[Jose Ahirton Lopes] Apresentacao Sessao Tecnica I
•Transferir como PPTX, PDF•
1 gostou•160 visualizações
Apresentação com o título "IA e Algoritmos de Recomendação - Chatbots além das respostas prontas" feita no evento "Conferência Bots Brasil", maior evento sobre chatbots do Brasil realizado dia 17/11/2018 (http://conf.botsbrasil.com.br/).
Recomendados
Mais conteúdo relacionado
Semelhante a [Jose Ahirton Lopes] Apresentacao Sessao Tecnica I
Semelhante a [Jose Ahirton Lopes] Apresentacao Sessao Tecnica I (20)
Mais de Ahirton Lopes
Mais de Ahirton Lopes (20)
[Jose Ahirton Lopes] Apresentacao Sessao Tecnica I
- 1. IA e Algoritmos de Recomendação – Chatbots além das respostas prontas MSc. José Ahirton Lopes, Data Scientist, Professor @ FIAP, Community Manager @ AIBrasil.
- 2. Sobre
- 3. Recomendações e Chatbots? • O objetivo dos sistemas de recomendação é gerar recomendações válidas para um conjunto de usuários de itens ou serviços que possam interessá-los (MELVILLE; SINDHWANI, 2010); • Personalizados vs. não personalizados; • “Obter recomendações de fontes confiáveis é um componente importante do processo natural de tomada de decisões” (MELVILLE; SINDHWANI, 2010); • Estímulo ao consumo.
- 4. Recomendações e Chatbots? • Baseados em conteúdo (Content Based) - usando as preferências pessoais para corresponder e filtrar itens; • Filtragem Colaborativa (Collaborative Filtering) – combinam-se pessoas com a mesma opinião. • Software social - o processo de recomendação é suportado mas não automatizado; • Mineração de Dados Sociais - Registra dados de atividade social para aprender as preferências do grupo ;
- 5. Como funciona? • Usuários votam nos itens - interesses do usuário são registrados. Classificações podem ser explícitas ou implícitas. • Correspondência de vizinho mais próximo usado para encontrar pessoas com interesses semelhantes; • Itens que os vizinhos classificaram positivamente, mas que você não avaliou são recomendados a você; • O usuário pode avaliar os itens recomendados.
- 6. Dificuldades • Problema de escassez - quando muitos dos itens não foram avaliados por muitas pessoas. Difícil encontrar pessoas "que tenham a mesma opinião”; • Primeiro problema do avaliador - o que acontece se um item não tiver sido classificado por ninguém; • Cold start – o que acontece com usuários novos? • Problemas de privacidade; • Serendipity - recomendo para mim algo que eu não conheço.
- 7. Principais Parâmetros de Recomendação: Semelhança (ou Similaridade): • Amigos (social); • Popularidade; • Gênero (ou Categoria); • Outros parâmetros podem incluir localização geográfica do usuário ou dados retirados de seu perfil ou outros acessos. Algoritmos observam estes parâmetros em conjunto, não separados, comumente na forma de vetores ou matrizes. Arquitetura de um motor de recomendação
- 8. Exemplos
- 9. • Convergência com novas técnicas tais como: • Deep Learning para Processamento de Linguagem Natural e Síntese Automatizada de Conteúdo; • Máquinas de Tradução Neural; • Deep Speech. Futuro
- 10. “You have to systematically create confusion, it sets creativity free. Everything that is contradictory creates life” Salvador Dali
- 11. Obrigado! MSc. José Ahirton Lopes Data Scientist, Professor @ FIAP, Community Manager @ AIBrasil. ahirtonlopes@gmail.com Github: github.com/AhirtonL Slideshare: slideshare.net/JosAhirtonBatistaLop
Notas do Editor
- Baseada em Conteúdo: “Encontre-me coisas das quais eu gostei no passado”; A máquina aprende as preferências por meio do feedback do usuário, criando assim um perfil; Feedback explícito – usuários avaliam itens; Feedback implícito - o sistema registra as atividades do usuário; Dados de clickstream classificados de acordo com a categoria e atividade da página, por ex. navegando em uma página de produto; Tempo gasto em uma atividade, tal como navegar em uma página. A recomendação é visualizada como um processo de pesquisa, com o perfil do usuário atuando como a consulta e o conjunto de itens atuando como os documentos a serem correspondidos. Baseada em Filtragem Colaborativa: São combinadas pessoas com interesses semelhantes como base para a recomendação: Muitas pessoas devem participar para se tornar provável que uma pessoa com interesses semelhantes seja, de fato, encontrada; Deve haver uma maneira simples de as pessoas expressarem seus interesses; Deve haver um algoritmo eficiente para corresponder pessoas com interesses semelhantes.
- Explicitas: por ex. comprando ou classificando um item; Implícitas: por ex. tempo de navegação, no. de cliques do mouse.
- Segundo dicionário de Oxford: a ocorrência e desenvolvimento de eventos ao acaso de uma forma feliz ou benéfica.