Schalten Sie Ihr ein Rufen Sie den Streaming-Dienst Ihrer Wahl auf oder öffnen Sie die Website Ihres bevorzugten Kaufhauses, und schon wird ein Empfehlungssystem aktiviert.
„Dir hat diese TV-Serie gefallen, also glauben wir, dass dir auch diese gefallen wird!“ Oder: „Wenn Sie einen rosa Leinenrock betrachten, denken Sie darüber nach, diese cremefarbenen Espadrilles dazu zu kaufen!“ Sie sind wichtige Treiber für den Handel, weil sie den Kunden dabei helfen, die Produkte zu sehen, die sie am wahrscheinlichsten kaufen werden. Sie passen jedoch nicht gut in bestehende Werkzeugketten für maschinelles Lernen.
Einige der bekanntesten Empfehlungsmaschinen sind für Inhalte. YouTubes unheimliches Gespür dafür, was man als Nächstes sehen möchte, ist ein Beispiel, und der ultimative Champion dieses Spiels ist TikTok: Es macht köstlich süchtig, gerade weil die Algorithmen wissen, was Ihr kleines Herz begehrt.
In manchen Fällen steckt jedoch mehr hinter einer Empfehlung. Bei einem Online-Shop kann es für unterschiedliche Produktlinien unterschiedliche Margen geben, und er verfügt über Informationen, die die Engine selbst nicht hat; Zum Beispiel kaufen die Leute jetzt vielleicht keine Skiausrüstung, aber später im Jahr werden sie das mit Sicherheit tun. Rubber Ducky Labs, ein in San Francisco ansässiges Startup, möchte Teams das Debuggen, Analysieren und Verbessern ihrer Empfehlungssysteme erleichtern.
Das Team arbeitet in einem Bereich, der einen tieferen Trend aufweist: Woher wissen Sie, dass die KIs gute Arbeit leisten? Die Algorithmen machen zunehmend Dinge, die Menschen nicht vollständig verstehen – und ohne Rückkopplungsschleife kann es schwierig werden.