推奨システムとは？

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・テクニックとして知られる AI のサブセットを使用して、提案を行います。うまく機能する場合、AI 推奨システムは、過去の選択、フィードバック、エンゲージメントに基づいて、ユーザーがどのような種類のコンテンツを望んでいるかを正確に予測します。

Netflix、Amazon、eBay、そしてほとんどのソーシャルメディア・プラットフォームには、大量のコンテンツの中から訪問者が関心のあるアイテムを特定するのを助けるための推奨システムが備わっています。推奨システムのような人工知能ソリューションは、現在の日常生活では一般的であり、期待されているとさえ言ってよいほどです。しかし、最適な効果を得るためには、大量のデータ、AI モデルのトレーニング、そしてコンピューティング・パワーが必要となります。

視聴者は、意識せずに推奨システムに依存していることがあります。数十万本の映画の中から見たい映画を 1 つ選ぶことは非常に難しいかもしれませんが、100 本の中から 1 つ選ぶことになればその難しさはかなり軽減されます。推奨が正確で、システムの応答性が良ければ、何を購入するか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、ユーザーをエンゲージ、購読、購入箚せ続けたい企業にとって、AI 推奨システムの導入は、これらの目標達成に役立ちます。場合によっては、この推奨システムは、食料品店の衝動買いを誘う棚の役割を果たします。また、自動車ディーラーでタイヤ保護などのアドオンを提供しているような場合もあります。

難しい意思決定をしやすくするため、ユーザーにもメリットがあります。ユーザーが何がほしいかある程度わかっていたとしても、興味のないものを含む多くの中から選ぶのは困難です。映画カタログを「コメディ」で検索すると、まったく異なる趣向の幅広い選択肢が表示されます。推奨システムは、ユーザーが最も興味あるものを見つけるための選択肢を絞り込むのを助けます。

推奨システムはまた、ユーザーが他の方法では見つけられなかったかもしれない新しいコンテンツを発見するのを助けることもできます。Pandora や Spotify などの音楽配信サービスは、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よく利用するプラットフォームの例です。

推奨システムはどのように機能しますか？

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ます。ほとんどのワークフローには、一般的に 3 つの段階があります。
 

• 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特定し、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は、類似した特徴によって分類されます。
• ランキング: 最後に、幅広いディープラーニング・モデルが、アイテムやオブジェクトを関連性によってソートします。

これらの 3 つの段階は、正確で関連性のある結果を提供し、推奨だけでなく、そのシステムを提供した企業に対するユーザーの不満のリスクを軽減するために必要です。

推奨システムの種類

推奨システムは際限なくカスタマイズ可能であり、特定のユースケースに合わせた調整が必要です。一般的に、推奨システムは、3 つのカテゴリーに分類されます。
 

• 協調フィルタリング: 協調的データ・フィルタリング推奨システムは、多くのユーザーからの優先情報を必要とします。システムは、この映画が好きな人は、この映画も好きであることが多いといったパターンを認識します。そして、最初の映画が好きな人たちに、もう一つの映画を推奨します。
  同様に、2 人のユーザーに 2 つ以上の共通のアイテムがある場合、推奨システムは、1 人が高く評価したアイテムや購入したアイテムを、同じような興味を持つもう 1 人に推奨することがあります。
• 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データ・フィルタリングは、ユーザーが新しい家具や家電製品のような、購入頻度の低い高額なアイテムを探している場合など、入手可能な情報が少ない状況で役立ちます。推奨システムは、同様のサイズ、機能、または価格帯のアイテムを提案する場合があります。
  先ほどの映画の例で言えば、ユーザーが 2 本のアクション映画を見た場合、推奨システムはそのカテゴリーの他のタイトルを提案する場合があります。
• ハイブリッド・フィルタリング: 協調フィルタリング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、時間帯、その他のデータなどの文脈情報を含めることで、より正確で有益な推奨を行います。

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。ユーザーが受け取る推奨事項を「良い」と認識する頻度が高ければ高いほど、つまり、自分の好みに近いものだと認識する頻度が高ければ高いほど、そのユーザーがそのシステムに戻って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属性には、次のものが含まれます。
 

• 正確: 提案は、ユーザーに合わせてパーソナライズされている必要があります。これは、単純な「高評価」や「低評価」といった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。フィードバックは、AI の学習を強化し、拡張します。
• 応答性: ユーザーは、せっかちなので、推奨を待たない傾向があります。読み込みは高速かつスムーズでなければならず、そうでないとユーザーは離脱してしまいます。
• 低コスト: ビジネス面では、推奨システムへの投資と関連する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によってバランスの取れたものである必要があります。

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普及しています。ほとんどの eコマース小売業者は、何らかの推奨システムを導入しており、ほとんどの人は、それがどのようなものか意識することなく、それらをシームレスに活用しています。Amazon はアーリーアダプターでした。推奨がなければ、新しい製品を見つけるのはずっと難しかったでしょう。

Netflix も広範囲で進化し続ける推奨システムも備えています。実際、2007 年から 2009 年にかけて、Netflix は、精度が 10% 高い推奨システムを構築できるチームに賞を提供しました。受賞者は、107 の異なるモデルを連携させて予測を行うパイプラインを作成しました。¹

AI 推奨システムの主な用途は 2 つあり、1 つは eBay や Amazon のようなパーソナライズされたマーチャンダイジング、もう 1 つは、Facebook や LinkedIn のようなソーシャルメディア・プラットフォームにおけるパーソナライズされたコンテンツです。

パーソナライズされたマーチャンダイジング

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マーチャンダイジング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 でリストを閲覧している際、「関連項目の検索」という推奨システムが類似したリストを提供し、その提案に対してフィードバックを行うオプションが提供されます。衣料品販売店の Old Navy は、「お気に入り」 という推奨と「合わせてコーディネイト」という推奨の両方を提供しています。

AI アルゴリズム搭載の推奨システムが一般的になるにつれて、新しい方法でも使用されるようになってきています。銀行業務では、顧客の貯蓄や支出の傾向に基づいて、口座の種類やサービス、オファーを安全に提案するために推奨システムが使用されることがあります。また、教育では、生徒がどの大学に出願するかを決める際に、推奨者が支援を行うことができます。

パーソナライズされたコンテンツ

ユーザーは、特にメディアやエンターテインメントを利用する際、通常、1 日を通して推奨システムとシームレスにやり取りします。Google はユーザーに広告を表示するために推奨システムを使用しており、Meta は、Instagram の探索ページ、Facebook Reels、そしてこれらのプラットフォームでユーザーが閲覧するメインフィードなど、製品全体で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膨大な量のデータを活用して、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、使用デバイスの種類など、すべての情報が多層的かつハイブリッドな推奨エンジンに集約されています。

パーソナライズされた推奨は、その時人気のあるものだけではなく、より深いエンゲージメントと探求につながり、さらに適切な結果を得るための追加データを提供できます。

推奨システムの課題

推奨システムは組織とユーザーの両方に役立つものですが、潜在的な課題も存在します。推奨システム構築の初期段階から課題を認識しておくことは、後で問題を回避する機会を提供します。ここでは、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。
 

• データの希少性: プロセスの初期段階では、多くのアイテムや製品が評価されていなかったり、ユーザーが新規であったりする可能性があり、そのため推奨システムは多くの情報を持ち合わせていません。例えば、Netflix では、新規ユーザーに見た映画の評価を求めています。「高評価」や「低評価」、あるいは星の数で評価するといった基本的なフィードバックの仕組みは、出発点を提供するのに役立ちます。
• コールドスタート問題: 新しいユーザーと新しいアイテムにも同様の課題があります。ユーザーの好みやアイテムに関するデータが不十分だと、推奨システムは正確で有用な推奨を行うことができません。例えば、ユーザーが新しい冷蔵庫を買おうとして、今まで見たことのない小売サイトにアクセスしたと想像してみてください。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ついての情報は一切ありません。
• スケーラビリティー: 比較的少量のデータから数百万人のユーザーやアイテムに拡大するには、利用のバランスを整え、結果を得るまでの時間を短縮するために、慎重に計画されたテクノロジー・インフラストラクチャーが必要です。
• 過剰適合と多様性: この 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頻繁に推奨される結果になります。推奨システムが過剰適合になると、トレーニング・データがモデルに適合しすぎてしまい、新しい情報が簡単に取り入れられなくなります。同じ製品が何度も推奨されると、提案の多様性が失われ、ユーザーは離脱してしまう可能性があります。エントロピーや新規性のような指標を使用して、推奨の多様性を測定すると役立つ場合があります。
• アルゴリズムへの過剰な依存: 推奨システムがより一般的になり、日常生活の一部になるにつれ、人々は意思決定にそれらを頻繁に使い過ぎることがあり、フィルターバブルやエコーチャンバーに陥る可能性があります。これは、未成年者など、ソーシャルメディア・プラットフォームを利用する際に脆弱性の高い人々にとっては特に問題となります。
• プライバシー: 推奨システムは、ユーザーのブラウザーや購入履歴などのデータにアクセスする必要があり、プライバシーの問題が生じ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、ユーザーデータ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、AI が安全で信頼でき、倫理的な方法で使用されていることを確認するために、責任ある AI の実践に留意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の量の増加、マシンラーニングと大規模言語モデル (LLM) の改善は、すべて、ユーザーと企業両方にとって、推奨システムの機能が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にとって、効果的な推奨者をカスタマイズし、トレーニングするツールは、より利用しやすくなっています。