ما أفضل نموذج لنظام التوصية؟

كيف تختلف نماذج التوصية الشائعة؟

تعرّف IBM محرّك التوصية، ويُسمّى أيضاً نظام التوصية (recommender)، بأنه نظام ذكاء اصطناعي يقترح عناصر على المستخدم. وتقوم أنظمة التوصية على تحليلات البيانات الضخمة وخوارزميات تعلّم الآلة لاكتشاف الأنماط في بيانات سلوك المستخدمين، وغايتها الأساسية توجيه المستخدمين إلى المنتجات أو المحتوى الذي يُرجَّح أن يتفاعلوا معه تالياً.

تقتصر التصفية التعاونية على تفاعلات المستخدمين، كالطلبات السابقة والتقييمات ونقرات التصفّح، فتبحث الخوارزمية عن أفراد تشابه سلوكهم في الماضي، وتقترح على أحدهم ما أعجب الآخر. أما التصفية القائمة على المحتوى فتنظر إلى خصائص العناصر، كوسوم الفئات والمواصفات والعلامات التجارية والأوصاف النصية. وتمزج الأساليب الهجينة بين هذه الإشارات لتتفادى النقاط العمياء في كل أسلوب منفرداً.

وحين تقيّمون هذه البنى، تكشف المقارنة بين متطلباتها الأساسية من البيانات عن مفاضلات تشغيلية واضحة. ويمكنكم أيضاً الاطّلاع على أدلّتنا الأوسع عن أنظمة التوصية بالذكاء الاصطناعي، لتروا كيف تتعامل البنى المختلفة مع أشكال الكتالوجات المتباينة.

ما نوع الذكاء الاصطناعي المستخدم في أنظمة التوصية؟

تجمع أنظمة التوصية التجارية الكبرى بين خوارزميات متخصّصة متعدّدة، بدل الاكتفاء بشبكة عصبية واحدة معزولة. وتذكر Netflix Research أن خوارزميات التوصية والبحث هي جوهر خدمات Netflix، وتعمل هذه النماذج معاً لتنظيم الشاشات الرئيسية، وترتيب نتائج البحث، واختيار الصفوف المنتقاة لملايين المشاهدين حول العالم.

وتجري Netflix أبحاثها في مجالات تعلّم الآلة بهدف تحسين تجربة مشتركيها، إذ تذكر أن أعمالها في أنظمة التوصية، وخوارزميات الاختيار السياقي (contextual bandits)، والتعلّم المعزّز، ومعالجة اللغات الطبيعية، والنماذج الأساسية، والاستدلال السببي، تُنشر في كبرى المؤتمرات العلمية. وتساعد هذه الأنظمة المتنوّعة على تقدير العناوين التي تستهوي كل ملف شخصي.

وفي أساس بنى التوصية المعقّدة تقع لبنات تقليدية من التعلّم الخاضع للإشراف. فالتصنيف والانحدار، وفق IBM، كلاهما من خوارزميات تعلّم الآلة الخاضع للإشراف، وتذكر IBM أن خوارزميات التصنيف والانحدار هي جوهر علم البيانات والنماذج التنبّؤية.

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

ما أفضل نموذج لتعلّم الآلة؟

لا يستطيع أي مورّد أن يجزم بأن خوارزمية بعينها تتفوّق على غيرها في كل الأحوال دون أن يختبرها على سجلّاتكم التجارية أنتم. وفي منهجيتنا، نتحقّق مما إذا كان نموذج بديل يتفوّق على نموذج عامّ بقياس أداء الاثنين على مجموعة اختبار مأخوذة من بيانات أعمالكم، قبل أن تقبلوا مرحلة الإنجاز. فالمقاييس المعيارية العامّة المستخلصة في بيئات المختبر كثيراً ما تخفق حين تُطبَّق على كتالوجات العملاء وجداول المعاملات الحقيقية.

وحين يكون فهم اللغة جزءاً من مهمة التوصية، نطبّق معايير التحقّق الصارمة نفسها، فنحدّد أيّ النماذج اللغوية أفضل أداءً بإجراء اختبارات دقّة فعلية على مستنداتكم أنتم قبل إطلاق أي ميزة. ويؤكّد هذا الإجراء أن الخيارات المرشّحة تستخرج خصائص المنتجات ذات الصلة بدقّة من النصوص الخام لبيانات المخزون.

ونبني على نماذج Claude والنماذج المفتوحة الرائدة، ونختار منها ما يناسب المشكلة. وحين تقيّمون خيارات التوصية عبر الكتالوجات لديكم، فاحجزوا مكالمة تمهيدية مجانية، وسنراجع معكم بنية بياناتكم.

ويتطلّب اختيار النموذج الرياضي المناسب أيضاً تقييم الاعتبارات التشغيلية العملية، كمعدّل إعادة التدريب وسرعة تشغيل النموذج (inference). فالتطبيقات الاستهلاكية ذات الحركة الكثيفة تحتاج إلى استجابة بزمن تأخّر منخفض، بينما قد تُفضّل الأنظمة المؤسّسية المتخصّصة الاستدلال السياقي المفصّل على سرعة التنفيذ الفوري. وبالتركيز على أهداف أعمالكم الفعلية لا على الدعاية التسويقية للمورّدين، نحدّد البنية الدقيقة اللازمة لتحقيق عوائد قابلة للقياس.

كيف نثبت أن المحرّك يتفوّق على خطّ أساس معياري؟

لا قيمة لمحرّك توصية عصبي متطوّر ما لم يحقّق تفاعلاً تجارياً أفضل مما تحقّقه قائمة بسيطة بالأكثر مبيعاً. لذا نحجب جزءاً من سجلّ طلباتكم أو استخدامكم عن التدريب، ونقيس مدى دقّة المحرّك في التنبّؤ بما اختاره المستخدمون فعلاً، مقارنةً بخطّ أساس بسيط هو قائمة الأكثر مبيعاً. ويبيّن هذا التحقّق على البيانات التاريخية ما إذا كانت الخوارزمية المخصّصة تقدّم قيمة تنبّؤية حقيقية.

وترون الرقمين معاً، رقم المحرّك ورقم قائمة الأكثر مبيعاً، قبل قبول العمل. فمراجعة مقاييس التحقّق على البيانات التاريخية تعني ألّا يبني أحد قراره على وعود نظرية، إذ تسند كل مقياس للدقّة سجلّات تجارية موثّقة من الكتالوج لديكم.

نقيّم خوارزميات التوصية مقارنةً بخطّ أساس على بياناتكم التاريخية، ونعرض الدقّة المَقيسة قبل القبول، ثم نُجري اختبار A/B يقارنها بخطّ الأساس نفسه خلال فترة الدعم المكثّف. وفي اختبار A/B تُقسَّم حركة الاستخدام الفعلية في بيئة الإنتاج بين المحرّك الجديد وقائمة خطّ الأساس، فنختبر خلال فترة الدعم المكثّف محرّك التوصية مباشرةً مقابل قائمة الأكثر مبيعاً، لتقيسوا التحسّن بأنفسكم.

ومتابعة المقارنة بخطّ الأساس تُخرج قبول البرمجيات من دائرة التخمين. فحين تقارنون معدّلات التحويل جنباً إلى جنب، يتّضح لفريق العمليات لديكم تماماً ما إذا كان تعقيد الخوارزميات يحقّق إيرادات تجارية ملموسة.

كيف ننفّذ محرّكات التوصية كما ينبغي؟

نتعامل مع ميزات التوصية بوصفها برمجيات إنتاج موثوقة، لا نماذج أوّلية استكشافية. ففي مرحلة تحديد المتطلبات نتبيّن ما يمكن تحقيقه واقعياً بالبيانات المتوفّرة لديكم فعلاً، إذ يستخدم كثير من ميزات الذكاء الاصطناعي المفيدة مستنداتكم وسجلّاتكم الحالية، أو نموذجاً أساسياً يسترجع المعلومات من مصادركم. كما تفصل هذه المرحلة بين المشكلات التي يقدّم فيها الذكاء الاصطناعي قيمة حقيقية وتلك التي تُحلّ على نحو أفضل ببرمجيات تقليدية.

نراجع البيانات، ونبني النموذج، ونختبره وفق أهداف قابلة للقياس. وبعد النشر، يحرص فريقنا الهندسي على أن تبقى التوصيات دقيقة مع تغيّر سلوك العملاء بمرور الوقت، فنشغّل تعلّم الآلة في بيئة الإنتاج بإصدارات مؤتمتة ومراقبة وإعادة تدريب. وتسلّم خدمتنا المتخصّصة في تطوير الذكاء الاصطناعي وتعلّم الآلة مسارات كاملة مباشرةً إلى بيئات الإنتاج لديكم.

ويظلّ الأمن والحوكمة في صميم العمل الهندسي. فنبني وفق قائمة OWASP Top 10 بوصفها الحدّ الأدنى من معايير الأمن، ونكتب 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 هذه الأنظمة بسجلّ تدقيق كامل يوثّق من فعل ماذا ومتى.

وعند التسليم تتسلّمون الشيفرة المصدرية والوثائق الفنية والاختبارات وكل بيانات الدخول، فلا ارتهان للمورّد (Vendor Lock-in)، ويمكنكم الاستعانة بفريق آخر لاحقاً. والملكية الكاملة للشيفرة المصدرية والوثائق الفنية تُبقي لفريقكم الداخلي السيطرة التامة على أصولكم الرقمية بعد الإطلاق بوقت طويل.

كم يستغرق مشروع نظام التوصية؟

نخطّط عادةً لمحرّك التوصية مدةً تتراوح من 8 إلى 12 أسبوعاً من انطلاق المشروع، وهي مدة تتيح متّسعاً كافياً لاستخراج البيانات، ومقارنة أداء النماذج، ودمج واجهة المستخدم، واختبارات بيئة الإنتاج. ويبقى التقدّم مرئياً طوال التطوير، بدل الانتظار حتى نهاية الربع للكشف عن النتيجة.

ونخطّط عادةً لاختيار نماذج التوصية بمقارنة أدائها على البيانات التاريخية، مع جلسات عرض للتقدّم كل أسبوعين إلى ثلاثة أسابيع، ومراقبة الأداء الفعلي خلال فترة دعم مكثّف مدّتها شهران. فتراجعون البرمجيات وهي تتطوّر على فترات منتظمة، وتفحصون مخرجات التوصية على عناصر حقيقية من الكتالوج.

وإذا تعذّر الوصول إلى خدمة ذكاء اصطناعي يحتاج إليها النظام، تُحفظ المهام في قائمة انتظار آمنة، ويستطيع الفريق مواصلة العمل يدوياً. وتُحفظ النسخ الاحتياطية في موقع منفصل، ونختبر استعادة كاملة للبيانات قبل التشغيل الفعلي. ولمعرفة المزيد عن طريقة إدارتنا للمشاريع، اطّلعوا على عرضنا المفصّل لطريقة عملنا عبر مراحل الإنجاز.

وتحمي مراحل التنفيذ المنظّمة من تغييرات النطاق التي تجري دون متابعة، وتحافظ على الجدول الزمني للتسليم. فبالتحقّق من مجموعات بيانات الاختبار خلال دورات التطوير الأولى، يتأكّد فريقنا من جودة البيانات قبل البدء في عمليات التكامل المعمّقة مع الأنظمة.

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

أبرز النقاط

• لا يوجد نموذج توصية هو الأفضل على الإطلاق، لأن البنية المثلى تتوقّف كلياً على بيانات التفاعل التاريخية لديكم.
• مقارنة النماذج المرشّحة بخطّ أساس بسيط هو قائمة الأكثر مبيعاً تثبت ما إذا كانت الخوارزميات المخصّصة تحقّق تحسّناً حقيقياً.
• تدمج الأنظمة الهجينة سجلّ التفاعلات مع خصائص العناصر للحدّ من مشكلتي شحّ البيانات والبدء البارد.
• ينبغي أن يسبق التحقّق على السجلّات التاريخية دائماً النشرَ في بيئة الإنتاج واختبارَ الحركة الفعلية.
• الملكية الكاملة للشيفرة المصدرية ومسارات التدريب ومجموعات الاختبار تُبقيكم في منأى عن أي تبعية لمورّد خارجي على المدى البعيد.

المصادر

1. محرّكات التوصية: تعريفها وأنواعها الثلاثة (ibm.com)
2. أبحاث التوصيات وتعلّم الآلة في Netflix (research.netflix.com)
3. التصنيف والانحدار بوصفهما جوهر النماذج التنبّؤية (ibm.com)