Ieteikumu sniegšana un mākslīgais intelekts

Ieteikums atšķiras no komandas. Lai gan šķiet, ka daži cilvēki to pilnībā neievēro, ieteikums ir vienkārši ideja, kas izvirzīta kā potenciāls problēmas risinājums. Ieteikuma sniegšana nozīmē, ka varētu pastāvēt citi risinājumi un ka ieteikuma pieņemšana nenozīmē tā automātisku ieviešanu. Patiesībā ieteikums ir tikai ideja; tas var pat nedarboties. Protams, ideālā pasaulē visi ieteikumi būtu labi ieteikumi — vismaz iespējamie risinājumi pareizam rezultātam, kas reālajā pasaulē ir reti sastopams.

Ieteikumu saņemšana, pamatojoties uz iepriekšējām darbībām

Visizplatītākais veids, ko AI izmanto, lai izveidotu ieteikumu, ir apkopot pagātnes darbības kā notikumus un pēc tam izmantot šīs pagātnes darbības kā datu kopu jaunu ieteikumu veidošanai. Piemēram, kāds iegādājas pusgatavu logrīku katru mēnesi trīs mēnešus. Ir lietderīgi ieteikt iegādāties citu ceturtā mēneša sākumā. Patiesībā patiesi gudrs AI varētu sniegt ieteikumu īstajā mēneša laikā. Piemēram, ja lietotājs pirmos trīs mēnešus veic pirkumu no mēneša trešās līdz piektajai dienai, ieteicams sākt sniegt ieteikumu mēneša trešajā dienā un pēc piektās dienas pāriet uz kaut ko citu.

Cilvēki, veicot uzdevumus, izdod milzīgu skaitu pavedienu. Atšķirībā no cilvēkiem, AI faktiski pievērš uzmanību katram no šiem pavedieniem un var tos konsekventi ierakstīt. Konsekventa darbību datu apkopošana ļauj AI daudzos gadījumos ar augstu precizitātes pakāpi sniegt ieteikumus, kuru pamatā ir pagātnes darbības.

Ieteikumu saņemšana, pamatojoties uz grupām

Vēl viens izplatīts veids, kā sniegt ieteikumus, ir dalība grupā. Šajā gadījumā dalībai grupā nav jābūt formālai. Grupa varētu sastāvēt no brīvas cilvēku apvienības, kurām ir nelielas kopīgas vajadzības vai aktivitātes. Piemēram, mežstrādnieks, veikala īpašnieks un dietologs varētu iegādāties noslēpumu grāmatas. Lai gan viņiem nav nekā cita kopīga, pat ne atrašanās vieta, fakts, ka visi trīs līdzīgi noslēpumi padara viņus par daļu no grupas. AI var viegli pamanīt šādus modeļus, kas var izvairīties no cilvēkiem, tāpēc tas var sniegt labus pirkšanas ieteikumus, pamatojoties uz šīm diezgan brīvajām grupām.

Grupas var ietvert ēteriskus savienojumus, kas labākajā gadījumā ir īslaicīgi. Piemēram, visi cilvēki, kas ar 1982. gada reisu izlidoja no Hjūstonas noteiktā dienā, varētu izveidot grupu. Atkal, starp šiem cilvēkiem nav nekāda sakara, izņemot to, ka viņi parādījās noteiktā lidojumā. Tomēr, zinot šo informāciju, AI varētu veikt papildu filtrēšanu, lai lidojuma laikā atrastu cilvēkus, kuriem patīk noslēpumi. Lieta ir tāda, ka AI var sniegt labus ieteikumus, pamatojoties uz piederību grupai, pat ja grupu ir grūti (ja ne neiespējami) identificēt no cilvēka viedokļa.

Nepareizu ieteikumu iegūšana

Ikviens, kurš ir pavadījis laiku, iepērkoties tiešsaistē, zina, ka tīmekļa vietnēs bieži tiek sniegti ieteikumi, pamatojoties uz dažādiem kritērijiem, piemēram, iepriekšējiem pirkumiem. Diemžēl šie ieteikumi bieži ir nepareizi, jo pamatā esošajam AI trūkst izpratnes. Kad kāds reizi mūžā iegādājas īpaši platu logrīku, cilvēks, visticamāk, zinātu, ka pirkums patiešām tiek veikts vienreiz mūžā, jo ir ļoti maz ticams, ka kādam būs nepieciešami divi. Tomēr AI šo faktu nesaprot. Tātad, ja vien programmētājs īpaši neizveido noteikumu, kurā norādīts, ka īpaši platie logrīki ir vienreizējs pirkums, AI var izvēlēties turpināt ieteikt produktu, jo pārdošanas apjomi ir saprotami mazi. Ievērojot sekundāro noteikumu par produktu reklamēšanu ar lēnāku pārdošanu, mākslīgais intelekts darbojas atbilstoši izstrādātāja noteiktajām īpašībām,

Papildus uz noteikumiem balstītām vai loģiskām AI kļūdām ieteikumi var tikt bojāti datu problēmu dēļ. Piemēram, GPS var sniegt ieteikumu, pamatojoties uz labākajiem iespējamajiem datiem par konkrētu braucienu. Taču ceļu būvniecība varētu padarīt ieteikto taku neizturamu, jo ceļš ir slēgts. Protams, daudzas GPS lietojumprogrammas ņem vērā ceļu būvniecību, taču dažreiz tās neņem vērā citus jautājumus, piemēram, pēkšņas ātruma ierobežojuma izmaiņas vai laika apstākļus, kas padara konkrētu ceļu nodevīgu. Cilvēki var pārvarēt datu trūkumu, izmantojot inovācijas, piemēram, izmantojot mazāk nobrauktu ceļu vai izprotot apvedceļa zīmju nozīmi.

Kad AI izdodas pārvarēt loģikas, noteikumu un datu problēmas, tas dažreiz joprojām sniedz sliktus ieteikumus, jo nesaprot korelāciju starp noteiktām datu kopām tāpat kā cilvēks. Piemēram, mākslīgais intelekts var nezināt ieteikt krāsu pēc tam, kad cilvēks, veicot santehnikas remontu, iegādājas caurules un drywall kombināciju. Nepieciešamība krāsot drywall un apkārtējo teritoriju pēc remonta ir acīmredzama cilvēkam, jo ​​cilvēkam ir estētikas izjūta, kuras AI trūkst. Cilvēks veido korelāciju starp dažādiem produktiem, kas AI nav acīmredzama.