Machine learning w e-commerce

Machine learning i sztuczna inteligencja na stałe zadomowiły się w marketingowym słowniku. O ile przez ostatnie lata słyszeliśmy, że oto nadchodzi rok mobile, o tyle teraz mamy rok machine learningu. Kolejne lata będą upływać pod hasłem zastosowania sztucznej inteligencji do coraz to nowszych działań. Również w e-commerce.

Dlaczego machine learning tak zyskuje na popularności? Z kilku powodów. Po pierwsze, wspomniani wyżej giganci branży interesują się tym tematem i inwestują ogromne środki w rozwój technologii – zarówno software, jak i hardware. Powstają nowe frameworki, zestawy algorytmów, specjalistyczne procesory i karty graficzne, które są coraz lepsze i bardziej wydajne w „uczeniu się” i przetwarzaniu danych.

Po drugie, technologie te są teraz niezwykle łatwo dostępne. Z jednej strony powstaje wiele rozwiązań open source’owych wspieranych przez Google i spółkę – można tu wspomnieć na przykład o Tensor Flow, rozwijanym przez Google czy zestawie bibliotek PyTorch, albo ostatnim tworze Pythia, stworzonym przez zespół Facebooka. Z drugiej, dostawcy usług cloudowych oferują coraz więcej produktów w PaaS (Platform as a Service) lub FaaS (Functions as a Service) – tu przykładem może być Google Vision API, umożliwiający skorzystanie z analiz obrazów bez konieczności znajomości podstaw deep learningu.

Zmniejsza to znacząco bariery wejścia nowych podmiotów i jest to kolejny powód popularności machine learningu. Przez obniżenie progu wejścia, a także przez nadmiar kapitału na rynku, powstaje ogromna liczba nowych startupów z narzędziami wykorzystującymi nowe technologie. Oczywiście, nie wszystkie pomysły trafiają w potrzeby rynku, ale te startupy, które przetrwają fazę akceleracji albo na stałe osadzają się w krajobrazie narzędzi marketingowych, albo są kupowane przez większe firmy, a ich technologie są dołączane do funkcjonujących już rozwiązań.

Są branże, w których zastosowanie machine learningu staje się standardem. Przede wszystkim produkcja, energetyka, medycyna, czyli obszary, w których zastosowanie technologii daje najbardziej wyraźne rezultaty. Przykłady można tu mnożyć bez końca: wykrywanie awarii po dźwięku maszyn, analizie obrazu (tzw. predictive maintenance), analiza zdjęć rentgenowskich (do wykrywania zmian chorobowych), automatyzacja rozdziału mocy w sieciach przesyłowych energii elektrycznej itd. Odpowiednio przygotowane algorytmy są w stanie wykryć potencjalne awarie jeszcze przed ich nastąpieniem i dzięki temu zapobiec ich konsekwencjom. Oszczędności z tego typu wdrożeń są więc ogromne.

W przypadku e-commerce nie jest to aż tak spektakularne, ale dla nas, oczywiście, nie mniej ciekawe. Przykładów jest dużo, a krajobraz startupów korzystających z AI jest niezwykle dynamiczny. Mam wrażenie, że co miesiąc powstają jakieś nowe narzędzia, a każde dokłada cegiełkę do pomysłów na wykorzystanie nowych technologii. Co prawda nie wszystkie są aż tak innowacyjne, niektóre rozwijają się same lub pochłaniają je większe firmy. Chciałbym jednak zwrócić uwagę na bardzo istotny fakt – machine learning i sztuczna inteligencja to tylko narzędzia, podobnie jak Excel czy Word. Dają nowe możliwości i konkretne efekty, ale bez zestawienia z faktycznymi problemami biznesowymi są zabawkami na dwa, trzy tygodnie okresu próbnego (o ile ktoś ma czas z nich skorzystać). Uważam, że ścieżka wdrożenia nie powinna zaczynać się od pytania: „Do czego byśmy tu sobie użyli machine learningu?”, ale od: „Mam problem, jak mogę go rozwiązać?”. Dlatego w dalszej części artykułu skupię się na możliwościach wykorzystania nowych technologii w e-commerce, a nie na konkretnych narzędziach/startupach.

Jakie problemy rozwiązuje machine learning?

W zasadzie możemy podzielić zastosowanie machine learningu na dwie grupy: zastąpienie człowieka w celu zwiększenia jakości i efektywności procesów, albo bazowanie w decyzjach na dużych zbiorach danych.

Pierwsza opcja polega na użyciu nowych technologii w takich zadaniach, w których do niedawna konieczna była obecność człowieka – czyli w takich, które są niemożliwe do zrealizowania przez algorytmy (warunki logiczne: jeżeli x to y). Na przykład, przy pomocy algorytmu trudno jest ocenić, czy plik graficzny przedstawia góry czy psy. Klasyczny algorytm może rozpoznać kolory ze zdjęcia, rozmiar lub wagę, ale nie rozpozna samej treści. Z pomocą przychodzi tu uczenie maszynowe, czyli taki algorytm, który poprzez nauczenie się na kilku, kilkunastu, nawet kilkuset tysiącach zdjęć zbuduje model, oceniający dowolne zdjęcie i klasyfikujący obraz do danej grupy obiektów. Oczywiście, człowiek wykona takie zadanie bez problemu, ale jego wydajność ogranicza się do mniej więcej kilkudziesięciu zdjęć na minutę. Maszyna zrobi to dużo szybciej i może pracować bez przerwy.

Druga grupa zastosowań dotyczy analiz dużych zbiorów danych. Jest to sytuacja, w której człowiek nie jest w stanie zrozumieć całości sprawy. Dla przykładu: jeżeli wiemy, że użytkownik obejrzał wycieczki do Grecji i Hiszpanii, to człowiek mógłby mu doradzić jeszcze kilka innych ofert z Cypru. Maszyna może dodatkowo sprawdzić, jaki poziom cenowy go interesował, typ hotelu czy wycieczki (objazd czy wypoczynek?), to czy wyjeżdża z rodziną, ale przede wszystkim, jakie wycieczki oglądały osoby, które używały podobnych filtrów. Dobry sprzedawca jest w stanie dobrać odpowiednie wycieczki na podstawie swojego doświadczenia i intuicji, ale wciąż nie będzie to wybór oparty na danych. Maszyna jest w tym zakresie niezawodna.