Hệ thống đề xuất là gì?

Một hệ thống đề xuất sử dụng một nhánh của trí tuệ nhân tạo được gọi là máy học và các kỹ thuật lọc dữ liệu để đưa ra các đề xuất. Khi hoạt động tốt, các hệ thống đề xuất trí tuệ nhân tạo đưa ra dự đoán chính xác về loại nội dung người dùng muốn dựa trên các lựa chọn, phản hồi và mức độ tương tác trong quá khứ.

Netflix, Amazon, eBay và hầu hết các mạng xã hội đều có hệ thống đề xuất để giúp khách truy cập sắp xếp số lượng lớn nội dung nhằm khám phá các mục cụ thể có thể quan tâm. Các giải pháp trí tuệ nhân tạo như hệ thống đề xuất rất phổ biến trong cuộc sống hiện đại hàng ngày, gần như đạt đến mức được coi là điều hiển nhiên. Tuy nhiên, để có hiệu quả tối ưu, chúng yêu cầu một lượng dữ liệu đáng kể, đào tạo mô hình trí tuệ nhân tạo và năng lực tính toán.

Đối tượng đôi khi phụ thuộc vào hệ thống đề xuất mà không biết. Chọn một bộ phim để xem trong số hàng trăm nghìn bộ phim có thể là một thách thức không thể vượt qua, nhưng việc chọn một bộ phim trong số 100 sẽ giúp giảm khó khăn khi đưa ra quyết định. Khi các đề xuất chính xác và hệ thống phản hồi nhanh, quá trình quyết định nên tiêu dùng gì trở nên dễ dàng hơn.

Lợi ích của hệ thống đề xuất

Đối với các công ty muốn người dùng duy trì sự tương tác, như các mạng xã hội hoặc tiếp tục đăng ký hoặc mua hàng, việc triển khai hệ thống đề xuất trí tuệ nhân tạo có thể giúp họ đạt được các mục tiêu đó. Trong một số trường hợp, hệ thống đề xuất hoạt động như một kệ hàng bốc đồng trong cửa hàng tạp hóa. Ở một số trường hợp khác, nó giống như cung cấp các tiện ích bổ sung, chẳng hạn như bảo vệ lốp xe tại đại lý xe hơi.

Người dùng cũng nhận được lợi ích vì việc ra quyết định rất khó khăn. Ngay cả khi người dùng biết rõ về những gì họ muốn, việc phân tích tất cả mọi thứ họ không muốn có thể là thách thức. Tìm kiếm danh mục "phim hài" sẽ mang lại một loạt các lựa chọn với những góc nhìn rất khác nhau. Hệ thống đề xuất giúp người dùng thu hẹp các lựa chọn để tìm thấy điều hấp dẫn họ nhất.

Ngoài ra, trình đề xuất có thể giúp người dùng khám phá nội dung mới mà họ có thể không tìm thấy nếu không có trình đề xuất. Các dịch vụ phát trực tiếp nhạc như Pandora và Spotify là các ví dụ về các nền tảng mà người đăng ký thường sử dụng để tìm nội dung mới theo sở thích.

Hệ thống đề xuất hoạt động như thế nào?

Hệ thống đề xuất trí tuệ nhân tạo phức tạp và sử dụng một số mô hình trí tuệ nhân tạo, quy trình học máy và quy trình làm việc phân tích dữ liệu. Hầu hết quy trình làm việc bao gồm ba giai đoạn chung:

• Phân loại: Ở giai đoạn này, thị giác máy tính và xử lý ngôn ngữ tự nhiên (NLP) được sử dụng để xác định và phân loại các yếu tố của các phần nội dung.
• Nhớ lại và tìm kiếm tương tự: Tiếp theo, các mục hoặc đối tượng được phân loại theo các đặc điểm tương tự.
• Xếp hạng: Cuối cùng, các mô hình học rộng và sâu sẽ sắp xếp các mục hoặc đối tượng theo mức độ liên quan.

Ba giai đoạn này là cần thiết để mang lại kết quả chính xác và có liên quan và giảm nguy cơ làm người dùng thất vọng, không chỉ với các đề xuất mà còn với công ty sở hữu hệ thống cung cấp chúng.

Các loại hệ thống đề xuất

Các hệ thống đề xuất có thể tùy chỉnh vô tận và nên được điều chỉnh chặt chẽ theo trường hợp sử dụng cụ thể. Nói chung, hệ thống đề xuất được chia thành ba loại chính:

• Lọc hợp tác: Hệ thống đề xuất lọc dữ liệu hợp tác yêu cầu thông tin tùy chọn từ nhiều người dùng. Hệ thống nhận ra các mẫu: Những người thích bộ phim này cũng thường thích bộ phim khác này. Sau đó, công cụ đề xuất bộ phim khác cho những người thích bộ phim đầu tiên.
  Tương tự, nếu hai người dùng có hai hoặc nhiều mặt hàng giống nhau, hệ thống đề xuất có thể đề xuất một mặt hàng mà một người đã đánh giá cao hoặc mua cho người kia có cùng sở thích.
• Lọc dựa trên nội dung: Lọc dữ liệu dựa trên nội dung rất hữu ích trong các tình huống có ít thông tin hơn, chẳng hạn như khi người dùng đang nghiên cứu các mặt hàng có giá trị cao mà họ ít khi mua, như đồ nội thất hoặc thiết bị mới. Hệ thống đề xuất có thể đề xuất các sản phẩm có kích thước tương tự, với các đặc điểm tương tự hoặc trong phạm vi giá có thể so sánh.
  Sử dụng ví dụ về phim ở trước, nếu người dùng đã xem hai bộ phim hành động, hệ thống đề xuất có thể đề xuất các tựa phim khác trong thể loại đó.
• Lọc kết hợp: Trình đề xuất sử dụng cả lọc dữ liệu hợp tác và dựa trên nội dung cung cấp các yếu tố của cả hai loại và đôi khi cũng bao gồm thông tin theo bối cảnh, chẳng hạn như vị trí, thời gian trong ngày và dữ liệu khác, để đưa ra các đề xuất chính xác và hữu ích hơn.

Điều gì tạo nên hệ thống đề xuất tốt?

Mục tiêu kinh doanh cho các hệ thống đề xuất là sử dụng lặp đi lặp lại. Người dùng càng thường xuyên nhận thấy các đề xuất họ nhận được là "tốt", nghĩa là phù hợp chặt chẽ với sở thích của họ, thì họ càng có khả năng quay lại và sử dụng lại hệ thống. Các thuộc tính của hệ thống đề xuất tốt bao gồm:

• Chính xác: Các đề xuất phải được cá nhân hóa cho người dùng. Có thể đạt được điều này bằng cách kết hợp một hệ thống phản hồi như thích hoặc không thích đơn giản. Phản hồi củng cố và mở rộng phạm vi học tập của AI.
• Phản hồi: Người dùng nổi tiếng là thiếu kiên nhẫn và sẽ không chờ các đề xuất. Thời gian tải phải nhanh và không bị gián đoạn, nếu không người dùng sẽ rời đi.
• Tiết kiệm chi phí: Từ quan điểm kinh doanh, việc đầu tư vào hệ thống đề xuất và chi phí hoạt động liên quan phải cân bằng với sự tăng lên về mức độ tương tác của người dùng, doanh số hoặc kết quả kinh doanh khác.

Các trường hợp sử dụng hệ thống đề xuất

Hệ thống đề xuất phổ biến trong thế giới kỹ thuật số. Gần như tất cả các nhà bán lẻ thương mại điện tử đều có một số loại hệ thống đề xuất và hầu hết mọi người sử dụng chúng một cách liền mạch mà không hề nhận ra chúng là gì. Amazon là người áp dụng sớm và nếu không có các đề xuất, việc khám phá các sản phẩm mới có thể khá khó khăn.

Netflix cũng có hệ thống đề xuất mở rộng và không ngừng phát triển. Trên thực tế, từ năm 2007 đến 2009, Netflix đã trao giải thưởng cho nhóm có thể xây dựng hệ thống đề xuất chính xác hơn 10%. Những người chiến thắng đã tạo ra một chuỗi quy trình gồm 107 mô hình khác nhau, hoạt động cùng nhau để đưa ra dự đoán.¹

Hai cách sử dụng hệ thống đề xuất bằng trí tuệ nhân tạo chính là bán hàng được cá nhân hóa, như trên eBay hoặc Amazon và nội dung được cá nhân hóa, chẳng hạn như trên các nền tảng mạng xã hội như Facebook hoặc LinkedIn.

Hàng hóa được cá nhân hóa

Hầu hết các thương hiệu bán lẻ lớn đều có hệ thống đề xuất hàng hóa được cá nhân hóa. Những hệ thống này có thể hoạt động theo vài cách khác nhau.

Ví dụ: khi người dùng duyệt qua danh sách trên eBay, hệ thống đề xuất "khám phá các mặt hàng liên quan" sẽ cung cấp danh sách tương tự, với tùy chọn để đưa ra phản hồi về các đề xuất. Đại lý bán lẻ quần áo Old Navy cung cấp cả đề xuất "khách hàng cũng thích" và đề xuất "mặc cùng".

Khi các hệ thống đề xuất bằng thuật toán trí tuệ nhân tạo trở nên phổ biến hơn, chúng cũng đang được sử dụng theo những cách mới. Trong ngân hàng, hệ thống đề xuất có thể được sử dụng để đề xuất các loại tài khoản, dịch vụ hoặc ưu đãi một cách an toàn dựa trên hành vi tiết kiệm và chi tiêu của khách hàng. Trong giáo dục, trình đề xuất có thể giúp sinh viên quyết định nên đăng ký vào trường nào.

Nội dung được cá nhân hóa

Người dùng tương tác với các hệ thống đề xuất một cách liền mạch trong suốt một ngày điển hình, đặc biệt là khi họ sử dụng môi trường và giải trí. Google sử dụng hệ thống đề xuất để trình bày quảng cáo cho người dùng; Meta sử dụng hệ thống đề xuất trên các sản phẩm của mình, bao gồm trang Khám phá Instagram, Facebook Reels và nguồn cấp dữ liệu chính mà người dùng thấy trên các nền tảng đó.

Cả Amazon và Netflix đều sử dụng máy học và lượng dữ liệu khổng lồ để đề xuất nội dung được cá nhân hóa. Thông tin xem của người dùng, dữ liệu lịch sử tìm kiếm, xếp hạng, ngày tháng, thời gian trong ngày và loại thiết bị được sử dụng đều được đưa vào các công cụ đề xuất kết hợp, đa lớp.

Đề xuất được cá nhân hóa, thay vì chỉ điều phổ biến tại lúc đó, có thể dẫn đến sự tương tác và khám phá sâu sắc hơn nhiều—và cung cấp dữ liệu bổ sung để có kết quả thậm chí còn liên quan nhiều hơn.

Thách thức của hệ thống đề xuất

Trình đề xuất hữu ích cho cả tổ chức và người dùng, nhưng cũng tồn tại những thách thức tiềm ẩn. Nhận thức được những thách thức ngay từ đầu khi xây dựng hệ thống đề xuất mang lại cơ hội để tránh các vấn đề sau này. Dưới đây là một vài thách thức đã biết liên quan đến các hệ thống đề xuất bằng trí tuệ nhân tạo:

• Không đủ dữ liệu: Đầu quá trình, có thể nhiều mặt hàng hoặc sản phẩm chưa được xếp hạng hoặc người dùng còn mới, vì vậy hệ thống đề xuất không có nhiều thông tin để học. Ví dụ: Netflix, yêu cầu người dùng mới đánh giá các bộ phim họ đã xem. Các cơ chế phản hồi cơ bản, chẳng hạn như thích hoặc không thích hoặc xếp hạng theo sao, có thể giúp cung cấp điểm khởi đầu.
• Vấn đề khởi động lạnh: Người dùng mới và mặt hàng mới đưa ra thách thức tương tự. Khi không có đủ dữ liệu về sở thích của người dùng hoặc về một mặt hàng, hệ thống đề xuất không thể đưa ra các đề xuất chính xác và hữu ích. Ví dụ: hãy tưởng tượng người dùng đang mua tủ lạnh mới và truy cập trang web bán lẻ mà họ chưa bao giờ vào trước đây. Hệ thống đề xuất của trang web không có bất kỳ thông tin nào về những gì người dùng đang tìm kiếm ngoài thông tin từ tìm kiếm hiện tại.
• Khả năng mở rộng: Mở rộng từ một lượng dữ liệu tương đối nhỏ đến hàng triệu người dùng và mặt hàng yêu cầu cơ sở hạ tầng công nghệ được lên kế hoạch cẩn thận để cân bằng quy trình sử dụng và tăng tốc thời gian đạt được kết quả.
• Sự phù hợp và đa dạng: Hai thách thức này có liên quan đến nhau và cả hai dẫn đến việc các mặt hàng phổ biến nhất được đề xuất quá thường xuyên. Khi hệ thống đề xuất bị khớp quá mức, dữ liệu đào tạo quá phù hợp với mô hình và không dễ dàng tích hợp thông tin mới. Khi các sản phẩm tương tự được đề xuất nhiều lần, đề xuất sẽ thiếu đa dạng và người dùng có thể trở nên không hứng thú. Có thể hữu ích nếu sử dụng phép đo như entropy và sự mới lạ để đo lường sự đa dạng của đề xuất.
• Sự phụ thuộc quá mức vào thuật toán: Khi trình đề xuất trở nên phổ biến hơn và là một phần trong cuộc sống hàng ngày, mọi người có thể sử dụng chúng quá thường xuyên để đưa ra quyết định và kết thúc với các bong bóng lọc hoặc phòng tiếng vang. Điều này đặc biệt có vấn đề đối với những người dễ bị tổn thương hơn, chẳng hạn như trẻ vị thành niên, sử dụng nền tảng mạng xã hội.
• Sự riêng tư: Các hệ thống đề xuất phải có quyền truy cập vào dữ liệu của người dùng, chẳng hạn như lịch sử trình duyệt và mua hàng, điều này có thể làm xuất hiện các vấn đề về quyền riêng tư. Các công ty triển khai các giải pháp trí tuệ nhân tạo cần nhận thức được rủi ro bảo mật dữ liệu và quyền riêng tư và triển khai các giải pháp bảo mật để bảo vệ dữ liệu người dùng và doanh nghiệp. Ngoài ra, các công ty phải nhận thức được những phương pháp sử dụng trí tuệ nhân tạo có trách nhiệm để đảm bảo trí tuệ nhân tạo đang được sử dụng một cách an toàn, đáng tin cậy và có đạo đức.

Tương lai của hệ thống đề xuất

Trí tuệ nhân tạo tạo sinh, lọc dữ liệu chính xác hơn, tăng lượng dữ liệu để lọc và cải thiện học máy và các mô hình ngôn ngữ lớn (LLM) đều chỉ ra sự cải thiện ổn định về cách hệ thống đề xuất hoạt động tốt cho cả người dùng và công ty. Đối với các công ty chưa triển khai hệ thống đề xuất, các công cụ để tùy chỉnh và đào tạo hệ thống đề xuất hiệu quả đang trở nên dễ tiếp cận hơn.