Всем привет! Меня зовут Святослав Корсун, CEO компании MEN IN DEV. Наш руководитель ML-направления, Савелий Батурин, рассмотрел, как ИИ помогает совершенствовать рекомендации в FoodTech, и какие успешные примеры уже существуют.
Ведь современные технологии все больше проникают в нашу повседневную жизнь, и одним из ключевых направлений их использования становится индустрия FoodTech. В последние годы наблюдается значительное внимание к улучшению пользовательского опыта через внедрение искусственного интеллекта (ИИ) в различные аспекты этой отрасли.
Персонализация стала ключевым фактором успеха для многих компаний, предоставляющих услуги или продукты потребителям. ИИ открывает новые горизонты в этой области, делая возможным создание точных и индивидуализированных рекомендаций на основе анализа больших объемов данных. Посмотрим, какие шаги прошла индустрия на пути к построению продвинутых персонализированных рекомендательных систем.
1. Базовая аналитика и сегментация
На ранних стадиях компании использовали простую сегментацию для персонализации опыта клиентов. Это позволяло создавать целевые маркетинговые кампании для различных групп пользователей, основываясь на демографических данных.
2. Когортный анализ и RFM-анализ
Далее компании начали использовать более сложные методы аналитики, такие как когортный анализ и RFM-анализ (Recency, Frequency, Monetary), что позволило глубже понять поведение и покупательские привычки клиентов.
3. Алгоритмы и модели рекомендаций
С развитием технологий компании внедряли алгоритмы рекомендаций, такие как коллаборативная фильтрация и выделение ассоциативных правил. Например, Amazon и Netflix успешно применили эти методы для создания персонализированных предложений.
4.Искусственный интеллект и машинное обучение
Использование ИИ позволяет улучшить качество рекомендаций и сделать их более релевантными для конкретного человека в конкретном контексте. В FoodTech это нашло применение в системах рекомендаций для доставки еды, рецептурных приложений и онлайн-магазинов.
Основой для создания эффективных рекомендательных систем является машинное обучение (ML), которое позволяет обучать модели на больших объемах информации о товарах, пользователях и их покупках. Это, в свою очередь, приводит к разработке алгоритмов, способных находить скрытые закономерности и тенденции в данных. Например, модификация одного из таких алгоритмов по поиску ассоциативных правил была разработана, внедрена и представлена мной в следующей статье.
Для создания рекомендательных систем в FoodTech используются различные модели, включая коллаборативную фильтрацию при помощи матричного разложения, нейронные сети и гибридные модели. Каждая из этих технологий имеет свои сильные стороны и подходит для решения определенных задач, связанных с персонализацией рекомендаций.
Не отходя далеко от нейронных сетей, хочется отметить, как методы из смежных дисциплин и массовое помешательство на генеративных моделях двигают вперед всю индустрию ИИ.
Например, автоэнкодерные модели, одни из первых генераторов изображений, нашли себя и в рекомендательных системах (о нашем кейсе с их использованием мы писали здесь). Адаптация под выдачу рекомендаций языковых моделей, по типу ChatGPT, и диффузионных моделей, по типу того же Stable Diffusion, сейчас приводят к колоссальному росту всевозможных метрик. По всей видимости, именно за ними будущее и наша команда сейчас делает на них основной упор.
В качестве иллюстрации успешного применения ИИ рассмотрим кейс внедрения рекомендательной системы в мобильное приложение известной российской сети кафе «Братья Караваевы».
Основной целью проекта было улучшить пользовательский опыт, предложив более персонализированные рекомендации для посетителей сети кафе. Среди проблем, с которыми столкнулась наша команда, были низкая точность существующих рекомендаций, проблема холодного старта, заключающаяся в выдаче рекомендаций по недостающим данным, и отсутствие учета индивидуальных предпочтений посетителей.
Для решения этих задач была разработана гибридная модель машинного обучения, включающая в себя как классические модели анализа данных, так и продвинутые реализации при помощи нейросетей и семантического анализа базы товаров. Подобное совмещение нескольких технологий привело к решению проблемы холодного старта, увеличению качества рекомендаций и учету множества вспомогательных параметров, влияющих на выдачу.
В результате внедрения новой рекомендательной системы пользователи приложения стали получать более точные и персонализированные предложения, что привело к увеличению конверсии и росту лояльности клиентов. Кроме того, удалось значительно сократить время, необходимое для поиска подходящих блюд, что положительно сказалось на общем пользовательском опыте.
Использование ИИ в FoodTech приносит множество преимуществ как для бизнеса, так и для конечных пользователей.
1.Экономия времени и ресурсов. Автоматизация процессов рекомендаций позволяет сэкономить время на ручном анализе данных и улучшить точность предлагаемых решений.
2.Увеличение лояльности клиентов. Персонализированные рекомендации способствуют росту удовлетворенности пользователей и повышают их лояльность к бренду.
3. Возможности для дальнейшего развития. ИИ открывает новые возможности для внедрения инновационных функций и улучшения существующих сервисов.
Несмотря на очевидные преимущества, внедрение ИИ в FoodTech связано с рядом технических вызовов.
1. Данные: сбор, обработка и обеспечение конфиденциальности. Для создания эффективных моделей необходимо иметь доступ к большому объему качественных данных. Также необходимо обеспечивать их правильную обработку и защиту конфиденциальности пользователей.
2. Адаптация ИИ к изменяющимся предпочтениям пользователей. Алгоритмы должны быть способны быстро адаптироваться к изменяющимся предпочтениям и поведению пользователей, что на текущий момент совсем не редкость.
3. Проблема холодного старта: зачастую трудно предугадать, что захочет абсолютно новый пользователь. И как предлагать товар, который никто никогда не покупал?
Мы в своем проекте с «Братьями Караваевыми» успешно справилась с этими вызовами, разработав гибкую и адаптивную архитектуру рекомендательной системы.
ИИ продолжит развиваться и интегрироваться в разные аспекты FoodTech, предлагая новые возможности для бизнеса и пользователей. В ближайшие годы можно ожидать появления более точных и индивидуализированных рекомендаций, использования предиктивного анализа для предсказания потребностей пользователей и внедрения новых функциональных возможностей.
В итоге, использование ИИ в FoodTech становится все более необходимым элементом развития индустрии, открывая новые горизонты и возможности для улучшения пользовательского опыта. Инновационные компании уже показывают впечатляющие результаты, и будущее обещает быть еще более захватывающим и технологически продвинутым.