Automatyczna analiza danych jest jednym z najczęściej podejmowanych tematów – również w kontekście e-commerce. Jej zakresem zajmują się nie tylko media, ale także instytucje badawcze, które lubują się tematach związanych z big data. Nie od dziś wiadomo, że systematyczne powiększanie zbiorów pełnych danych powoduje nowe wyzwania i wymagania, z którymi zmierzają się również sklepy internetowe.
Wśród różnych pomysłów na usprawnienie tych analiz wymienia się m.in. uczenie maszynowe.
Odrobina definicji
Uczenie maszynowe (znane również pod terminologią machine learning – https://www.anegis.com/rozwiazania-it/uczenie-maszynowe) powstało w 1959 roku. Jego główne założenia są efektem pracy Arthura Samuela, który jako pierwszy zdefiniował ową zdolność komputerów, wskazując, że te mogą wykonywać różne aktywności bez wcześniejszego programowania nowych umiejętności. Jako pierwszy wysnuł więc wniosek, że możliwa jest technologia, która uczy wykonywać zadania na podstawie wcześniej zebranych analiz i zasobów danych.
Po latach zyskaliśmy rozwiązanie, które pozwala wykorzystywać zaawansowane algorytmy w celu uczenia się i analizowania zasobów danych. Im są one większe – tym więcej nauki można z nich wyciągnąć. Możliwości tego rozwiązania były głównym nurtem badań naukowców, psychologów, specjalistów w branży IT, a także socjologów i lekarzy.
Co więcej, David Williams w swojej pracy[1] naukowej poszedł o krok dalej, wskazując, że strategia uczenia maszyn może pomóc w komunikacji (np. w tworzeniu wiadomości), a nawet w samej rozmowie (w tym obsłudze klienta).
Trzy sposoby uczenia maszynowego
W kontekście uczenia maszynowego wymienia się trzy, niezależne sposoby[2].
-
metoda zwana “uczeniem nadzorowanym” dotyczy tworzenia symbolicznej reprezentacji dzięki dostarczanym przykładom. To dzięki niej algorytm analizuje dane, następnie tworzy pewną zależności, na podstawie której powstaje sposób rozwiązywania przyszłych problemów – np. lekarz na podstawie wprowadzonej listy objawów uzyskuje szybsza diagnozę.
-
metoda bez nadzoru – opozycyjna metoda, polegająca na tym, że nie dostarczamy maszynie żadnych odpowiedzi. Wszystkie wnioski i analizy zachodzą wyłącznie za pomocą zestawu danych – np. maszyna grupuje zdjęcia według swoich “własnych” sposobów, opierając się jedynie na informacji, ile grup chcemy uzyskać.
-
metoda oparta na wzmacnianiu – w tym kontekście wzmocnieniem jest każda “nagroda”. Zasady działania są jeszcze nie do końca znane, a sukcesywnie przeprowadzane badania opierają się na metodzie uczenia, która znana jest… psychologom i socjologom, stosującym ową zasadę również w przypadku nauki dzieci[3].
Wszystkie trzy, powyższe metody łączy jedno: innowacyjność i automatyzacja procesów. Jaki jest więc ich wniosek? Uczenie maszynowe pozwala komputerom zdobywać doświadczenie i uczyć się bez ciągłej ingerencji człowieka i bez konieczności wprowadzenia bezpośredniego programowania[7]. W rezultacie więc rozwiązanie to wspomaga i wzmacnia ludzkie możliwości.
Jak wykorzystać uczenie maszynowe w e-commerce?
Nowoczesne uczenie maszynowe to oprogramowanie do wsparcia sprzedaży online i offline. W przypadku tego pierwszego, najczęściej wymienianymi zaletami są:
Bibliografia:
[1] Williams, D., & Hill, J. (2005). U.S. Patent Application No. 10/939,288.
[2] Krawiec, K., & Stefanowski, J. (2003). Uczenie maszynowe i sieci neuronowe. Wydaw. Politechniki Poznańskiej.
[3] Koziarski, M., Kwater, K., & Woźniak, M. (2018). Wykorzystywanie programów uczenia w głębokim uczeniu przez wzmacnianie. O istocie rozpoczynania od rzeczy małych. Edukacja-Technika-Informatyka, 9(2), 220-226.
[4] Nanduri, J., Jia, Y., Oka, A., Beaver, J., & Liu, Y. W. (2020). Microsoft uses machine learning and optimization to reduce E-Commerce fraud. INFORMS Journal on Applied Analytics, 50(1), 64-79
[5] Chatterjee, S., Goyal, D., Prakash, A., & Sharma, J. (2020). Exploring healthcare/health-product ecommerce satisfaction: A text mining and machine learning application. Journal of Business Research.
[6 Piramuthu, S. (2005). Machine learning for dynamic multi-product supply chain formation. Expert Systems with Applications, 29(4), 985-990.
