Как и любой другой стартап, собирающий поведенческие данные, мы собирали данные о взаимодействии студентов с долгосрочным видением использования их для «какой-то» функции машинного обучения в будущем.

Все бизнес-менеджеры или менеджеры по продукту, с которыми я недавно разговаривал, имеют подобное долгосрочное видение. И каждый занят созданием функций, которые нужны клиентам, и долгосрочное видение использования этих данных и решения на основе ИИ остается только в слайдах PowerPoint.

Прежде чем я продолжу, краткое введение в QuizNext. QuizNext - это игровое приложение для практики, которое предлагает разумные практические рекомендации для студентов CBSE и ICSE. Элементы геймификации и персонализированные рекомендации посредством глубокого обучения в приложении побуждают наших студентов практиковать 3X, предоставляя правильный элемент геймификации.

Если хорошие рекомендации могут держать вас на связи с Netflix или YouTube, почему бы не поставить это по уважительной причине, т. Е. студенты вождения больше практикуются?

Несколько месяцев назад мы получили доступ к предварительному просмотру AWS Personalize. Вместо того, чтобы тратить много времени на выяснение того, какие свойства или поведенческие черты пользователя имеют значение, мы попытались создать наш первый набор данных с данными, которые мы только что извлекли из нашего хранилища. После того, как он был обработан, выбран случайный алгоритм, который имеет смысл по его описанию, и создана рекомендательная кампания, и вуаля! у нас было что-то, что не имело никакого смысла.

Для этого

  1. Я не писал для этого кода
  2. Не смотрел много часов видео, чтобы начать
  3. Мы не предоставляли ни один сервер, ни какую-либо конфигурацию сервера.

Перенесемся на несколько месяцев вперед. Теперь у нас есть собственная система рекомендаций, которая использует несколько моделей машинного обучения и балансирует между совместной фильтрацией и моделями на основе контента, чтобы предоставить учащимся правильные элементы геймификации. Количество взаимодействий со студентами увеличилось почти вдвое: с 6–8 до 12–14 рекомендаций в день.

Это причины, по которым следует попробовать AWS Personalize, Персонализатор Azure или GCloud Auto M L.

  1. Разберитесь в своих потребностях в машинном обучении. Для большинства компаний наем специалиста по обработке данных - это начало пути машинного обучения. Однако, не зная, чего ожидать от разработчика или компании, возникает сложная ситуация. Как только вы продвинетесь и изучите эти сервисы, в качестве технического якоря вы сможете лучше нанять подходящего разработчика машинного обучения. Несколько часов на Fast.ai и чтение о некоторых алгоритмах и о том, как они работают, помогут вам сузить круг вопросов, которые вам нужно узнать о машинном обучении, и помогут вам ускориться.
  2. Перекалибруйте свою стратегию обработки данных. Любой, кто имеет в виду вариант использования машинного обучения, постарается собрать все возможные данные, надеясь, что это поможет в вашем рецепте машинного обучения. Однако, начав использовать данные, вы можете понять, что добавление некоторых конкретных данных значительно улучшает работу вашей модели. В нашем случае мы хотели понять, есть ли у учащегося собственное устройство, или он использует его вместе со своим братом, сестрой или семьей. Несмотря на то, что мы могли бы использовать машинное обучение, чтобы вывести эту черту, попросив пользователя пройти некоторую популярную викторину, этот сбор данных упростился. Это помогло нам оптимизировать наши push-уведомления и персонализировать некоторые игровые элементы.
  3. Изучите новые варианты использования. Как только мы увидели, что AWS Personalize хорошо работает для нас в течение 2–3 дней, мы начали изучать другие инструменты. Google Auto ML - один из таких отличных инструментов, где все, что вам нужно сделать, это загрузить данные и позволить Auto ML выяснить, что он хочет делать с данными, и дать некоторое представление о поведении данных. Во время нашего пути к продукту мы создали бесконечные когорты и пользовательские сегменты, основанные на использовании функций. И мы закончили тем, что начали все сначала, когда собрали новую черту о пользователе. Кроме того, мы также собирали демографические данные пользователей, разговаривая с ними для обогащения данных. Однако простая загрузка данных о поведении пользователей в Auto ML помогла нам понять влияние этого поведения на целевую переменную, особенно влияние на удержание пользователей.

Вам по-прежнему понадобится специалист по данным или специальная команда, если вы создаете продукт, основным предложением которого является ИИ, но если вы используете ИИ для решения варианта использования продукта, не ограничивайте его только в презентации PowerPoint с дорожной картой.

Для внедрения ML больше не требуется запись на 12-недельный курс. Если вы все еще готовы, начните с fast.ai!