ما أمثلة مشاريع أنظمة التوصية؟

ما الأمثلة على مشاريع أنظمة التوصية؟

يستند مشروع التوصية إلى الأنماط التاريخية ليعرض على كل مستخدم خيارات تطابق تفضيلاته. وتقوم أنظمة التوصية على تحليلات البيانات الضخمة وخوارزميات تعلّم الآلة لاكتشاف الأنماط في بيانات سلوك المستخدمين. فبدل أن يعرض النظام الكتالوج نفسه على الجميع، يختار العناصر التي تناسب العادات التي رصدها لدى كل شخص.

تبحث التصفية التعاونية في مجموعات من الحسابات لتكتشف الأذواق المشتركة بينها، أما التصفية القائمة على المحتوى فتفحص خصائص العناصر التي اختارها الشخص سابقاً لتقترح عليه عناصر مشابهة. وتجمع النماذج الهجينة بين الأسلوبين لتوازن بين الاتجاهات العامة لدى المستخدمين والخصائص المحدّدة لكل عنصر. وتذكر Netflix Research أن خوارزميات التوصية والبحث هي جوهر خدمات Netflix.

وتوظّف الشركات هذه الأنظمة في عمليات متنوّعة. ففي تجارة الجملة، تحلّل المحرّكات سجلّ الطلبات السابقة لتقترح إعادة شراء أصناف بعينها أو جداول لإعادة الطلب. وفي المحتوى الرقمي، توجّه الأنظمة المستخدمين إلى مقالات أو مواد إعلامية تتّسق مع تفاعلاتهم السابقة. وتضمّ مكتبتنا مزيداً من الأدلّة عن أنظمة التوصية بالذكاء الاصطناعي للفرق التي تخطّط لمشاريع مماثلة.

3 أنواع رئيسية: تذكر IBM أن محرّكات التوصية تنقسم عموماً إلى 3 أنواع، هي التصفية التعاونية، والتصفية القائمة على المحتوى، والأنظمة الهجينة.

ما تطبيقات أنظمة التوصية؟

تمتدّ التطبيقات العملية لأنظمة التوصية عبر إدارات تشغيلية عدّة. فبينما تستخدمها كتالوجات البيع بالتجزئة لاقتراح ما يُضاف إلى سلّة المشتريات، توظّف المؤسّسات آليات التوصية في عملياتها لتوجيه المهام واقتراح إعادة طلب المخزون. ونبني أدوات للتنبّؤ ودعم القرار تعمل على بياناتكم التاريخية أنتم.

وتواصل فرق البحث الداخلية لدى كبرى شركات التقنية دراسة هذه الأدوات. إذ تذكر Netflix أن أعمالها في أنظمة التوصية، وخوارزميات الاختيار السياقي (contextual bandits)، والتعلّم المعزّز، ومعالجة اللغات الطبيعية، والنماذج الأساسية، والاستدلال السببي، تُنشر في كبرى المؤتمرات العلمية. كما تجري Netflix أبحاثها في مجالات تعلّم الآلة بهدف تحسين تجربة مشتركيها.

ويمكن للأتمتة الذكية أيضاً أن تتولّى أحجاماً كبيرة من أعمال المكاتب الخلفية. فنظام العقود لدى JPMorgan Chase يراجع 12,000 اتفاقية ائتمان تجاري سنوياً، ويستخرج 150 سمة من كل اتفاقية. ويعالج هذا الاستخراج المؤتمت المستندات في ثوانٍ، دون حاجة إلى فحصها يدوياً صفحةً صفحةً. وحين تدرسون كيف يمكن للمعالجة المؤتمتة أن تخدم الكتالوج لديكم، يقدّم فريقنا خدمات تطوير الذكاء الاصطناعي وتعلّم الآلة مصمّمة على مقاس سير العمل في شركتكم.

ما يصل إلى 360,000 ساعة سنوياً: قدّرت JPMorgan Chase جهد المراجعة اليدوية الذي حلّ محلّه نظام العقود لديها بما يصل إلى 360,000 ساعة في السنة.

ما نوع الذكاء الاصطناعي المستخدم في أنظمة التوصية؟

تجمع منصّات التوصية بين نماذج تعلّم الآلة المعتادة والأساليب الرياضية للتقييم التنبّؤي. وتذكر IBM أن نماذج التحليلات التنبّؤية تشمل نماذج التصنيف والتجميع والسلاسل الزمنية. وتتولّى هذه البنى تجميع أفعال المستخدمين المترابطة، وتصنيف المنتجات المرشّحة، وتقييم تسلسل عمليات الشراء.

ويقوم كثير من هذه الحسابات على تعلّم الآلة الخاضع للإشراف. وتذكر IBM أن خوارزميات التصنيف والانحدار هي جوهر علم البيانات والنماذج التنبّؤية. فنماذج الانحدار تتنبّأ بقيم متّصلة، كأسعار المنازل أو ضغط الدم لدى المرضى، أما نماذج التصنيف فتتنبّأ بفئات منفصلة، كتحديد ما إذا كانت رسالة البريد الإلكتروني مزعجة أم لا.

وفي التنبّؤ المرتبط بالزمن، تلجأ المؤسّسات إلى التسلسلات التاريخية. فمركز الاتصال مثلاً يستطيع استخدام نموذج سلاسل زمنية للتنبّؤ بعدد المكالمات التي سيتلقّاها في كل ساعة وفي أوقات مختلفة من اليوم. وتوظّف أنظمة التوصية نماذج تسلسل مماثلة لتقدير العنصر الذي سيرغب فيه المستخدم تالياً، استناداً إلى أحدث ما تصفّحه.

كيف نثبت أن محرّك التوصية يتفوّق على خط أساس بسيط؟

من الأخطاء الشائعة في المشاريع الخوارزمية نشر نموذج دون إثبات أنه يحقّق تحسّناً تجارياً فعلياً مقارنةً بالقواعد البسيطة. فقائمة بسيطة بالأكثر مبيعاً كثيراً ما تحقّق أرقام مبيعات جيدة دون أي صيانة خوارزمية، لذا يجب على فريق التطوير أن يثبت أن التقييم المخصّص لكل مستخدم يتفوّق على تلك القائمة الافتراضية.

نحجب جزءاً من سجلّ طلباتكم أو استخدامكم عن التدريب، ثم نقيس مدى دقّة المحرّك في التنبّؤ بما اختاره المستخدمون فعلاً، مقارنةً بخط أساس بسيط هو قائمة الأكثر مبيعاً. وترون الرقمين معاً، رقم المحرّك ورقم قائمة الأكثر مبيعاً، قبل قبول العمل. وتبيّن هذه المقارنة ما إذا كانت النمذجة المخصّصة تضيف إلى معدّل التحويل قيمة ملموسة تتجاوز الترتيب الثابت للمنتجات.

ولا يتوقّف الاختبار عند وصول الشيفرة الأولى إلى بيئة الإنتاج، ففي فترة الدعم المكثّف نُجري اختبار A/B مباشراً يقارن محرّك التوصية بقائمة الأكثر مبيعاً. هل يريد فريقكم التجاري أن يختبر ما إذا كان نموذج خوارزمي يتفوّق على طريقة عرض الكتالوج الحالية لديكم؟ احجزوا مكالمة تمهيدية مجانية، وسنراجع بياناتكم التاريخية معاً.

لمن طوّرتم أنظمة مماثلة من قبل؟

كثيراً ما يطلب المشترون المحتملون قائمة بأسماء العملاء السابقين لتقييم القدرات التقنية، ونحن لا نعلن أسماء عملائنا. فالسرّية التجارية تحمي الاستراتيجيات التشغيلية لدى الطرفين، كما أن شعارات العملاء لا تكشف كيف يتعامل فريق هندسي مع مسارات البيانات.

ونجيب في innopalm عن طلب المراجع بأن نعرض نسخة عاملة من النظام في جلسة مباشرة يختبرها المشتري كما يشاء، بدل أن نذكر أسماء العملاء. ويتيح استعراض برمجيات تعمل فعلاً لفريقكم أن يختبر الحالات الاستثنائية، ويطلب تعديلات، ويلمس الانضباط الهندسي بنفسه. والنطاق المكتوب وجلسة العرض الأولى مشمولان في سعر المشروع، دون رسوم منفصلة.

ويضع مهندسونا أسساً تقنية واضحة منذ البداية. فمعيار IEEE 830-1998 يصف محتوى المواصفات الجيدة لمتطلبات البرمجيات وخصائصها، ويعرض عدّة نماذج لهيكل وثيقة SRS. وهذه المواصفات المنضبطة تُبقي نطاق مشروعكم ومقاييس القبول والقيود التشغيلية واضحة لا لبس فيها طوال التنفيذ.

كيف نحافظ على ضوابط الأمن وحماية البنية التحتية؟

تستقبل منصّات التوصية سجلّات معاملات خاصّة وحسابات عملاء وبيانات سلوكية. أما OWASP فهو اختصار Open Worldwide Application Security Project، وهو مرجع معترف به في تأمين تطبيقات الويب.

نكتب متطلبات الأمن في وثيقة المواصفات قبل أن يبدأ التطوير. والبيانات في الأنظمة التي نبنيها مشفّرة أثناء التخزين وأثناء النقل، والصلاحيات قائمة على الأدوار، فلا يرى كل شخص إلا ما يحتاجه دوره. كما تحتفظ الأنظمة التي نبنيها بسجلّ تدقيق كامل يوثّق من فعل ماذا ومتى، بما يحقّق الامتثال الداخلي.

ويكفل التخطيط لاستمرارية العمل ألّا يتوقّف النظام حين تتعطّل الخدمات التي يستند إليها. فالنسخ الاحتياطية تُحفظ في موقع منفصل، ونختبر استعادة كاملة للبيانات قبل التشغيل الفعلي. وإذا تعذّر الوصول إلى خدمة ذكاء اصطناعي يحتاج إليها النظام، تنتظر المهام في قائمة انتظار آمنة، ويستطيع الفريق مواصلة العمل يدوياً.

كم يستغرق مشروع نظام التوصية؟

يتطلّب بناء محرّك موثوق لتعلّم الآلة تحقّقاً منضبطاً من البيانات، وتدريباً للنموذج، ومقارنة أدائه بخط الأساس. ونخطّط عادةً لمحرّك التوصية مدةً تتراوح من 8 إلى 12 أسبوعاً من انطلاق المشروع، وهي مدة تتيح وقتاً كافياً لتجهيز السجلّات التاريخية، وكتابة مسارات البيانات، وإجراء اختبارات صارمة على البيانات التاريخية قبل التشغيل.

وتُعقد خلال التطوير مراجعات مع أصحاب المصلحة على فترات منتظمة يمكن توقّعها، ففي مشاريع التحليلات التنبّؤية ترون جلسة عرض كل أسبوعين إلى ثلاثة أسابيع. وقبل اختيار أي نموذج، نخصّص أسبوعين لجمع 100 إلى 300 من حالاتكم الحقيقية في مجموعة اختبار. وبهذا التسلسل المنظّم يراجع فريقكم التقدّم المرحلي قبل النشر في بيئة الإنتاج.

وتنتقل الملكية إليكم بالكامل عند اكتمال التطوير. فعند التسليم تتسلّمون الشيفرة المصدرية والوثائق الفنية والاختبارات وكل بيانات الدخول، ولا ارتهان للمورّد، فتستطيعون الاستعانة بفريق آخر لاحقاً. ويبقى كل ما يلزم لتشغيل البرمجيات وإعادة تدريب نماذجها واستضافتها في حوزتكم.

يندرج هذا المقال ضمن عملنا في تطوير الذكاء الاصطناعي وتعلّم الآلة، ويعكس منهجية التخطيط التي تقوم عليها طريقة عملنا.

أبرز النقاط

• تستند مشاريع التوصية إلى خوارزميات تعلّم الآلة لتقترح العناصر من خلال اكتشاف الأنماط في سلوك المستخدمين السابق.
• الأنواع الرئيسية الثلاثة لبنى التوصية هي التصفية التعاونية، والتصفية القائمة على المحتوى، والأنظمة الهجينة.
• يجب قياس أداء محرّك التوصية المخصّص مقارنةً بخط أساس بسيط هو قائمة الأكثر مبيعاً، للتحقّق من قيمته التجارية.
• تتطلّب أنظمة الإنتاج صلاحيات قائمة على الأدوار، وتشفير البيانات أثناء التخزين وأثناء النقل، وقوائم انتظار آمنة تحفظ العمل حين تتعذّر الخدمة.
• ينبغي أن تنتقل إليكم ملكية الشيفرة المصدرية والوثائق الفنية والاختبارات كاملةً عند اكتمال المشروع.

المصادر

1. محرّكات التوصية: تعريفها وأنواعها الثلاثة (ibm.com)
2. أبحاث التوصيات وتعلّم الآلة في Netflix (research.netflix.com)
3. التحليلات التنبّؤية: تعريفها وأنواع نماذجها وخوارزمياتها (ibm.com)
4. التصنيف والانحدار بوصفهما جوهر النماذج التنبّؤية (ibm.com)
5. ذكاء العقود لدى JPMorgan Chase في اتفاقيات القروض التجارية (التقرير السنوي 2016) (reports.jpmorganchase.com)
6. معيار IEEE 830-1998: الممارسة الموصى بها لمواصفات متطلبات البرمجيات (standards.ieee.org)