Dünyanın zor bir arayışı olmasın: Ali Search nasıl şefkatli bir "sıcak adam" haline gelir?
Alimei's Guide: Onuncu Double 11 başarıyla sonuçlandı, ancak teknolojinin keşfi asla durmuyor. Alibaba Technology, yıllar içinde çifte 11 savaşına katılan çekirdek teknoloji devlerini Alibaba'nın teknolojisindeki değişiklikleri gözden geçirmeye davet eden "Pastoral Kodun On Yılı" serisini başlattı.
Son on yılda, makine zekası giderek daha fazla alanda hayatımıza girdi ve hayatımızı değiştirdi. İnternet alanında makine zekası daha yaygındır ve yaygın olarak kullanılmaktadır. E-ticaret platformunun temel taşı olan ürün arama ekibi, e-ticaret platformuna uygun bir makine zeka sistemi kuruyor. Ve her yıl Double 11, zekanın ilerlemesini doğrulamak için bir mihenk taşıdır. Bugün, Ali'nin kıdemli algoritma uzmanı Yuan Han sizi zaman ve mekana götürecek ve Double 11 senaryosunda arama zekasının on yıllık evrimini deneyimleyecek.
Alibaba'nın arama teknolojisi sistemi bugüne kadar gelişti ve temelde e-ticaret platformunun yalnızca istikrarlı ve etkili kişiselleştirilmiş arama ve önerilere günlük istikrarlı trafik altında uyum sağlamasını sağlamakla kalmayıp aynı zamanda buluşmasını sağlamak için iş bölümü ve işbirliği ile çevrimdışı, yakın hat ve çevrimiçi olmak üzere üç katmanlı bir sistem oluşturdu. E-ticaret platformu, kısa vadeli yüksek eşzamanlı trafik altında platform gelirini en üst düzeye çıkarmak için tanıtım faaliyetlerine teknik destek sağlar.
On yıl içinde Double 11'in test edilmesinden sonra, akıllı arama sisteminin kademeli olarak oluştuğu ve e-ticaret platformlarının istikrarlı ve sağlıklı gelişimi için nükleer güç haline geldiği görülebiliyor, esas olarak dört aşamaya ayrılıyor: kendi geliştirdiği akış hesaplama motoru Pora ilk görünümünü gösterdi; Bağlantı gerçek zamanlı sistem parlar; "derin öğrenme + pekiştirmeli öğrenme" ön keşif; derin öğrenme çağına tam olarak girin. Aşağıda birlikte bir göz atalım.
Dört ana evrim aşaması: hizmetlerin, algoritmaların ve sistemlerin eşzamanlı gelişimi
Aşama 1: İlk görünüm - Kendi geliştirdiği bir akış bilgi işlem motoru olan Pora
Teknolojinin evrimi, gerçek iş sorunlarını ve sıkıntılı noktaları çözmenin gelişimi ve evrimi ile birlikte gelir. 2014 yılında Double 11, BI ekibinin önceki Double 11 veri analizi sonucunda, tükenmek üzere olan ürünlerin hala çok fazla trafik aldığı ve kalan envanterin kısa sürede çok sayıda kullanıcıyı destekleyemediği tespit edildi. Ana satıştan (sıcak satış sku) satılan ürünler trafik kazandı ve kullanıcılar sıcak satış sku'yu satın alamıyor ve dönüşüm oranı düşükken, Double 11'de aniden ortaya çıkan bazı sıcak satış ürünleri tarihe dayanıyor. İşlem genellikle yeterli trafik almaz.
Yukarıdaki sorunlara yanıt olarak, arama teknolojisi ekibi tarafından bağımsız olarak geliştirilen bir akış bilgi işlem motoru olan Pora, ısınma süresi boyunca ve Double 11'de ağdaki kullanıcıların tüm tıklamalarını, ek satın alımlarını ve işlem davranışı günlüklerini toplar, ilgili davranışların sayısını ürün boyutunda toplar ve bunları gerçek zamanlı olarak ilişkilendirir. Ürün envanter bilgilerini sorgulayın, gerçek zamanlı tükenen oran ve gerçek zamanlı dönüşüm oranının hesaplanması ve analizi için algoritma eklentisi sağlayın ve sıralama sonuçlarını etkilemek için hesaplama sonuçlarını gerçek zamanlı olarak arama ve öneri motorlarıyla senkronize edin. Double 11 promosyon senaryosunda ilk defa büyük ölçekli gerçek zamanlı hesaplamalar gerçekleştirildi. Algoritma etkisi açısından da ilk kez gerçek zamanlı hesaplamanın gücünü herkese hissettirmiş, PC ve mobil terminallerdeki para miktarı da önemli ölçüde artırılmıştır.
İkinci Aşama: Shine Out-Dual Link Gerçek Zamanlı Sistem
2014 yılında Double 11'de gerçek zamanlı teknoloji, büyük tanıtım sahnesinde ürünlerin ve kullanıcıların gerçek zamanlı özelliklerini fark etti ve iyi performans gösterdi.
2015 yılında, arama teknolojisi ve algoritma ekibi çevrimiçi bilgi işlemin teknik yükseltmesini desteklemeye devam etti ve temel olarak gerçek zamanlı bir bilgi işlem sistemine dayalı [çevrimiçi öğrenme + karar] arama zekasının evrim yolunu belirledi.
Daha önceki arama öğrenme yeteneği, toplu işlemeye dayalı çevrimdışı makine öğrenmesiydi. Hesaplama sürecinin her yinelemesinde, tüm eğitim verilerinin hesaplama için belleğe yüklenmesi gerekir. Dağıtılmış büyük ölçekli makine öğrenimi platformları olmasına rağmen, toplu işleme yöntemlerinin bir dereceye kadar eğitim örneklerinin sayısı üzerinde hala sınırlamaları vardır. Çevrimiçi öğrenme, tüm verilerin önbelleğe alınmasını gerektirmez ve gerçek zamanlı veri tüketimini elde etmek için akış işleme modunda herhangi bir sayıda örnek işlenebilir.
Sonra, iki soruyu açıklığa kavuşturmalıyız: Neden çevrimiçi öğrenmeye ihtiyacımız var? Ve model neden saniyeler içinde güncelleniyor?
Toplu öğrenmede, genellikle numunelerin bağımsız olarak bilinmeyen bir dağılıma uyduğu varsayılır, ancak dağılım değişirse model etkisi önemli ölçüde azalacaktır. Gerçek iş dünyasında, çoğu durumda, bir model yürürlüğe girdikten sonra, örneklerin dağılımı önemli ölçüde değişecektir, bu nedenle öğrenilen model çevrimiçi verilerle tam olarak eşleşmez. Gerçek zamanlı model, en son çevrimiçi verileri sürekli olarak uydurarak bu sorunu çözebilir, böylece etki çevrimdışı modele kıyasla büyük ölçüde geliştirilecektir. Öyleyse model güncellemelerini neden saniyeler ve dakikalar içinde uygulayasınız? Double 11 sırasında işlemlerin patlayıcı olduğu ve büyük ölçüde değiştiği bir sahnede, ikinci seviye gerçek zamanlı model, saat düzeyinde gerçek zamanlı modelden daha belirgin avantajlara sahiptir. 2015 yılında Double 11'in gerçek zamanlı cirosuna göre, toplam cironun yaklaşık 1 / 3'ü bir önceki saatte tamamlandı ve saatlik model bu dönemdeki değişiklikleri iyi yakalayamıyor.
Buna dayanarak, arama teknolojisi ekibi, Pora tabanlı parametre sunucusuna dayalı bir çevrimiçi öğrenme çerçevesi geliştirdi.Aşağıdaki şekilde gösterildiği gibi, çevrimiçi eğitim uygulandı ve noktasal tabanlı bir gerçek zamanlı dönüşüm oranı tahmin modeli ve ikili tabanlı bir çevrimiçi matris ayrıştırma modeli geliştirildi. Ve özelliklerin ve modellerin ikili gerçek zamanlı tahmin yeteneklerini elde etmek için modeli, gerçek zamanlı özelliklerle birlikte hızlı bir şekilde motora gönderin.
Çevrimiçi öğrenme çerçevesi
Bununla birlikte, ister çevrimdışı eğitim ister çevrimiçi öğrenme olsun, temel yetenek, tek bir problem için algoritma çözümünün doğruluğunu olabildiğince iyileştirmektir, ancak insan-bilgisayar etkileşiminin zamanını ve sistematik doğasını göz ardı ederek, öngörülemeyen kullanıcı davranışını anlamayı zorlaştırır ve Hızla değişen dış ortamın eksiksiz modellenmesi. Tipik sorun, kişiselleştirilmiş arama sisteminde, tüketicilere önceden gördükleri ürünleri defalarca göstermenin kolay olmasıdır.
Sistemin aşırı kişiselleştirilmesinden nasıl kaçınılır ve verimli keşiflerle sonuçların zenginliği nasıl arttırılır? Karar verme motorlarını uygulamak için pekiştirmeli öğrenme teknolojisini kullanarak, makine zekası teknolojisi takviyeli öğrenmenin başka bir yönünü keşfetmeye başladık. Sistem ve kullanıcı arasındaki etkileşim sürecini zaman boyutunda bir [durum, eylem, ödül] dizisi olarak görebiliriz ve karar motorunun amacı bu süreci optimize etmektir.
Çevrimiçi karar verme açısından, daha önce çevrimdışı Öğrenim tarafından öğrenilen sıralama füzyon parametrelerini sıralamayı değiştirerek, çoklu sıralama faktörlerinin optimum füzyon stratejisini elde etmek için MAB ve sıfır sıra optimizasyon teknolojisini ilk kez kullanmaya çalıştık. Sonuç dikkat çekicidir Double 11'de ayrıca gerçek zamanlı strateji optimizasyonu ile günün farklı zaman dilimleri için optimal stratejinin farklı olduğunu gözlemledik.Bu, gün boyunca çevrimdışı öğrenme kullanılarak elde edilen sabit sıralama ağırlıkları setiyle karşılaştırılır. Büyük bir gelişme.
2015 Double 11 çift bağlantılı gerçek zamanlı bilgi işlem sistemi aşağıdaki şekilde gösterilmektedir:
2015 Double 11 gerçek zamanlı bilgi işlem sistemi
3. Aşama: Ön Keşif - "Derin Öğrenme + Pekiştirmeli Öğrenme"
2015'te Double 11'de çevrimiçi öğrenmenin etkili olduğu kanıtlandı, ancak o gün gözlemlenen gerçek zamanlı etkilerin gözden geçirilmesi de bazı sorunları ortaya çıkardı.
- Soru 1: Çevrimiçi öğrenme modeli açısından, model aşırı derecede saat 0'dan başlayarak kümülatif istatistiksel sinyallere dayanır, bu da arka alandaki en popüler ürünlerin kümülatif istatistiksel sinyallerde etkili bir şekilde farklılaştırılamamasına neden olur ve model, verilere uyum sağlama yeteneğinden yoksundur. .
- Soru 2: Çevrimiçi karar verme. 2015 yılında Double 11, makro gerçek zamanlı sistemde MAB (Multi-ArmedBandit) gerçek zamanlı strateji optimizasyonu önemli bir rol oynadı.Algoritma mühendislerinin zengin deneyimi tarafından geliştirilen ayrık sıralama stratejisi seti sayesinde MAB, Double 11'de gerçek zamanlı olarak en iyi stratejiyi seçebilir Bununla birlikte, aynı zamanda, MAB'nin ayrık strateji uzayına dayalı optimizasyonunun bazı sorunlarını ortaya çıkardı.Ayrık strateji alanı hala beynin bilgeliğidir. Aynı zamanda, MAB strateji optimizasyonunun istatistiksel kararlılığını sağlamak için, onlarca dakikalık yinelemeli döngü, Double 11'deki trafik değişikliklerinin nabzını tutamaz.
İlk soruya yanıt olarak, 2016 Double 11'de de optimize ettik ve geliştirdik. 0 noktadan arka alanın doygunluğuna kadar istatistiksel sinyallerin birikmesi sorunu ve istatistiksel değerlerin ayrıklaştırılması için makul bir kavrayışın olmaması sorunuyla ilgili olarak, Facebook'un AD-KDD'deki çalışmasına atıfta bulunuyoruz. Bu temelde, çevrimiçi öğrenmeyle birlikte, Akış FTRL yığınlamasını geliştirdik DeltaGBDT modelinde aşağıdaki şekilde gösterildiği gibi.
DeltaGBDT modelinde FTRL yığınlaması akışı
Zamana dayalı GBDT modeli, Double 11'de farklı zaman aralıklarında etkili özellikleri için gerçek zamanlı örnekler üretmeye devam edecek ve onlineFTRL, bu zamana duyarlı özelliklerin alaka düzeyini öğrenecek.
Çevrimiçi karar verme sorunu için, strateji alanında bir optimizasyon araştırması yaptık ve sırasıyla ürün sıralamasını gerçek zamanlı olarak ayarlamak ve optimize etmek için aramada pekiştirmeli öğrenme (Güçlendirmeli Öğrenme) yöntemini kullanarak gecikme ödülü pekiştirmeli öğrenme teknolojisinin tanıtımını denedik. Arama motorunu bir aracı ve kullanıcıyı ortam olarak görüyoruz ve ürün arama problemi tipik bir sıralı karar verme problemi olarak değerlendirilebilir. Amacımız, platformu kullanmanın uzun vadeli birikmiş faydalarını en üst düzeye çıkarmaktır.
Sistemler açısından, 2016 Double 11'de, gerçek zamanlı bilgi işlem motorumuz istream döneminden Blink / Flink dönemine sorunsuz bir şekilde yükseltildi, 24 saat kesintisiz çalışmayı gerçekleştirdi ve makine öğrenimi görevleri birkaç işten yüzlerce işe genişletildi. Algoritmaların büyük ölçekli çevrimiçi derin öğrenmeyi ve pekiştirmeli öğrenmeyi ve diğer en son teknolojileri gerçekleştirmesi için sağlam bir temel attı.
4. Aşama: Derin öğrenme çağına tamamen girin
Çevrimiçi derin öğrenme, desteklemek için güçlü bilgi işlem kaynakları gerektirdiğinden, 2017'de, daha büyük ölçekli akışlı veri hesaplamayı destekleyebilen sistemdeki CPU / GPU'yu destekleyen akışlı bilgi işlem platformunu, makine öğrenimi platformunu ve heterojen çevrimiçi hizmet platformunu yeniden yapılandırdık. , Çevrimiçi öğrenme ve ultra büyük ölçekli derin modellerin çevrimiçi tahmini.
Güçlü bilgi işlem yeteneklerine dayanan derin öğrenme, semantik arama, derin kullanıcı ilgisi algısı, ürün çok modlu temsil öğrenme, çevrimiçi derin mekanizma modeli, çok senaryolu işbirliğine dayalı akıllı karar ve diğer teknolojik yenilikler dahil olmak üzere aramada tamamen uygulanır:
a) Derin kullanıcı algı modeli: Aramada veya tavsiyede kişiselleştirmenin odak noktası, kullanıcıyı anlama ve ifade etmektir. Taobaonun statik kullanıcı portreleri özelliklerine ve kullanıcı davranışının dinamik özelliklerine dayanarak, çok modlu öğrenme, çok görevli temsil öğrenme ve LSTM'ye dayalı olarak öneriyoruz. Şirketin ilgili teknolojisi, kullanıcıların genel ifadesini büyük kullanıcı davranış günlüklerinden doğrudan öğrenir.Bu öğrenme yöntemi, elde edilen kullanıcı ifadelerini daha basit ve kapsamlı hale getirerek "deneyim toplamada" ve "analoji yoluyla" iyidir ve doğrudan kullanıcı davranışını tanıma ve tercihleri için kullanılabilir. Tahmin, kişiselleştirilmiş hatırlama ve kişiselleştirilmiş sıralama gibi görevler, arama, öneri ve reklamcılık gibi kişiselleştirilmiş hizmetlerde çok çeşitli uygulama senaryolarına sahiptir. (İlgili başarıları olan bildiriler KDD 2018 tarafından kabul edilmiştir)
b) Büyük ölçekli ürün çok-modlu temsil öğrenme: Taobao ürünleri, metin, resim, etiket, kimlik, marka, kategori, mağaza, istatistiksel özellik vb. gibi çok modlu bilgilere sahiptir. Bu özellikler gereksizdir ve bir dereceye kadar birbirini tamamlayıcı niteliktedir. Çok modelli öğrenme, birleşik bir ürün vektörünü öğrenmek için çok boyutlu özellikleri entegre eder ve farklı senaryolarda farklı özellik boyutlarının farkını dikkat mekanizması ile fark eder.Örneğin, kadın giyiminin görüntü özellikleri daha önemli, 3C altındaki fiyat ve satışlar daha önemlidir.
c) Çevrimiçi derin mekanizma modeli: Farklı kullanıcıların ve farklı senaryoların optimizasyon hedefleri farklı olduğundan, binlerce kişi ve binlerce yüzü olan bir sıralama mekanizması modeli elde etmek için mekanizma modeline kullanıcı durumu ve sahne ile ilgili özellikler ekledik. Aynı zamanda, çeşitli temel gerçek zamanlı günlüklerin qps'si ve gecikmeleri farklı olduğundan, çevrimiçi öğrenmenin kararlılığını sağlamak için çevrimiçi öğrenme için kararlı bir örnek kümesi sağlamak için gerçek zamanlı bir örnek havuzu oluşturduk.
d) Global sıralama: Geleneksel sıralama modeli yalnızca tek bir belgeyi puanlar ve ardından bunları en yüksekten en düşüğe doğru sıralar. Bu yöntem, metalar arasındaki karşılıklı etkiyi hesaba katamaz; tek bir emtia için geleneksel ctr ve cvr, emtianın ctr ve cvr'sinin aynı anda görüntülenen diğer mallardan etkilenmeyeceği varsayımına dayanır (biz buna görüntü bağlamı diyoruz). Aslında, bir ürünün gösterim bağlamı, kullanıcının tıklama veya satın alma kararını etkileyebilir: aynı ürünün çevresindeki ürünler ona benziyorsa ve fiyatı ondan daha ucuzsa, kullanıcıların ürünü satın alma olasılığı yüksek olmayacaktır; Çevreleyen ürünlerin hepsi ondan daha pahalıdır, bu nedenle kullanıcıların onu satın alma olasılığı büyük ölçüde artacaktır. Küresel sıralama bu sorunu çözmeli, ürünler arasındaki karşılıklı etkiyi dikkate almalı ve tüm sayfanın verimliliğini en üst düzeye çıkarmalıdır. (İlgili başarıları olan bildiriler IJCAI2018 tarafından kabul edilmiştir)
e) Çok sahneli işbirliğine dayalı akıllı karar verme: Birden fazla farklı ürünü aramak, GMV'yi en üst düzeye çıkarmak için kişiselleştirmeye dayanır. Sorun, farklı ürünlerin arama sonuçlarının yakınlaşmasıdır. Bu sorunun temel nedeni, farklı senaryolardaki algoritmaların birbirleriyle savaşması, işbirliği ve birliktelikten yoksun olmasıdır. Bu yıl yapılan önemli bir çalışma, birden çok heterojen sahne, çevre algısı, sahne iletişimi, bireysel karar verme ve ortak öğrenme arayışını gerçekleştirmek, birbirleriyle ticaret yapmak yerine ortak faydaları en üst düzeye çıkarmak için çok aracılı işbirliğine dayalı öğrenme teknolojisinin kullanılmasıdır ( İlgili başarıları olan bildiriler www 2018 tarafından kabul edilmiştir.
Arama zekası sisteminin evrimini yönlendiren üç nokta
Tekrar geriye dönüp bakalım, arama zekası sisteminin gelişimini yönlendiren nedir?
Şu anda, büyük İnternet şirketlerinin ana akım teknoloji rotası, arama / öneri platformlarının trafik dağıtım verimliliğini artırmak için esas olarak makine öğrenimi teknolojisini kullanmaktır. Bilgi işlem gücünün ve verilerinin artmasıyla, herkes sürekli olarak optimize ediyor ve derinleşiyor. Bizi akıllı arama sisteminin çevrim dışı modelleme ve çevrimiçi tahminden çevrimiçi öğrenmeye ve gerçek zamanlı karar almaya kadar evrimini teşvik etmeye iten nedir? Özetle, üç ana nokta var.
Her şeyden önce, hepimizin bildiği gibi, Taobao araması çok dinamiktir. Bebeğin döngüsü rafa kaldırılır, yeni satıcılar katılır, satıcıların yeni ürünleri piyasaya sürülür, fiyatlar ayarlanır, başlıklar güncellenir, eski ürünler kaldırılır, sezonluk ürünler tanıtılır ve bebek resimleri Güncellemeler, satış değişiklikleri, satıcı sıralamaları vb. Hepsi arama motorlarının bu değişiklikleri ilk seferde yakalamasını gerektirir ve son sıralama bağlantısında bu değişiklikler, sonuçların dinamik olarak ayarlanmasını sağlamak için zamanında eşleştirme ve sıralamaya dahil edilebilir.
İkinci olarak, 2013 yılından bu yana, Taobao araması binlerce kişiyle kişiselleştirilmiş bir döneme girdi. Arama kutusunun arkasındaki sorgu mantığı, orijinal Sorgudan [Sorgu + Kullanıcı Bağlamı + Bölge + Zaman] 'a dönüştü. Arama sadece basit değildir Girdiye göre içerik döndüren akıllı olmayan bir "makine", ancak kullanıcının niyetlerini önceden otomatik olarak anlayabilen ve hatta tahmin edebilen bir makine (örneğin, kullanıcı bazı kadın kot ürünlerine göz atar ve ardından aramayı girer ve "gömlek" sorgu kelimesini girer. Amaç, kadınlarla ilgili ürünler bulmaktır, böylece erkek gömlekleri yerine daha fazla kadın gömleği sergilenecektir) ve bu niyet, sonuçları döndüren akıllı sisteme doğru bir şekilde yansıtılabilir. Bu sistem, farklı kullanıcılardan gelen aynı girdiyle karşı karşıyadır. Sorgu teriminde, kullanıcıların farklılıklarına göre kullanıcıların en çok görmek istediği sonuçları gösterebilir. Değişiklikler her zaman oluyor, mallar değişiyor, kullanıcılar değişiyor ve gruplar ve ortamlar değişiyor. Arama kişiselleştirme sistemindeki değişiklikleri makul bir şekilde yakalamak, tam olarak gerçek zamanlı kişiselleştirmenin konusudur.
Son olarak, e-ticaret platformu PC çağından mobil çağa geçişi de tamamlamıştır.Mobil çağın gelişiyle birlikte, insan-bilgisayar etkileşiminin rahatlığı, parçalı kullanımın evrenselliği ve iş anahtarlamasının serileştirilmesi, sistemimizin bunu yapabilmesini gerektirmektedir. Öngörülemeyen kullanıcı davranışının ve hızla değişen dış ortamın eksiksiz modellenmesi. Denetimli öğrenme çağındaki arama ve önerilere dayanarak, etkili keşif yeteneklerinin eksikliği vardır ve sistem, tüketicilere davranış sergileyen ürünleri veya mağazaları itme eğilimindedir.
Gerçekten akıllı arama ve tavsiye, aracı teslimat motoru olarak karar verme yeteneğine sahip olmasını gerektirir. Bu karar, tek bir düğümün doğrudan faydalarına dayalı olarak değil, bir insan-bilgisayar etkileşimi süreci olarak belirlenir. Tüketiciler ve platform arasındaki etkileşim olarak kabul edilir. Bir Markov karar verme süreci, tüketicilerin sistemle etkileşime girmesi için bir döngü sistemi oluşturmak için bir takviye öğrenme çerçevesi kullanır ve sistemin karar verme süreci, süreç faydalarını en üst düzeye çıkarmaya dayanır.
Gelecek beklentileri - Taobao aramasının akıllı bir deneyime sahip olmasına izin verin
Double 11 Promosyonu sırasındaki bu on yıllık teknik eğitimin ardından, çevrimiçi AI teknolojisi etrafındaki akıllı çerçeve şekillenmeye başladı ve temelde tüketicilerin, satıcıların ve e-ticaret platformları için platformların faydalarını fark eden akıllı bir çevrimiçi öğrenme ve akıllı karar verme arama sistemi oluşturuldu. Maksimizasyon sağlam bir temel attı. Öğrenme ve karar verme yeteneklerine sahip bu akıllı sistem, aynı zamanda aramanın, mal bulmak için basit bir makineden öğrenip geliştirebilen, anlayabilen ve kullanıcıları değerlendirebilen bir "kişiye" dönüşmesine olanak tanır.
Bununla birlikte, bu süreçte, arama sıralamasıyla öğrenilen bilgi, çoğunlukla mevcut ürün etiketi verileri ve kullanıcı davranışı verileri aracılığıyla elde edilir.Ayrıca, ürünler ve kullanıcılar hakkında daha derin bir anlayışa sahip değildir ve kullanıcıların çeşitliliğini tam olarak anlayamaz. Niyetlerle ifade edilen gerçek ihtiyaçlar.
Örneğin, bir kullanıcı "seksi elbiseler" araması yapıyorsa, "bir akşam partisine katılmak için dekolte gece elbiseleri" arıyor olabilir veya "plaj tatili için askısız plaj etekleri" arıyor olabilir; kullanıcılar "tırmanma ayakkabısı" toplamış ve "Koltuk değneklerinin" "tırmanma ekipmanı" için bir talebi olabilir ve tırmanma ekipmanıyla ilgili daha fazla ürünün keşfedilmesi gerekir. Çocuklu bir baba, yaz tatilinin başında "dönüştürücüyü" seçip "British Museum Biletlerini" kontrol ediyor. "Summer UK Ebeveyn-Çocuk Turu" ile ailesini götürmek isteyebilir ve diğer kategorilerde daha fazla ilgili ürün bulması gerekebilir.
Bunun nedeni, mevcut makine zekası teknolojisinin, özellikle derin öğrenmenin temsil ettiği modelin, gerçek uygulamalarda hızla gelişmesi ve en önemli faydasının, büyük büyük veri ve büyük ölçekli hesaplama yeteneklerinden kaynaklanıyor olmasıdır.Dijital soyutlama ve fiziksel dünyanın programlı öğrenimi sayesinde, Makine zekasının sınırlı bilgi edinme konusunda güçlü bir yeteneği olmasını sağlar ve bilgi analojisi, geçiş ve akıl yürütme bir yana, verilerin dışında da bilgi elde etmek zordur.
Otonom öğrenme ve keşif gibi makinelerin bilişsel zekası ve hatta yaratıcılık, yapay zekanın en yüksek alanıdır. Tabii ki, genel makine zekası konusunda hala yapılması gereken çok iş var.Bu süreçte, ön bilişsel zekaya ulaşmak için insan bilgisi ile makine zekasının nasıl birleştirileceği ve Taobao aramanın akıllı bir deneyime sahip olmasına izin verilmesi, gelecekte keşfedilmeye değer bir yön.
Akıllı teknolojinin daha da yükseltilmesiyle bu "kişinin" daha akıllı ve daha akıllı olacağına, makine zekası ve bilişsel zeka nihai hedefine ulaşacağına inanmak için nedenimiz var.
