मोठ्या तंत्रज्ञान कंपन्यांव्यतिरिक्त इतरांसाठीही शिफारस प्रणाली महत्त्वाच्या का आहेत?
ग्राहकाला पाहून तपासता येतील त्यापेक्षा जास्त उत्पादने असलेल्या कोणत्याही व्यवसायासाठी शिफारस प्रणाली महत्त्वाच्या असतात, कारण प्रणाली आधी काय दाखवते यावरच कोणती उत्पादने पाहिली जातात, खरेदी केली जातात आणि पुन्हा साठवली जातात हे मोठ्या प्रमाणात ठरते.
सुमारे 4,000 उत्पादने आणि 15 जणांचा संघ असलेले विलोमिअर क्राफ्ट्स हे हस्तकलेचे साहित्य विकणारे काल्पनिक ऑनलाइन दुकान विचारात घ्या. ई-कॉमर्स प्रमुख हानाकडे खरेदी विभागाची एक तक्रार आणि 'तुम्हाला हेही आवडेल' हा विभाग तयार करणाऱ्या एजन्सीचा अहवाल आला आहे. तिच्या नोंदी अशा आहेत: 'जवळपास प्रत्येक पानावर तीच 40 उत्पादने सुचवली जातात. वसंत ऋतूसाठीच्या धाग्यांच्या नव्या श्रेणीतील उत्पादनांना (220 वस्तू) 3 आठवड्यांत शिफारशींमधून जवळजवळ कोणीच पाहिलेले नाही. पुन्हा येणाऱ्या ग्राहकांना चांगल्या सूचना मिळतात, पहिल्यांदा येणाऱ्यांना मात्र वाटेल तशा सूचना दिसतात. स्वतंत्र निर्मात्यांचे ब्रँड म्हणतात की त्यांची उत्पादने कधीच दिसत नाहीत.' एजन्सीला बदल करायला सांगण्यापूर्वी नेमके काय घडते आहे, हे तिला संस्थापकाला समजावून सांगायचे आहे.
काय दाखवायचे हे शिफारस प्रणाली कशा ठरवतात?
बहुतेक शिफारस प्रणाली आशयावर आधारित गाळणी, वापरकर्त्यांच्या सामूहिक पसंतीवर आधारित गाळणी किंवा दोन्हींचे मिश्रण वापरतात. त्यातील फरक म्हणजे त्या वस्तूंची वस्तूंशी तुलना करतात की लोकांची लोकांशी.
सामग्रीवर आधारित गाळणी
वस्तूंच्या वैशिष्ट्यांचा वापर करून व्यक्तीला आधीपासून आवडणाऱ्या वस्तूंसारख्या वस्तू सुचवते. निळसर हिरव्या रंगाची जाड मेरिनो लोकर विकत घेतलेल्या ग्राहकाला इतर जाड लोकरी आणि निळसर हिरवे धागे दाखवले जातात. यासाठी इतर ग्राहकांविषयी माहिती लागत नाही, पण कोणीतरी निश्चित केलेल्या वस्तूंच्या वैशिष्ट्यांची गुणवत्ता जितकी चांगली, तितकेच ती चांगले काम करते. लोकांच्या नेहमीच्या आवडीबाहेरील काही अनपेक्षित पर्याय ती क्वचितच सुचवते.
सहयोगी गाळणी
समान आवडीच्या लोकांना आवडलेल्या वस्तू सुचवते. नवशिक्यांसाठी विणकाम संच घेतलेल्या ग्राहकांनी नंतर अनेकदा टाके दाखवणाऱ्या खुणा आणि नमुन्यांचे पुस्तक खरेदी केले असेल, तर नवीन संच खरेदीदाराला त्या वस्तू दाखवल्या जातात. ही पद्धत अनपेक्षित पण उपयोगी सूचना देऊ शकते आणि तिला वस्तूंच्या वर्णनांची गरज नसते, मात्र ती आधीच्या वापर व व्यवहारांच्या नोंदींवर अवलंबून असते.
संकरित प्रणाली
दोन्ही पद्धती एकत्र वापरा. साठ्यात नसलेल्या वस्तू वगळण्यासारखे साधे नियमही वापरले जातात, जेणेकरून प्रत्येक पद्धत दुसरीच्या उणिवा भरून काढेल.
कोल्ड स्टार्टची समस्या म्हणजे काय?
नव्या वस्तू आणि नव्या वापरकर्त्यांसाठी परस्परसंवादाचा इतिहास नसल्यामुळे शिफारस प्रणालीला अडचण येते; यालाच कोल्ड स्टार्ट समस्या म्हणतात. विशेषतः सहयोगी गाळणी पद्धतीत, अजून कोणीही खरेदी न केलेल्या किंवा क्लिक न केलेल्या वस्तूचे स्थान ठरवता येत नाही. Willowmere च्या वसंत ऋतूसाठीच्या धाग्यांच्या श्रेणीबाबत नेमके हेच घडले. पहिल्यांदा आलेल्या व्यक्तीसाठीही या पद्धतीकडे फारसा आधार नसतो.
नवीन वस्तूंसाठी त्यांच्या आशयातील साम्यावर आधारित पद्धत वापरणे, त्याच श्रेणीतील किंवा त्याच उत्पादकाच्या इतर वस्तूंवरून नवीन वस्तूचा अंदाज बांधणे, नवीन अभ्यागतांना जाणीवपूर्वक विविध प्रकारच्या लोकप्रिय वस्तू दाखवणे आणि दुकानाला योग्य वाटत असेल तर पसंतीबद्दल एक-दोन झटपट प्रश्न विचारणे, हे नेहमीचे उपाय आहेत.
अभिप्रायाची चक्रे आणि न्याय्यतेशी संबंधित समस्या कशा निर्माण होतात?
प्रणालीने स्वतः दाखवण्यासाठी निवडलेल्या गोष्टींवरील क्लिकमधून ती शिकते तेव्हा अभिप्रायचक्र तयार होते. त्यामुळे वारंवार दाखवल्या जाणाऱ्या गोष्टींना अधिक क्लिक मिळतात आणि त्या आणखी जास्त दाखवल्या जातात. कालांतराने लोकप्रिय उत्पादनांचा एक लहान गट इतर सर्व उत्पादनांना मागे सारतो, जसे विलोमिअरच्या 40 उत्पादनांबाबत घडते. कधीच न दाखवल्या जाणाऱ्या उत्पादनांना स्वतःची उपयुक्तता सिद्ध करण्याची संधीच मिळत नाही.
यातून थेट न्याय्यतेचे प्रश्न निर्माण होतात. स्वतंत्र उत्पादकांच्या उत्पादनांबाबत सुरुवातीला कमी ऐतिहासिक माहिती उपलब्ध असल्यास, या चक्रामुळे गुणवत्ता चांगली असूनही ती उत्पादने दिसेनाशी राहू शकतात आणि ग्राहकांना कमी पर्याय मिळतात. यावर उपाय म्हणून नवीन किंवा कमी वेळा दाखवल्या जाणाऱ्या उत्पादनांसाठी शिफारशींमध्ये काही जागा राखून ठेवणे, केवळ एकूण क्लिक मोजण्याऐवजी उत्पादक आणि श्रेणीनुसार उत्पादने किती वेळा दाखवली जातात हे मोजणे आणि मॉडेलचा प्रशिक्षण डेटा अद्ययावत करणे यांचा समावेश होतो. यामुळे मॉडेल केवळ स्वतःच्या आधीच्या निवडींवरून शिकत राहणार नाही.
एजन्सीला केलेली कमकुवत आणि सुधारित विनंती कशी असते?
कमकुवत विनंती अशी असते: 'शिफारसी उपयोगी पडत नाहीत, कृपया त्या सुधारा.' एजन्सी कदाचित त्याच प्रकारचा आणखी क्लिक डेटा वापरून पुन्हा प्रशिक्षण देईल, ज्यामुळे ते चक्र आणखी बळकट होईल.
सुधारित विनंती अशी आहे: 'आपला शिफारस फलक फक्त खरेदीच्या इतिहासावर अवलंबून असल्याचे दिसते. कृपया (1) नवीन वस्तूंचा पुरेसा खरेदी इतिहास तयार होईपर्यंत त्यांची शिफारस करण्यासाठी तंतू, वजन, रंग आणि कारागिरी यांसारखे उत्पादनाचे गुणधर्म वापरा; (2) प्रथमच येणाऱ्या अभ्यागतांना सर्वाधिक विक्रीच्या एकाच यादीऐवजी विविध श्रेणींमधील वस्तू दाखवा; (3) आठ जागांपैकी दोन जागा गेल्या 30 दिवसांत कमी वेळा दाखवल्या गेलेल्या वस्तूंसाठी राखून ठेवा; (4) शिफारसी पाहिल्या जाण्याच्या संख्येत प्रत्येक निर्मात्याचा आणि उत्पादनाच्या वयोगटाचा वाटा दर महिन्याला कळवा; आणि (5) अभ्यागतांचे गट पाडून बदलांची सध्याच्या फलकाबरोबर तुलना करा आणि केवळ क्लिक नव्हे तर ऑर्डर मोजा.' आता हाना काम झाले की नाही हे ठरवू शकते.
शिफारशींचा उपयोग होत आहे की नाही हे कसे तपासावे?
शिफारसी तपासताना केवळ क्लिकचे प्रमाण न पाहता ऑर्डर, परतावा आणि विविध उत्पादने व पुरवठादारांना किती प्रमाणात दाखवले जाते हेही पाहा. काही सर्वाधिक विकल्या जाणाऱ्या उत्पादनांवर क्लिक वाढवणारा पण नवीन उत्पादनश्रेणी मागे टाकणारा विभाग व्यवसायाचे नुकसान करत असू शकतो. जुन्या आवृत्तीचा वापर करणाऱ्या अभ्यागतांच्या नियंत्रण गटाशी बदलांची तुलना करा, कारण सवलतींची विक्री किंवा सुट्टीच्या काळात दाखवलेल्या शिफारसी कोणतेही मॉडेल वापरले तरी अधिक चांगल्या कामगिरीच्या वाटतील.
शिफारस प्रणाली वापरताना होणाऱ्या सामान्य चुका कोणत्या?
सर्वात सामान्य चूक म्हणजे केवळ क्लिक वाढवण्यावर भर देणे, ज्यामुळे लक्ष वेधणाऱ्या गोष्टींना प्राधान्य मिळते आणि प्रतिसादातून तेच चक्र बळकट होते. इतर चुका: आशयाची वैशिष्ट्ये न जोडता नवीन उत्पादनश्रेणी सुरू करणे, त्यामुळे सुरुवातीचा डेटा नसल्याची अडचण येणे; नियंत्रण गटाशिवाय आधीच्या आणि नंतरच्या निकालांची तुलना करून यश ठरवणे; कोणते पुरवठादार किंवा श्रेणी कधीच दिसत नाहीत याकडे दुर्लक्ष करणे; आणि गोपनीयता सूचनेत ग्राहकांना न सांगता शिफारशींसाठी वैयक्तिक डेटा वापरणे.
Tosheo.ai मध्ये हा धडा कुठे येतो?
हा धडा मशीन लर्निंग अभ्यासक्रमातील मशीन लर्निंग विभागाचा भाग आहे. मॉडेल कशी शिकतात आणि त्यांचे मूल्यमापन कसे होते या धड्यांनंतर तो येतो. Tosheo.ai मधील प्रत्यक्ष कृतीच्या कामात तुम्हाला एका काल्पनिक दुकानाच्या शिफारसी सुधारण्यासाठी संक्षिप्त सूचना लिहायला सांगितले जाते. गुणांकन मार्गदर्शकावर आधारित अभिप्रायात सुरुवातीला माहिती नसण्याची अडचण, अभिप्रायाची चक्रे, न्याय्यता आणि निष्पक्ष चाचणी यांचा विचार केला आहे का हे तपासले जाते. या कामासाठी सूचना देण्याचा आणि त्याचे मूल्यमापन करण्याचा हा व्यावसायिक पाया आहे; कोड लिहून शिफारस प्रणाली तयार करणे हा ऐच्छिक प्रोग्रामिंग मार्गाचा भाग आहे.
स्रोत आणि व्याप्ती
विकासकांसाठी Google: आशयावर आधारित गाळणीचे फायदे आणि तोटे (19 October 2026 रोजी तपासले) ↗