شایان رشیدی * تصمیمگیری از جمله کارکردهای دشوار و پیچیدهای است که عمری به درازای حیات بشر دارد. همه ما به صورت روزانه در حال تصمیمگیری در مورد تمامی امور خود هستیم.
اموری ساده همچون انتخاب لباس، انتخاب یک سریال یا کتاب جهت پر کردن اوقات فراغت یا انتخاب کوتاهترین مسیر برای حرکت از منزل به محل کار تا امور پیچیدهتری همچون خرید ماشین و منزل و انتخاب سهام برای سرمایهگذاری. در دنیای دیجیتال امروز که ما انسانها با حجم انبوهی از داده و اطلاعات به صورت روزانه بمباران میشویم، چنین تصمیمگیری میتواند به مراتب دشوارتر باشد به خصوص زمانی که گزینههای در دسترس متنوع و زیاد باشند و تصمیمگیری با تبعاتی چشمگیر برای فرد تصمیمگیرنده همراه باشد.
این همان مشکلی است که از آن به عنوان تراکم اطلاعات تعبیر میشود. این مشکل بیانگر آن است که حجم اطلاعات در دسترس به حدی زیاد است که اتخاذ بهینهترین تصمیم با لحاظ کردن تمامی اطلاعات موجود و موثر امری است محال و ناممکن. به صورت طبیعی عملکرد مغز بهگونهای است که به انسانها کمک میکند در مواجهه با مسائل گوناگون تنها بر آن دسته از اطلاعات با اهمیت بر روند تصمیمگیری متمرکز باشند و باقی اطلاعات را نادیده بگیرند و از این طریق به گونهای به عنوان یک فیلترکننده اطلاعات عمل میکند. اگر چه این عملکرد به ما انسانها در دنیای فیزیکی کمک شایانی میکند، در مواجهه با دنیای دیجیتال که حجم انبوهی از کلان داده و اطلاعات در فرمتهای گوناگون به صورت روزانه تولید میشوند، صرف این قابلیت دیگر به تنهایی موثر نخواهد بود. در چنین همبافتی، وجود سیستمهایی هوشمند که بتوانند این حجم انبوه داده و اطلاعات را تحلیل کرده و بر اساس آنها با تشخیص و تخمین سلیقه و ترجیحات کاربران، فرآیند تصمیمگیری را تسهیل کنند امری است ضروری.
سیستمهای توصیه گر، جزئی جدایناپذیر از اقتصاد دیجیتال
در دهه ۱۹۷۰ میلادی نخستین مفاهیم بنیادی از حوزه سیستمهای توصیهگر توسط محققان حوزه علومشناختی و بازیابی اطلاعات ارائه شد. در همان دهه نخستین نوع از انواع این سیستمها در همبافت کتابخانه طراحی و ارائه شد. سیستم توصیهگر مذکور در قالب یک سیستم ارتباطی از کاربران اطلاعاتی در ارتباط با سلیقه آنها دریافت میکرد و پس از آن بر اساس این اطلاعات مواردی را به کاربران پیشنهاد میداد. اگرچه این روش و رویکرد ممکن است در مقایسه با سیستمهای توصیهگر فعلی بسیار پیشپاافتاده به نظر برسد، در زمان خود امری تحولساز و غیرمنتظره بود. از آن زمان تاکنون سیستمهای توصیهگر دستخوش تحولات و تغییرات فراوانی شدهاند و نقشی فزاینده و پررنگ در اکوسیستم اقتصاد دیجیتال پیدا کردهاند تا آنجا که ارائه خدمات و محصولات در فضای دیجیتال بدون کمک این سیستمها شبیه راندن یک ماشین بدون چرخ است که هیچگاه به سر منزل مقصود نخواهد رسید.
نحوه عملکرد سیستمهای توصیهگر
همه ما با شرایطی مواجه شدهایم که برای تصمیمگیری در مورد خرید یک محصول با شخصی خبره در آن حوزه مشورت کنیم. چنین شخصی غالبا سعی میکند تا در نخستین قدم با طرح سوالاتی سلیقه و نیت ما از خرید را تشخیص دهد و در گام بعدی براساس اطلاعات کسب شده، مواردی منطبق با سلایق و انتظارات ما پیشنهاد دهد. نحوه عملکرد سیستمهای توصیهگر تا حد زیادی شبیه به همین فرآیند است. این سیستمها با در نظر گرفتن مجموعهای از انواع داده سعی میکنند تا ضمن تشخیص سلیقه و ترجیحات کاربران، بهترین و مناسبترین خدمات و محصولاتی را که پاسخگوی اولویتها و نیازهای کاربران هستند را به آنها پیشنهاد داده و از این طریق تصمیمگیری را به امری ساده تبدیل سازد.
انواع سیستمهای توصیهگر
به طور کلی به تناسب آنکه سیستمهای توصیهگر از چه منبعی جهت جمعآوری داده به منظور تشخیص سلیقه کاربران استفاده میکنند، میتوان سه نوع رویکرد منحصربهفرد برای سیستهای توصیهگر در نظر گرفت.
اولین دسته از این سیستمها، سیستمهای توصیهگر مبتنی بر همکاری هستند. این سیستمها برای ارائه پیشنهادات به کاربران از اطلاعات دموگرافیک کاربران و همچنین سابقه تعاملات آنها با محصولات و خدمات استفاده میکنند. به عنوان مثال در یک وبسایت خردهفروشی آنلاین، سیستمهای توصیهگر برای ارائه پیشنهاداتی به یک کاربر مشخص در قدم اول بررسی میکنند که یک فرد با اطلاعات دموگرافیک مشابه نظیر سن، شهر محل سکونت و یا همبافتی که کاربر در آن اقدام به خرید میکند، در گذشته چه محصولاتی را خرید کرده است و یا در رابطه با چه محصولاتی اظهار تمایل کرده است. پس از آن با فرض آنکه تشابه اطلاعات دموگرافیک منجر به تشابه سلیقه خواهد شد، مجموعه مشخصی از محصولات را که برای افراد با اطلاعات دموگرافیک مشابه جذاب بودهاند را به کاربر مورد نظر پیشنهاد میدهند. معیار اصلی برای چنین تشخیصی بسیار وابسته به همبافت مساله است و اطلاعات دموگرافیک تنها به عنوان یک مثال و عامل در اینجا مطرح شد و عوامل متعدد دیگری با توجه به ذات مساله میتوانند مورد استفاده قرار گیرند.
یکی دیگر از انواع پرکاربرد سیستمهای توصیهگر، سیستمهای مبتنی بر محتوا هستند. مبتنی بر این رویکرد، در گام نخست تلاش میشود تا درک اولیه مناسبی از محتوا و ویژگیهای موارد مورد علاقه کاربران و یا جستوجو شده توسط آنها به دست آید و سپس بر اساس اطلاعات کسب شده سایر آیتمهایی که چنین مشخصات و محتوایی دارند به کاربران پیشنهاد شوند. به عنوان مثال شبکههای اجتماعی با بررسی محتوای تصاویر و پستهای مورد پسند کاربران و جستوجو شده توسط آنها، مواردی با محتوای مشابه را به کاربران پیشنهاد میدهند.
آخرین نوع از سیستمهای توصیهگر بر اساس این دستهبندی، سیستمهای توصیهگر ترکیبی هستند. در معماری این سیستمها به تناسب نوع مساله، از دو رویکرد قبلی سیستمهای توصیهگر میتواند استفاده شود.
دامنه استفاده از سیستمهای توصیهگر
هنگامی که صحبت از سیستمهای توصیهگر به میان میآید، یک باور رایج وجود دارد که این سیستمها تنها در تجارت الکترونیک کاربرد دارد و استفادهکننده اصلی این سیستمها وبسایتهای خردهفروشی هستند. با وجود اینکه حوزه تجارت الکترونیک به شدت وابسته به عملکرد این سیستمها است، دامنه استفاده از این سیستمها تنها محدود به این حوزه نمیشود. طیف وسیعی از ارائهدهندگان کالاها و خدمات در اقتصاد دیجیتال نظیر موتورهای جستوجو، وبسایتهای خبری، اپلیکشینهای پخش سریال و فیلم، شبکههای اجتماعی و پلتفرمهای آموزشی برای ارائه هرچه بهتر کالا و خدمات خود وابسته به عملکرد این سیستمها هستند.
نکته پایانی
اقتصاد امروز، اقتصادی داده و اطلاعات محور است. در چنین اقتصادی کاربران با مشکل تراکم بیش از حد اطلاعات مواجه هستند و انتخاب بهترین گزینه از میان گزینههای موجود برای کاربران امری است بسیار دشوار و پرهزینه. در چنین همبافتی بهینهسازی تصمیم کاربران از اهمیت ویژهای برخوردار است. سیستمهای توصیهگر در قامت مشاورانی هوشمند به کسبوکارها کمک میکنند تا با تشخیص سلیقه کاربران، آنها را در فرآیند تصمیمگیری یاری دهند و با ارائه مناسبترین پیشنهادات، برای کاربران و کسبوکارها ارزش خلق کنند.
* پژوهشگر حوزه تحول دیجیتال و هوش مصنوعی
∎
نظر شما