruk kita (terkadang demi keuntungan, terkadang untuk keterlibatan dan interaksi pengguna). Aplikasi Google Fit menyesuaikan target mingguan saya ketika saya tidak mencapainya, dan saya menunda resolusi Tahun Baru saya ke tahun depan (kadang-kadang bahkan tanpa menyadarinya!). 

Ini tidak semua malapetaka dan kesuraman, meskipun. Beberapa layanan melakukan pekerjaan dengan baik pada rekomendasi. Untuk satu, saya menemukan yang dilayani oleh Yelp tepat. Saya mendapatkan campuran yang baik dari restoran yang terkait dengan yang saya kunjungi sebelumnya, serta pilihan yang lebih baik yang membantu saya meningkatkan kesehatan saya. Itu sangat penting bagi saya. Saya ingin tetap cukup makan saat berperang.

Tentu saja, ada sesuatu yang bisa dikatakan tentang rekomendasi populer. Ketika saya memesan bahan makanan secara online dari Amazon, merekomendasikan barang yang paling banyak dibeli (kertas toilet) tidak masalah. Saya tidak mencari wahyu di depan itu. Ya, ada masalah lain dengan sistem ini, seperti monopoli produk komoditas, tetapi itu tidak mempengaruhi saya, pengguna akhir.

Rekomendasi bukan tanggung jawab program, tetapi programmer.

Jadi apa perbedaan antara rekomendasi yang baik dan yang buruk? Perusahaan yang melakukan pekerjaan terbaik menggabungkan banyak lapisan rekomendasi. Mereka mengambil riwayat Anda dan menemukan apa yang disukai pengguna lain dengan riwayat serupa. Mereka menemukan produk yang serupa berdasarkan cara pengguna melihatnya. Mereka menemukan item yang memiliki konten serupa. Mereka menemukan produk yang digunakan oleh orang-orang di area yang sama. Yang terbaik bahkan menambahkan keajaiban mereka sendiri berdasarkan keahlian industri mereka untuk membantu pengguna di sepanjang jalan. Ini sistem hibrida yang kuat dan melegakan di antara pesaing homogen.

Mesin rekomendasi Netflix  adalah contoh yang baik dari sistem hybrid. Tujuan akhirnya adalah memiliki skor untuk setiap bagian konten untuk setiap pengguna, tetapi bagaimana kita memahami konten mana yang diinginkan pengguna? Kami mulai dengan konten yang dilihat pengguna dan kemudian mengidentifikasi konten serupa melalui aplikasi pemrosesan bahasa alami (NLP)pada deskripsi acara dan genre. Netlflix kemudian menggabungkan ini dengan teknik penyaringan kolaboratif seperti dekomposisi nilai tunggal (SVD) atau faktorisasi matriks probabilistik (PMF) di mana preferensi pengguna lain menjadi proxy untuk preferensi pengguna tertentu, sehingga memberi kami serangkaian skor lain. Pengetahuan Netflix sendiri tentang apa yang sedang populer saat ini menambah algoritme ini dengan skor sederhana berdasarkan total penayangan acara dalam tujuh hari terakhir. Kita dapat menerapkan kombinasi skor ini secara merata atau menimbangnya melalui eksperimen.

Algoritme rekomendasi sekarang meresap di semua teknologi kami. Disadari atau tidak, sistem ini memengaruhi keinginan dan kecenderungan konsumen kita. Meski begitu, rekomendasi bukan tanggung jawab program, tapi programmer. Pembuat konten harus lebih memikirkan pengalaman pengguna dan apa yang sebenarnya diinginkan pengguna. Mereka yang menerapkan sistem ini harus berpikir lebih kritis tentang bagaimana produk mereka memengaruhi kehidupan pengguna.  

MENCARI PENYELAMAN YANG DALAM?Panduan Mendalam tentang Cara Kerja Sistem Rekomendasi

Ada langkah-langkah tertentu yang dapat diambil oleh para insinyur dan desainer untuk menciptakan sistem yang lebih baik. Untuk sebagian besar, teknolog dapat lebih fokus pada desain yang berpusat pada pengguna — desain yang memberikan pengalaman terbaik bagi pengguna. Tapi bagaimana caranya?

Memperantarai Kesepakatan Perdamaian

Pertama, rekomendasi perlu penjelasan. Misalnya "Anda akan menyukai lagu baru ini karena Anda mendengarkan album Taylor Swift berulang-ulang minggu lalu" ( ahem ). Dengan informasi ini, pengguna dapat lebih memahami jebakan perilaku yang mungkin mereka alami, dan membuat keputusan tentang apa yang mereka ingin direkomendasikan kepada mereka (yang mungkin lebih T. Swift...).  

Pemesanan melakukan pekerjaan yang baik dalam hal ini, memberikan alasan kepada pengguna untuk merekomendasikan hotel, seperti "cocok untuk dua pelancong." Ini sederhana, tapi efektif. 

Selanjutnya, membangun rekomendasi berdasarkan kriteria yang lebih kompleks. Misalnya, buku bukan hanya beberapa tag; mereka ditulis dengan gaya, suara, nada, struktur tertentu... daftarnya terus berlanjut. Mereka membangkitkan suasana hati tertentu bagi pembaca. Dengan demikian, rekomendasi harus didasarkan pada berbagai komponen ini dan kemudian pengguna dapat memilih apa yang mereka anggap paling penting (“Saya tertarik pada x,” atau “Saya tidak tertarik pada y”). 

Ini mungkin terdengar rumit, tetapi kami sudah memiliki infrastrukturnya . Dengan antarmuka pengguna yang tepat, seperti skala geser sederhana yang mewakili berbagai komponen, pengguna bahkan dapat menyempurnakan rekomendasi mereka sendiri. Memberikan kekuatan kepada pengguna memungkinkan mereka melakukan yang terbaik: menemukan hal-hal yang mereka sukai. Data ini kemudian dapat dimasukkan kembali ke dalam algoritma untuk meningkatkan sistem lebih lanjut. 

Sampai perusahaan meningkatkan algoritme mereka dan mulai lebih memikirkan kebutuhan pengguna jangka panjang (lebih dari kepuasan langsung), saya harus bertahan. Saya akan terus mendorong serangan balik saya melalui klik xatau jempol ke bawah yang tidak terlalu halus. Saya akan terus berharap bahwa, di masa depan, pasukan insinyur akan muncul dalam semua kemuliaan kutu buku mereka untuk memberikan algoritme ini kekuatan untuk merekomendasikan sesuatu yang benar-benar saya sukai.

Artikel ini awalnya diterbitkan di FreeCodeCamp .

sumber: https://builtin.com/machine-learning/recommendation-engines