30 декабря 2016

Поможет ли ИИ наконец-то найти формулу идеального подарка?

Многие компании пытались вывести алгоритм подбора подарка — и провалились. Но скоро все изменится. В период праздников мы испытываем множество стрессов из-за выбора подарков. Если подарок подобрать правильно — все идет как по маслу: человек восторгается и удивляется, как хорошо вы его знаете. Если же вы прогадали с подарком, остаются лишь сожаления: ваши старания вознаграждаются вялой улыбкой и вынужденной благодарностью.

Бизнес тоже страдает, когда мы покупаем “не те” подарки. Согласно консалтинговой компании Deloitte, в прошлом году покупатели интернет-магазинов потратили на подарки 64 миллиарда долларов, из которых 19,4 миллиарда (грубо говоря, 30%) были впоследствии возвращены. Какими бы продвинутыми ни стали технологии за последние десятилетия, облегчить задачу подбора подарков им пока не под силу. Но мы же доверяем алгоритмам создание плейлистов, подбор фильмов и даже поиск спутника жизни (с переменным успехом). Не пора ли положиться на них и в выборе подарков?

Некоторые компании уже пытались. В 2011 году компания Etsy запустила свой сервис поиска подарков Gift Finder. Сервис давал рекомендации на основании постов на Facebook, лайков и информации профиля. В том же году Walmart выпустил Shopycat, который тоже работал на основании данных с Facebook. Оба сервиса прикрыли через несколько месяцев. Потом был Hunch — сайт который формировал “график вкусов” на основании опроса пользователей. В 2011 году компания Ebay купила Hunch за 80 миллионов, а в 2014 — закрыла проект.

Очевидно, что никому пока не удалось разработать автоматизированный алгоритм подбора подарков: либо не там ищем информацию (в Facebook слишком мало информации о желаниях и мечтах пользователей), либо слишком сильно полагаемся на пользователей. Но теперь, когда есть продвинутые способы сбора информации и машинное обучение, не пора ли доверить подбор подарков искусственному интеллекту?

Анатомия подарка

Чтобы вывести формулу идеального подарка, сначала надо исследовать накопленный человечеством опыт в этой сфере. Мотивы человека, дарящего подарок, обычно ясны: он хочет выразить свою привязанность или углубить отношения с получателем подарка. Если все идет хорошо, получатель чувствует благодарность, близость, взаимопонимание, удивление и радость. (Ага, обмен подарками — это просто социальная манипуляция). Когда подарок оказывается совсем “мимо цели”, получатель чувствует себя непонятным и возможно даже оскорбленным. Как вы могли подумать, что мне это понравится?

Начинает складываться формула идеального подарка: небольшая частичка дарителя (его вкус, индивидуальность и намерения) + большая часть получателя (его индивидуальность, положение в этом мире и мечты) + взаимоотношения дарителя и получателя (их общие воспоминания и интересы). Практичность подарка играет очень небольшую роль — поэтому носки редко считаются удачным подарком.

Теперь давайте рассмотрим эмоциональные аспекты дарителя. Сначала ему нужно определиться с идеей подарка: улавливать намеки и записывать идеи по мере их появления. Затем нужно развить идею: поискать в магазинах (физически или онлайн) нужную вещь, которая укладывается в бюджет. Далее можно отслеживать доставку (если вещь была заказана в интернете), упаковать подарок и приложить открыточку, которая еще больше раскроет подарок либо с рациональной, либо с эмоциональной стороны. Далее даритель вручает плод своих трудов лично или удаленно и ждет ответной реакции.

На этом пути даритель проходит через эмоциональные подъемы и спады. Вот он загорается интересной идеей. Вот злится, что не может воплотить ее в нужное время или в нужном месте. Вот мучается сомнениями: понравится его подарок или нет? Определенный эмоциональных путь проходит и получатель подарка, и этот путь заканчивается либо радостью, либо разочарованием.

При разработке “генератора” подарков на основе искусственного интеллекта, можно оптимизировать эмоциональные подъемы и, главное, спады при помощи алгоритмов.

Идеальный автоматизированный подарок

1. Сбор правильной информации.
Чтобы собрать правильную информацию, можно обратиться к двум различным типам данных: явные и скрытые.

Явные данные можно получить, задавая пользователям вопросы, например: “Сколько вы намерены потратить?” или “Для кого вы покупаете подарок и что они любят?” Конечно, вы можете задавать и более прямые вопросы: “Любит ли этот человек спорт?” Но в этом случае пропадает эффект спонтанности и прозрения: результат будет предсказуемым и очевидным, возможно даже обидным для пользователя. Опросники обычно опираются на демографию — например, на пол или возраст получателя подарка — и из-за этого выдают неинтересные результаты, применимые ко всем представителям этой группы. В то же время самые неожиданные идеи кроются как раз в “серых” зонах.

Скрытые данные — это те, которые можно добыть по цифровым следам пользователя. Лучшее место для поиска скрытых данных в цифровом мире — это ресурсы, на которых пользователь лично подбирает контент, формируя некий желаемый образ самого себя: Instagram, Pinterest и Spotify. (Эти сайты не вправе предоставлять третьим лицам доступ к данным — но при желании они сами могли бы сделать классный сервис с рекомендациями). Это отличный источник данных, и не только потому, что в подборках содержится информация о вкусах пользователя, а еще и потому, что пользователь осознанно размещает эту информацию в публичном доступе.

Кроме того, есть метаданные: теги геолокации или временные метки, которые также могут служить подсказками при выборе подарка. Тем не менее, если компания отслеживает контекстуальные сигналы пользователей при взаимодействии с контентом, это может быть расценено как вторжение в частную жизнь. Не менее сложно выяснить, насколько близкие отношения связывают дарителя с получателем. Конечно, можно ориентироваться на взаимоотношения в Facebook, но люди не всегда общаются с друзьями и близкими через социальные сети. Сообщения в WhatsApp, смски и электронная переписка — все это находится за гранью допустимого. А значит, какая-то часть информации все же должна исходить от пользователя.

Итак, мы не говорим о полностью автономном решении для выбора подарков. Нам просто нужно автоматизировать процесс, которым будет управлять пользователь.

2. Применим смешанный подход.
Если полагаться на “чистую” информацию, не нарушающую границ частной жизни пользователей, мы получим перечень безопасных, безвредных и скучных подарков. Но мы не хотим просто перепоручить подбор подарков машине, чтобы в результате получить сомнительные результаты — нам нужно сохранить магию процесса.

Британский магазин Argos предложил интересный смешанный подход, совместив машинное обучением и подбор подарков вручную. Процесс выглядел так: сначала пользователь вводил набор ключевых данных, на основании которых система формировала рекомендации. Затем пользователь сортировал рекомендации (пролистывал варианты как на Tinder, оставлял комментарии и пожелания) — пока не находил подходящий вариант. К сожалению, эту функцию отключили, но в ее основе лежала интересная модель обучения алгоритма под руководством пользователя.

3. Обучение алгоритма.
Наша цель в том, чтобы помочь дарителю побыстрее отыскать идеальный подарок — и снизить процент возвратов. Но существует одно важное препятствие на этом пути: мы не можем отследить радость или разочарование от подарка — это происходит за пределами цифрового мира. Таким образом, алгоритм лишается самого важного показателя эффективности — а ведь именно эта информация просто необходима для постоянного совершенствования его работы.

Так как же определить, насколько успешно алгоритм справился с задачей? Можно опираться на несколько факторов. Подарок вернули? А может быть получатель похвастался им в социальных сетях? Можно послать получателю подарка личное письмо с вопросом, понравился ли подарок. Также мы можем отследить, изменился ли публичный статус отношений между получателем и дарителем в соц.сетях.

Полный успех — это не просто облегчить жизнь дарителю подарка, но и сделать по-настоящему счастливым получателя. Без итоговых данных (а именно они помогут ИИ стать умнее) мы будем обречены на повторение одних и тех же ошибок — как все прошлые “подарочные” сервисы на основе ИИ. Помните, что когда дело касается обучения алгоритмов, значение имеет не только мысль.

На основании исследования Майкла Крулвича

Дальше — большe

Идеи, которые нас вдохновляют, видео-интервью и переводы исследований, которые были нам полезны в процессе работы.

28 августа 2017

Смерть от гамбургера

20 октября 2016

Карточки — сильнейший тренд веб-дизайна в 2016 году

26 января 2017

Невероятная новость об искусственном интеллекте Google, которую вы, возможно, пропустили

21 сентября 2016

Сможет ли искусственный интеллект решать сложные творческие задачи?

5 сентября 2017

Как сортировать карточки быстро

19 сентября 2017

Комплексная дизайн-система