التقارير المستندة إلى التعلم الآلي

تستخدم شركات مثل نتفليكس وأمازون محركات توصيات لاقتراح منتجات أو محتوى بناءً على سلوك المستخدم. على سبيل المثال، عند شراء منتج من أمازون، تُعرض عليك منتجات أخرى قد تهمك. وبالمثل، تقترح نتفليكس برامج تلفزيونية وأفلامًا بناءً على ما شاهدته.

لقد طبقنا المفهوم نفسه على تبني التقنيات المتميزة عبر الإنترنت. يتنبأ نظامنا بالتقنيات التي قد يستخدمها موقع إلكتروني من خلال تحليل سلوك مواقع إلكترونية أخرى ذات تقنيات متميزة مماثلة.

كيف يعمل

نقوم بتحديد المواقع الإلكترونية التي تتمتع باستثمارات كبيرة في التكنولوجيا ونحدد التقنيات التي تستخدمها.
نقوم بقياس التداخل بين هذه التقنيات لتحديد مستوى التشابه بين المواقع الإلكترونية.
كلما كان التداخل أكبر، كانت التوصية أقوى بالتقنيات المتميزة التي يستخدمها موقع واحد ولا يستخدمها موقع آخر.

لماذا لا نستخدم نموذج الذكاء الاصطناعي التقليدي

قد تتساءلون عن سبب عدم استخدامنا لمنهجية تعلّم آلي، مثل تحليل العوامل المصفوفية، في نظام التوصيات لدينا. لقد اختبرنا عدة نماذج ذكاء اصطناعي، لكن النتائج كانت ضعيفة. تعتمد هذه النماذج أيضًا على معاملات داخلية معقدة، تُعرف غالبًا باسم "الأرقام السحرية"، يصعب تفسيرها أو التحكم فيها.

على سبيل المثال، تتضمن وثائق MatrixFactorizationTrainer عبارة "للحصول على نتائج أفضل، استخدم ما يلي"، متبوعةً بمتغيرين غير مُفسَّرين. لا توجد شفافية حول سبب تحسين هذه القيم للنتائج، مما يُصعِّب التحقق من صحة النموذج والثقة به.

في المقابل، تتبع الخوارزمية التي اخترناها منهجية واضحة ومفهومة. نعرف تمامًا كيف تعمل، وكيف تُنفَّذ، ولماذا تُحقق نتائج قيّمة.

هل يعمل فعليا؟

نعم. على سبيل المثال، يُشير النموذج إلى أن المواقع الإلكترونية التي يُحتمل أن تعتمد Magento Enterprise غالبًا ما تستخدم Magento بالفعل. لم تُعرّف هذه العلاقة أو تُدرّب يدويًا في النظام، بل اكتُشفت من خلال البيانات نفسها.

واجهة برمجة تطبيقات التوصيات

يمكن الوصول إلى التوصيات برمجيًا من خلال واجهة برمجة التطبيقات الخاصة بنا، والتي توفر استجابات JSON وXML. https://api.builtwith.com/recommendations-api