बड़ी टेक कंपनियों के बाहर भी सुझाव देने वाली प्रणालियाँ महत्वपूर्ण क्यों हैं?
सुझाव प्रणालियाँ हर उस व्यवसाय के लिए महत्त्वपूर्ण हैं जिसके उत्पाद इतने अधिक हैं कि ग्राहक उन सभी को देख नहीं सकता, क्योंकि प्रणाली पहले क्या दिखाती है, इसी से काफ़ी हद तक तय होता है कि क्या देखा जाएगा, क्या खरीदा जाएगा और किसका भंडार फिर भरा जाएगा।
हस्तशिल्प सामग्री की एक काल्पनिक ऑनलाइन दुकान, विलोमियर क्राफ़्ट्स, का उदाहरण लें, जिसमें लगभग 4,000 उत्पाद और 15 लोगों की टीम है। ई-कॉमर्स प्रमुख हाना को खरीद टीम से एक शिकायत और 'आपको ये भी पसंद आ सकते हैं' पैनल बनाने वाली एजेंसी से एक रिपोर्ट मिली है। उसके नोट्स में लिखा है: 'लगभग हर पेज पर वही 40 उत्पाद सुझाए जाते हैं। वसंत के लिए धागों की नई शृंखला (220 उत्पाद) को 3 हफ़्तों में सुझावों में लगभग दिखाया ही नहीं गया। लौटकर आने वाले ग्राहकों को अच्छे सुझाव मिलते हैं, पहली बार आने वालों को सुझाव बेतरतीब लगते हैं। स्वतंत्र निर्माताओं के ब्रांड कहते हैं कि वे कभी दिखाई ही नहीं देते।' एजेंसी से बदलाव माँगने से पहले उसे संस्थापक को समझाना है कि क्या हो रहा है।
सुझाव देने वाले सिस्टम कैसे तय करते हैं कि क्या दिखाना है?
ज़्यादातर अनुशंसा प्रणालियाँ सामग्री-आधारित छँटाई, सहयोगात्मक छँटाई या दोनों के मिश्रण का उपयोग करती हैं। अंतर यह है कि वे वस्तुओं की तुलना वस्तुओं से करती हैं या लोगों की तुलना लोगों से।
सामग्री-आधारित फ़िल्टरिंग
वस्तुओं की विशेषताओं के आधार पर ऐसी वस्तुएँ सुझाती है जो व्यक्ति की मौजूदा पसंद से मिलती-जुलती हों। जिस ग्राहक ने नीले-हरे रंग की मोटी मेरिनो ऊन खरीदी है, उसे दूसरी मोटी ऊन और नीले-हरे रंग के धागे दिखाए जाते हैं। इसके लिए दूसरे ग्राहकों के डेटा की ज़रूरत नहीं होती, लेकिन यह उतनी ही अच्छी तरह काम करती है जितनी अच्छी तरह किसी ने वस्तुओं की विशेषताएँ तय की हों। यह शायद ही कभी लोगों को उनकी सामान्य पसंद से बाहर की कोई अप्रत्याशित चीज़ दिखाती है।
सहयोगात्मक फ़िल्टरिंग
ऐसी चीज़ें सुझाती है जो समान पसंद वाले लोगों को पसंद आई हों। अगर शुरुआती बुनाई की किट खरीदने वाले ग्राहक अक्सर बाद में फंदे के निशान लगाने वाले छल्ले और बुनाई के नमूनों की किताब खरीदते हैं, तो किट के नए खरीदार को भी ये चीज़ें दिखाई जाती हैं। यह अप्रत्याशित लेकिन उपयोगी सुझाव दे सकती है और इसे वस्तुओं के विवरण की ज़रूरत नहीं होती, लेकिन यह लोगों की पिछली गतिविधियों के रिकॉर्ड पर निर्भर करती है।
मिश्रित प्रणालियाँ
दोनों को मिलाएँ। अक्सर इसके साथ स्टॉक में न मौजूद वस्तुओं को हटाने जैसे सरल नियम भी लगाएँ, ताकि हर तरीका दूसरे की कमियों की भरपाई करे।
कोल्ड स्टार्ट की समस्या क्या है?
कोल्ड स्टार्ट की समस्या यह है कि सुझाव देने वाली प्रणाली को नई वस्तुओं और नए उपयोगकर्ताओं के साथ कठिनाई होती है, क्योंकि उनके लिए पहले की गतिविधियों का कोई रिकॉर्ड नहीं होता। खास तौर पर, सहयोगात्मक फ़िल्टरिंग ऐसी वस्तु को जगह नहीं दे पाती जिसे अभी तक किसी ने खरीदा या क्लिक नहीं किया है। विलोमेयर की वसंत ऋतु वाली ऊन की शृंखला के साथ ठीक यही हुआ। पहली बार आने वाले व्यक्ति के लिए भी इस प्रणाली के पास बहुत कम जानकारी होती है।
आम उपायों में नई वस्तुओं के लिए सामग्री-आधारित समानता का सहारा लेना, उसी श्रेणी या उसी निर्माता की दूसरी वस्तुओं से नई वस्तु का अनुमान लगाना, नए आगंतुकों को जानबूझकर विविध लोकप्रिय वस्तुएँ दिखाना, और जहाँ दुकान के लिए उपयुक्त हो वहाँ पसंद से जुड़े एक या दो छोटे सवाल पूछना शामिल है।
फ़ीडबैक चक्र और निष्पक्षता से जुड़ी समस्याएँ कैसे पैदा होती हैं?
फ़ीडबैक चक्र तब बनता है जब सिस्टम उन वस्तुओं पर हुए क्लिक से सीखता है जिन्हें उसने खुद दिखाने के लिए चुना था। इसलिए अक्सर दिखाई जाने वाली वस्तुओं पर अधिक क्लिक होते हैं और वे और भी अधिक दिखाई जाती हैं। समय के साथ कुछ लोकप्रिय उत्पाद बाकी सभी उत्पादों को पीछे धकेल देते हैं, जैसा विलोमियर के 40 उत्पादों के साथ हुआ, जबकि कभी न दिखाए गए उत्पादों को अपनी उपयोगिता साबित करने का मौका ही नहीं मिलता।
इससे सीधे निष्पक्षता के सवाल उठते हैं। अगर स्वतंत्र निर्माताओं के उत्पादों का शुरुआती इतिहास कम हो, तो यह चक्र गुणवत्ता चाहे जैसी भी हो, उन्हें लोगों की नज़रों से दूर रख सकता है और ग्राहकों के विकल्प कम हो जाते हैं। इससे निपटने के तरीकों में नए या कम दिखाए गए उत्पादों के लिए सुझावों में कुछ स्थान आरक्षित करना, केवल कुल क्लिक गिनने के बजाय निर्माता और श्रेणी के अनुसार यह मापना कि उत्पाद कितनी बार दिखाए गए, और मॉडल के प्रशिक्षण डेटा को अद्यतन करना शामिल हैं, ताकि वह केवल अपने ही पिछले चुनावों से न सीखता रहे।
एजेंसी को भेजा गया कमजोर और बेहतर अनुरोध कैसा होता है?
कमज़ोर अनुरोध कहता है: 'सुझाव काम नहीं कर रहे हैं, कृपया उन्हें बेहतर बनाएँ।' एजेंसी शायद उसी तरह के और अधिक क्लिक डेटा पर मॉडल को दोबारा प्रशिक्षित कर दे, जिससे यह चक्र और मज़बूत हो जाएगा।
बेहतर अनुरोध में कहा गया है: 'लगता है कि हमारा पैनल सिर्फ़ खरीदारी के इतिहास पर निर्भर करता है। कृपया (1) नई वस्तुओं के लिए पर्याप्त इतिहास बनने तक उनकी सिफ़ारिश करने के लिए रेशे, वज़न, रंग और कारीगरी जैसी उत्पाद विशेषताओं का इस्तेमाल करें; (2) पहली बार आने वाले लोगों को एक ही सबसे ज़्यादा बिकने वाली वस्तुओं की सूची के बजाय अलग-अलग श्रेणियों की विविध वस्तुएँ दिखाएँ; (3) आठ स्थानों में से दो उन वस्तुओं के लिए आरक्षित रखें जो पिछले 30 दिनों में कम दिखाई गई हैं; (4) हर महीने बताएँ कि सिफ़ारिशें देखे जाने में हर निर्माता और उत्पाद की उम्र के हिसाब से कितना हिस्सा रहा; और (5) आगंतुकों को अलग समूहों में बाँटकर मौजूदा पैनल के मुकाबले बदलावों का परीक्षण करें और सिर्फ़ क्लिक नहीं, ऑर्डर मापें।' अब हाना तय कर सकती हैं कि काम हुआ है या नहीं।
आप कैसे जाँचते हैं कि सुझाव काम कर रहे हैं?
सुझावों की जाँच में सिर्फ़ क्लिक न देखें; ऑर्डर, लौटाए गए सामान और अलग-अलग उत्पादों व आपूर्तिकर्ताओं को कितनी दृश्यता मिल रही है, यह भी देखें। कुछ सबसे ज़्यादा बिकने वाले उत्पादों पर क्लिक बढ़ाने वाला पैनल अगर नई उत्पाद शृंखलाओं को दबा देता है, तो वह कारोबार को नुकसान पहुँचा सकता है। बदलावों की तुलना उन आगंतुकों के नियंत्रण समूह से करें जिन्हें पुराना संस्करण दिखता है, क्योंकि सेल या छुट्टियों के दौरान दिखाए गए सुझाव बेहतर नतीजे देते दिखेंगे, चाहे मॉडल कोई भी हो।
सुझाव देने वाली प्रणालियों के इस्तेमाल में आम तौर पर कौन-सी गलतियाँ होती हैं?
सबसे आम गलती केवल क्लिक बढ़ाने पर ध्यान देना है, जिससे ध्यान खींचने वाली चीज़ों को बढ़ावा मिलता है और वही प्रतिक्रिया चक्र मज़बूत होता जाता है। अन्य गलतियाँ हैं: नई उत्पाद-श्रेणी को सामग्री-आधारित विशेषताओं के बिना शुरू करना, जिससे शुरुआती डेटा की कमी के कारण उसकी सिफ़ारिशें नहीं हो पातीं; नियंत्रण समूह के बिना पहले और बाद की तुलना से सफलता तय करना; किन आपूर्तिकर्ताओं या श्रेणियों को कभी दिखाया ही नहीं जाता, इस पर ध्यान न देना; और गोपनीयता सूचना में ग्राहकों को बताए बिना सिफ़ारिशों के लिए निजी डेटा इस्तेमाल करना।
Tosheo.ai में इस पाठ की क्या जगह है?
यह पाठ मशीन लर्निंग पाठ्यक्रम की मशीन लर्निंग श्रेणी का हिस्सा है और उन पाठों के बाद आता है जिनमें बताया गया है कि मॉडल कैसे सीखते हैं और उनका मूल्यांकन कैसे होता है। Tosheo.ai में व्यावहारिक कार्य आपको एक काल्पनिक दुकान की सिफ़ारिशें बेहतर करने के लिए संक्षिप्त कार्य-विवरण लिखने को कहता है। मूल्यांकन मानदंडों पर आधारित प्रतिक्रिया शुरुआती डेटा की कमी, फ़ीडबैक चक्रों, निष्पक्षता और निष्पक्ष परीक्षण की जाँच करती है। यह इस काम का निर्देश देने और उसका आकलन करने की पेशेवर बुनियाद है; कोड से सिफ़ारिश प्रणाली बनाना वैकल्पिक कोड अध्ययन-पथ का हिस्सा है।