推奨システムとは？

推奨システムは、マシンラーニングとデータ・フィルタリング・テクノロジーとして知られている AI のサブセットを使用し、提案します。正常に機能すれば、AI 推奨システムは、過去の選択肢、フィードバック、エンゲージメントに基づいて、ユーザーが求めているコンテンツの種類を正確に予測します。

Netflix、Amazon、eBay、およびほとんどのソーシャルメディア・プラットフォームは、訪問者が大量のコンテンツを分類し、興味が高い特定のアイテムを見つけるのに役立つ推奨システムを導入しています。推奨サービスなどの人工知能ソリューションは、現代の日常生活において一般的であり、期待どおりに活用されています。ただし、最適に効果を発揮するには、大量のデータ、AI モデルのトレーニング、処理能力が必要です。

オーディエンスは、知らず知らずのうちに、推奨システムを活用していることがあります。数十万本の映画の中から 1 本を選択することは、克服できない課題となり得ますが、100 本の中から 1 本を選択することで、意思決定の難しさを軽減します。推奨が正確で、システムが応答性に優れていいる場合、消費するものを決定するプロセスはスムーズになります。

推奨システムのメリット

ソーシャルメディア・プラットフォームのようにユーザーとの関わりを維持したい企業や、購読や購入の継続してほしい企業にとって、AI 推奨システムの導入は目標達成に役立つでしょう。場合によっては、食料品店の衝動買いコーナーのように機能する推奨システムもあります。その他の場合、これはより多くの場合、自動車販売店でタイヤ保護などのオプションを追加で提供するようなものです。

意思決定は困難であるため、ユーザーにもメリットがあります。ユーザーが欲しいものについて良いアイデアを抱いている場合でも、不要なアイテムをすべて選択するのは難しい場合があります。映画リストで「コメディ」を検索すると、さまざまな選択肢が提示され、大きく観点が異なるものも含まれています。推奨システムにより、ユーザーは選択肢を絞り、最も魅力的なものを見つけることができます。

さらに、推奨サービスは、ほかの方法では見つからない新しいコンテンツをユーザーが発見するのに役立ちます。Pandora や Spotify などの音楽ストリーミング・サービスは、加入者が自分の好みに基づいて新しいコンテンツを見つけるために頻繁に利用するプラットフォームの例です。

レコメデーション・システムの仕組み

AI 推奨システムは複雑で、複数の AI モデル、マシンラーニング・プロセス、データ分析ワークフローを使用しています。ほとんどのワークフローには、次の 3 つの一般的な段階が含まれます:

• 分類: この段階では、コンピューター・ビジョンと自然言語処理 (NLP) を使用して、コンテンツのさまざまな要素を識別し、分類します。
• リコールと類似性検索: 次に、アイテムやオブジェクトを類似の特徴によって分類します。
• ランキング: 最後に、幅広く深いラーニングモデルは、アイテムやオブジェクトを関連性に基づいて並べます。

これらの 3 つの段階は、正確で関連性の高い結果を提供し、推奨事項だけでなく、それを提供した企業に対しても、ユーザーのフラストレーションを軽減するために必要です。

推奨システムのタイプ

推奨システムは、無限にカスタマイズ可能であり、特定のユースケースに合わせて調整する必要があります。一般的に推奨システムは、大きく 3 つに分類されます:

• 協調フィルタリング: 協調型のデータ・フィルタリングの推奨システムを使用するには、多数のユーザーから好みに関する情報を入手する必要があります。システムによるパターンを認識: この映画が好きな人は、あの映画も気に入っているということはよくあります。次に、最初の映画が好きな人に別の映画を勧めます。
  同様に、2 人のユーザーが共通のアイテムを 2 つ以上持っている場合、推奨システムは、1 人が高く評価しているアイテムや購入済みのアイテムを興味が似ているユーザーに推奨します。
• コンテンツ・ベースのフィルタリング: コンテンツ・ベースのフィルタリングは、新しい家具や家電製品など、購入頻度が高い品目の商品をユーザーが検索している場合など、情報が不足している状況で役立ちます。推奨システムは、同様のサイズ、類似の機能、または同等の価格帯の商品を提案する場合があります。
  前の映画の例を使用すると、ユーザーがアクション映画を 2 本観た場合、推奨システムは、そのカテゴリーのほかのタイトルを提案する可能性があります。
• ハイブリッド・フィルタリング: 協調型とコンテンツ・ベースのデータ・フィルタリングの両方を使用する推奨システムは、両方のタイプの要素を提供し、場合によっては場所、時刻、その他のデータなどのコンテキスト情報も含めることで、より正確で有用な推奨を提案します。

優れた推奨システムとは？

推奨システムのビジネス目標は、繰り返し利用されることです。ユーザーが受け取った推奨事項を「良い」と認識する頻度が高く、自分の好みと近いと認識することが多いほど、そのシステムを再利用する可能性が高くなります。優れた推奨システムの特徴は次のとおりです:

• 正確性: 提案はユーザーに合わせてパーソナライズする必要があります。これは、単純に「いいね / よくないね」などのフィードバック・システムを組み込むことで実現できます。フィードバックにより、AI の学習は強化され、拡張されます。
• 応答性: ユーザーは非常にせっかちで、推奨を待つことはありません。読み込み時間は高速でスムーズでなければなりません。そうしないと、ユーザーは単純に離れてしまいます。
• コスト効率: ビジネス上の観点から見ると、推奨システムへの投資と関連情報の継続的な運用コストは、ユーザー・エンゲージメント、売上、その他のビジネス成果の向上とバランスを取る必要があります。

推奨システムのユースケース

推奨システムは、デジタルの世界で広く普及しています。ほぼすべての E コマースの小売企業は、何らかの推奨システムを導入しており、ほとんどの人がそれを意識せずに自然に使用しています。Amazon は早期に採用した企業であり、「おすすめ」機能がなければ、新製品を見つけることは非常に困難なものになっていたことでしょう。

Netflix には、常に進化を続ける広範な推奨システムがあります。事実、2007年から 2009年の間、Netflix では、精度を 10% 向上させた推奨システムを構築できたチームに賞を授与しました。受賞企業は、107 種類のモデルを連携させて予測を提供するパイプラインを構築しました。¹

AI 推奨システムの主な用途は、eBay や Amazon などのパーソナライズされた商品提案と、Facebook や LinkedIn などのソーシャルメディア・プラットフォームでのコンテンツのパーソナライズです。

パーソナライズされた商品提案

ほとんどの主要な小売ブランドは、パーソナライズされた商品推奨システムを導入しています。これらはいくつかの異なる方法で機能します。

例えば、ユーザーが eBay のリスティングを参照した場合、「関連情報をもっと知る」の推奨システムで同様のリストが表示され、推薦事項についてフィードバックするオプションが用意されています。衣料販売店の Old Navy は、「お客様はこれも気に入りました」や「一緒に着る」という 2 つの推奨機能を提供しています。

AI を活用した推奨システムが一般的になるにつれて、新しい方法で利用されるようになってきています。銀行業界では、推奨システムは顧客の貯蓄行動と支出行動に基づいて、アカウントのタイプ、サービス、オファーを確実に提案するために活用することができます。また、教育業界では、推奨システムは、学生がどの大学に出願するかという判断を支援します。

パーソナライズされたコンテンツ

特にメディアやエンターテインメントを閲覧している間、ユーザーは通常の 1 日を通して、推奨システムをシームレスに操作できます。Google はユーザーへの広告表示に推奨システムを使用しています。Meta は Instagram の Explore ページ、Facebook の「Reel」、これらのプラットフォームでユーザーが見るメインフィードなど、自社製品全体に推奨システムを使用しています。

Amazon と Netflix はどちらも、マシンラーニングと大量のデータを使用して、パーソナライズされたコンテンツを推奨しています。ユーザーの閲覧情報、検索履歴データ、評価、日付、時刻、使用デバイスのタイプをすべて、多層化のハイブリッド推奨エンジンに統合します。

現時点で人気の高いソリューションだけでなく、パーソナライズされた推奨ソリューションも活用することで、より深いエンゲージメントと調査を促すことができます。これにより、関連性の高い結果を得るための追加データを提供することも可能です。

推奨システムの課題

推奨は、組織にとってもユーザーにとっても有用ですが、潜在的な課題も存在します。推奨システムの構築初めから課題を認識することで、後で問題を回避する機会となります。以下は、AI 推奨システムに関連する既知の課題をいくつか紹介します:

• データのスパーシティ: プロセスの初期段階では、まだ評価されていないアイテムや製品が多数存在したり、新しいユーザーである可能性があるため、推奨システムは多くの情報を入手することはできません。例えば、Netflix は新しいユーザーに、視聴した映画の評価を求めます。「いいね / よくないね」や星評価などの基本的なフィードバックを活用することで、出発点を提供できます。
• コールドスタート問題: 新しいユーザーや新しいアイテムでは、同様の課題が発生します。ユーザーの嗜好や商品に関するデータが不足していると、推奨システムは正確で有用な推奨を提示できません。例えば、ユーザーが新しい冷蔵庫を購入しようとしているときに、これまで見たこともない小売店を訪れたとします。サイトの推奨システムには、現在の検索以外にユーザーが探しているものに関する情報は含まれていません。
• スケーラビリティー: 比較的少量のデータから数百万のユーザーとアイテムにまで拡張するには、利用のバランスを取り、結果までの時間を短縮するためのテクノロジー・インフラストラクチャーを慎重に計画する必要があります。
• 過剰適合と多様性: これら 2 つの課題は関連しており、どちらも最も人気のあるアイテムが過度に推奨される原因となっています。推奨システムが過剰にフィットすると、トレーニング・データがモデルに適切にフィットしすぎて、新しい情報が簡単に組み込まれません。同じ製品を繰り返し推奨すると、提案の多様性が不足し、ユーザーは関心を失う可能性があります。エントロピーや新規性などの指標を使用して、推奨の多様性を測定すると役立つ場合があります。
• アルゴリズムによる過剰依存: 推奨が普及し、日常生活の一部となってくるにつれて、意思決定に頻繁に利用されるため、フィルターバブルやエコーチャンバーの原因になってしまう可能性があります。これは、ソーシャルメディア・プラットフォームを使用する未成年者など、より脆弱な人々にとって特に問題となります。
• プライバシー: 推奨システムはブラウザーや購入履歴などのユーザーデータにアクセスする必要があります。そのため、プライバシーの問題が提起される可能性があります。AI ソリューションを導入する企業は、データ・セキュリティーとプライバシーのリスクを認識し、ユーザーとビジネスデータを保護するためのセキュリティー・ソリューションを導入する必要があります。さらに、企業は責任ある AI の実践を認識し、AI を安全で信頼性が高く、倫理的な方法で利用できるようにする必要があります。

推奨システムの未来

生成 AI、より正確なデータ・フィルタリング、フィルタリングするデータ量の増加、マシンラーニングと大規模言語モデル (LLM) の向上など、すべてユーザーと企業の両方にとって推奨システムの機能は着実に向上していることを示しています。推奨システムをまだ導入していない企業では、効果的な推奨をカスタマイズし、トレーニングするためのツールを簡単に利用できるようになってきています。