Unternehmen wie Netflix und Amazon nutzen Empfehlungssysteme, um Produkte oder Inhalte basierend auf dem Nutzerverhalten vorzuschlagen. Wenn Sie beispielsweise einen Artikel bei Amazon kaufen, werden Ihnen weitere Produkte angezeigt, die Sie interessieren könnten. Ähnlich schlägt Netflix Ihnen Fernsehsendungen und Filme vor, die auf Ihren Sehgewohnheiten basieren.
Wir haben dasselbe Konzept auf die Einführung von Premium-Technologien im Internet angewendet. Unser System prognostiziert, welche Technologien eine Website möglicherweise einsetzen wird, indem es das Verhalten anderer Websites mit ähnlichen Premium-Technologieprofilen analysiert.
So funktioniert es
- Wir identifizieren Websites mit signifikanten Investitionen in Technologie und ermitteln, welche Technologien sie einsetzen.
- Wir messen die Überschneidungen zwischen diesen Technologien, um den Grad der Ähnlichkeit zwischen Websites zu ermitteln.
- Je größer die Überschneidung, desto stärker die Empfehlung für Premium-Technologien, die die eine Website nutzt und die andere nicht.
Warum wir kein traditionelles KI-Modell verwenden
Sie fragen sich vielleicht, warum wir für unser Empfehlungssystem keinen maschinellen Lernansatz wie die Matrixfaktorisierung verwenden. Wir haben verschiedene KI-Modelle getestet, die Ergebnisse waren jedoch unbefriedigend. Diese Modelle basieren zudem auf komplexen internen Parametern, oft als „magische Zahlen“ bezeichnet, die schwer zu interpretieren oder zu kontrollieren sind.
Die Dokumentation des MatrixFactorizationTrainers enthält beispielsweise den Satz „Für bessere Ergebnisse verwenden Sie Folgendes“, gefolgt von zwei unerklärten Variablen. Es fehlt jegliche Transparenz darüber, warum diese Werte die Ergebnisse verbessern, was die Validierung und das Vertrauen in das Modell erschwert.
Unser gewählter Algorithmus hingegen folgt einer klaren und gut verstandenen Methodik. Wir wissen genau, wie er funktioniert, wie er implementiert wird und warum er aussagekräftige Ergebnisse liefert.
Funktioniert es tatsächlich?
Ja. Das Modell erkennt beispielsweise, dass Websites, die voraussichtlich Magento Enterprise einsetzen werden, oft bereits Magento verwenden. Dieser Zusammenhang wurde nicht manuell definiert oder dem System beigebracht – er ergab sich aus den Daten selbst.
Empfehlungs-API
Die Empfehlungen können programmatisch über unsere API abgerufen werden, die sowohl JSON- als auch XML-Antworten liefert.
https://api.builtwith.com/recommendations-api Baue deine eigenen Modelle
Sie können Ihre eigenen Modelle mit BuiltWith Datasets erstellen, die die für Training und Experimente erforderlichen Basisdaten liefern.