Előadás

"Zero-shot recommendation engine" kihívásai a Telekomnál

Magyar Tudomány Ünnepe a Magyar Telekomban

2024. november 11. 13:00Magyar Telekom székház, Puskás Tivadar terem · Budapest

Átirat · 1:56

telekom nevében nyissa meg a rendezvényt nagyon köszönöm én is szeretettel

Átirat · 2:02

üdvözlök mindenkit és nagyon örülök hogy a telekom nevében helyszínül szolgálhatunk ennek a nagyszerű

Átirat · 2:08

rendezvénynek abár azt ígérted hogy nagyon jó és mély előadások következnek én az első vagyok a a listán és

Átirat · 2:15

igyekszem megfelelni egy egy mesterséges intelligencia témával készültünk nem

Átirat · 2:23

meglepő módon és szeretnénk egy kicsit a gyakorlatba is belemenni úgyhogy én bele

Átirat · 2:28

is vágok egyből a a köz közepébe és a zero shot recommendation

Átirat · 2:35

engineekről szeretnénk beszélni mi is ez magyarul egy olyan ajánló motorról

Átirat · 2:41

szeretnénk itt beszélni az elméletbe és my kollégámmal erdei balázssal a gyakorlatban amik olyan szituációkban

Átirat · 2:49

ajánlanak a kedves ügyfeleinknek amikor semmit az égvilágon nem tudunk róluk valamint másodperc tört része alatt

Átirat · 2:56

szeretnénk egy kicsit tanulni róluk és a másodperc tört része alatt egyre több és

Átirat · 3:02

több információt tanulva egyre jobb és jobb ajánlatokat adni nem tudom a a téma

Átirat · 3:08

mennyire ismerős számotokra számukra de azért

Átirat · 3:13

hogyha kéz feltartással jeleznétek jeleznék annak nagyon örülnék csak hogy

Átirat · 3:19

ilen egy egy kettő egy kettő pár kéz nagyon jó nagyon örülök hogy hogy

Átirat · 3:25

kevesen mert akkor annál több újdonságot tudunk mondani

Átirat · 3:34

igen mi is az az erosat egyáltalán ezek olyan rendszerek amik

Átirat · 3:41

itt fel is írtuk egy olyan rendszerek amik abban a szituációban amogy említettem alkalmazandóak amikor semmit

Átirat · 3:48

nem tudunk a felhasználó felhasználóról viszont nagyon-nagyon gyorsan szeretnénk

Átirat · 3:53

minél többet megtudni és az első pár kattintása alapján már szeretnék

Átirat · 3:58

bekategorizálni és bedobni egy dobozba és az alapján ajánlani ugye a

Átirat · 4:03

tradicionális ajánló motoroknál megvan az az előnyünk hogy rengeteg adat áll rendelkezésre és abból a rengeteg

Átirat · 4:10

adatból personónákat különböző forgatókönyveket gyártunk és a forgatókönyvek alapján tudunk ajánlani

Átirat · 4:16

ugye abban az esetben hogyha mondjuk egy új termék megjelenik a telekom.hu oldalán vogy egy új eszköz például egy

Átirat · 4:23

új telefon nagyon nehéz erre bármilyen ajánlatot adni úgy hogy nem tudunk róluk

Átirat · 4:29

arról az adott felhasználóról semmit abban a pillanatban mikor megérkezünk megérkezik az oldalunkra egy felhasználó

Átirat · 4:36

rengeteget tudunk arról tanulni hogy a telekom.hu-n milyen szöveget olvas azt mennyi ideig fogyasztja milyen képeket

Átirat · 4:43

néz meg mondjuk egy adott eszközről mennyi időt tölt el egy képpel valamint

Átirat · 4:49

milyen mozgása van mondjuk az adott oldalon ez mindm mindmind olyan adat

Átirat · 4:54

amit ott másodperc tört része alatt kell feldolgoznunk ahhoz hogy hogy megtanuljuk arról az adott illetőről

Átirat · 5:01

hogy vajon mi iránt érdeklődik ezt az egészet pedig komplex egységként kell

Átirat · 5:06

értelmeznünk mert különböző modalitásokról beszélünk ugye a text szöveg bocsánat szöveget értelmezni egy

Átirat · 5:13

külön modell tudja a képeket értelmezni szintén egy másik modell tudja valamint a viselkedését a felhasználónak szintén

Átirat · 5:21

egy másik modell tudja úgyhogy multimodális értelmezésről beszélünk és ezeket a modelleket valahogy össze is

Átirat · 5:27

kell tudnunk kötni és el helyezni őket egy olyan egy olyan mátrixban ami

Átirat · 5:32

alapján a tanultak mentén tudunk valami jót ajánlani valamit folyamatosan

Átirat · 5:38

tanulnunk is kell azt hogy vajon amit ajánlottunk az az mennyire mennyire

Átirat · 5:44

működik kicsit előre szaladtam és nagyon fontos hogy mi a a geni szerepe

Átirat · 5:50

mindenben ugye az hogy nagyon fejlett modelleket és valós időben tudunk

Átirat · 5:55

használni ez egy óriási előnye és ez a legnagyobb képesség a generatív modelleknek de menjünk kicsit bele a

Átirat · 6:02

részletekbe igen minimális minimális inputok itt

Átirat · 6:10

amit amit kiemelnék az az hogy hogy oldal és oldal között is óriási

Átirat · 6:17

különbség van az hogy hol alkalmazzuk ezeket a ezeket a modelleket nem mindegy hogy mikor és mit tudunk megróluk

Átirat · 6:25

például hogyha a felhasználunk mondjuk megszűri azt az adott oldalt akkor nem

Átirat · 6:32

csak a azt az adott ajánlatot tudjuk megváltoztatni hanem az egész világot ami körülötte van nem csak az változtat

Átirat · 6:39

hogyha mondjuk egy készülék ajánról beszé ajánlóról beszélünk hogy milyen készülékeket ajánlunk hanem az egész oldal velő egy együtt tud változni

Átirat · 6:46

nagyon kevés olyan oldallal találkoztam ahol például felismeri azt hogy én egy iphone iránt érdeklődök én egy 40-es

Átirat · 6:54

férfiember vagyok ráadásul családos akkor az egész oldal aszerint változik nem csak az ajánlott készülék hanem azok

Átirat · 7:00

a képek azok a cikkek amik az oldalon vannak tulajdonképpen minden mint egy kis virtuális valóság amit amit rám

Átirat · 7:08

szaptak a a strukturálatlan adat

Átirat · 7:13

ez egy nagyon fontos része a modellnek ugyanis ezek az adatok

Átirat · 7:20

ömlenek a a a modellbe clickstream adatot említenék a magyar talakomon

Átirat · 7:26

belül is van egy úgynevezett clickstream forrás ahol a telekom.hu-nak minden

Átirat · 7:31

egyes mozzanatáról generálódik egy egy apró vagy egy elég elég nagy adatkupac

Átirat · 7:37

ezek az adatok nem könnyen értelmezhető adatok ezért a strukturálatlan

Átirat · 7:42

adatfeldolgozás nagyon nagy szerepet kap az hogy milyen kihívásokkal

Átirat · 7:50

találkozunk ugye az előbb említettem hogy hogy vizuális viselkedési és és

Átirat · 7:56

szöveges adatokkal is is találkozunk ez alapból meghatározó számunkra a geni

Átirat · 8:03

modelljeinket most kezdtük el alkalmazni igazából eddig neurális hálókat valamint

Átirat · 8:08

machine learning modelleket használtunk ez egy ez egy nagyon új terület

Átirat · 8:14

számunkra is és erdéi balás kollégám fog belemenni majd még egyszer a a részletekbe amit még itt megemlítenék

Átirat · 8:21

egy-két szakmai dolgot kiemelve crossmel attention nagyon érdekes a modellek

Átirat · 8:28

tanulmányozásánál a azt látni hogy egy bizonyos

Átirat · 8:34

modell különböző különböző felhasználási területeket hogy

Átirat · 8:40

vesz figyelembe csak amúgy mondjak egy példát hogyha valaki a nagyobb képernyők

Átirat · 8:46

iránt érdeklődik mondjuk olyan iphone telefonokat nézeget aminek aminek óriási a képernyőre valami nagyon sokat olvas

Átirat · 8:53

arról hogy vajon az üzemideje az mennyire mennyire biztos vajon az

Átirat · 8:58

akkumulátor az milyen hosszú ideig bírja akkor ezt a kettő adatot ezt úgynevezett

Átirat · 9:05

cross modal attention képletekkel tudjuk összekapcsolni és ebből születik egy

Átirat · 9:12

olyan képlet ami alapján meg tudjuk mondani hogy a kettő dolog ami őt

Átirat · 9:17

érdekli az valószínű milyen készülék ajánlatokhoz fog vezetni

Átirat · 9:22

ugye a óriási kihívás a az adat minősége amikor amikor arról beszélünk hogy

Átirat · 9:32

viselkedést tanulmányozunk megannyi dolog zavarhatja azt a a felhasználót akivel éppen találkozunk nem biztos hogy

Átirat · 9:39

az az idő amit ő eltölt az oldalon például egy adott kép nézegetésével az azért történik mert ez annyira érdekli

Átirat · 9:46

őt elképzelhető hogy időközben csak ott hagyta a gépet és 10 másodpercnél

Átirat · 9:52

hosszabb ideig nyitva maradt nála egy session vagy amikor belekattintott valamibe azért olvasta ő azt a cikket

Átirat · 9:59

annyira sokáig mert mondjuk lassan töltött be az oldal nagyon sok zavaró tényező van amivel számolni kell amit

Átirat · 10:05

nagyon nehéz kizárni át is adnám a szót hogy megnézzük a

Átirat · 10:11

gyakorlatot erdélyi balázs kollégámnak köszönöm szépen köszi

Átirat · 10:20

andrás a kontextust szeretném először megrajzolni hogy a magyar telekomon belül melyek azok a példák ahonnan most

Átirat · 10:26

én amiket én most hozni fogok én né balázs vagyok alapvetően dta sentis és

Átirat · 10:31

most már egy nagyobb csapatnak a technológiai vezetője és ezzel a csapattal azon dolgozunk hogy hogyan

Átirat · 10:37

tudjuk mind szakmai mind kulturális értelemben az innovációt a mindennapjainnak a

Átirat · 10:42

részévé tenni és mi az amivel ez a csapat folyamatosan foglalkozik alapvetően

Átirat · 10:50

megpróbáljuk segíteni az ügyfeleinket akár meglévő akár leendő ügyfelekről

Átirat · 10:55

beszélünk hogy a magyar telekommal való kapcsolódásuk bármely életciklusában

Átirat · 11:00

bármely szakaszában hogyan tudjuk őket segíteni hogy a céljaikat a lehetőlegg gyorsabban és a lehetőleg simábban

Átirat · 11:06

tudják elérni ehhez alapvetően személyre szabott personalizált jörnyket építünk és optimalizálunk ami a nehézség ebben

Átirat · 11:14

hogy mint a vállalat és mint az ügyfelünk azok eltérő célokat fogalmaznak meg velünk szemben ennek aek

Átirat · 11:21

tekintetében ugye a vállalat az adott szakaszban éppen revenyút akar maximalizálni ügyfélélményt akar növelni

Átirat · 11:28

delta vejüt akar növelni még az ügyfelek eljutottak abba arra a szintre most már

Átirat · 11:33

a többség hogy releváns ajánlatokat akar omni channel módon tehát csatorna

Átirat · 11:39

függetlenül ahol éppen beesik ott a lehető legjobban tudjuk követni hogyha az ügyfelek oldaláról nézzük tehát akkor

Átirat · 11:45

az a célunk hogy hogyan tudjuk támogatni őket azon céljaik elérésében hogy minél

Átirat · 11:53

rövidebb idő alatt tudják meghozni az üzleti a döntéseiket úgy hogy minden egyes vele

Átirat · 11:59

való interakcióból folyamatosan tanulunk jó ez nagyon fontos lesz tehát hogyan tudjuk lerövidíteni azt az időszakot

Átirat · 12:06

amikor valamit szeretne velünk és hogy érje el minél hamarabb a célját neki teljesen mindegy hogy hol és mikor ez

Átirat · 12:13

lenne a lehető legrövidebb az adott témához úgy kapcsolódunk sokáig gondolkodtam hogy a

Átirat · 12:18

stztoryellinget azt ilyen időrendben fogom fölépíteni de aztán végül ez nem tűnt sikeresnek úgyhogy inkább kicsit a

Átirat · 12:24

bonyolultsági oldalról fogtam meg jó az első hip tézisünk az az volt hogy

Átirat · 12:32

azokban a szituációkban ugye a hidegindítási problémánál ahogyan andrás is felvázolt a legnagyobb probléma hogy

Átirat · 12:38

nem nagyon van információnk hagy csak nagyon specifikus valamely területről van csak információnk és ilyenkor

Átirat · 12:44

általában top and aajánlatokhoz nyúlunk végig amit most fogok elmondani ezek mind fizikai termékajánlatokról szólnak

Átirat · 12:50

jó önmagában és ilyen esetekben valamilyen topen megoldáshoz nyúl a piac tehát azt mondja hogy az elmúlt

Átirat · 12:57

időszakban mondjuk az el el múlt öt napban a legtöbbet vásárolt készüléket tesszük ki mondjuk egy honlapra nincsen

Átirat · 13:04

hisztorikus információn gyakorlatilag ez erről szó és az az első feltételezésünk

Átirat · 13:09

hipotézisünk hogyha meg tudjuk állapítani hogy a látogatónk az alapvetően

Átirat · 13:15

milyen készüléket használ akkor az már rövidíteni tudja ezt a döntési fázist

Átirat · 13:22

mert abból induljunk ki hogy azért legtöbben márkahűséggel rendelkezünk vagy bizonyos márkák esetében márkahűség

Átirat · 13:29

az az erősebb mint más termékek esetén tehát ez vagy valószínűséggel tudja rövidíteni nem a teljes sokaságban de

Átirat · 13:35

bizonyos rész sokaságokban ezt a döntési folyamatot és itt gyakorlatilag

Átirat · 13:41

az elsőes az arról szól hogy adott interakciós ponton adott csatornán

Átirat · 13:47

nincsen semmilyen információnk az ügyfélről de magyar telekomügyfélről beszélünk aki a hálózatunkat akár adat

Átirat · 13:54

akár hangházókat használja ez alapján tudjuk a háttérbő ből

Átirat · 14:00

hog a felcsatlakozásnál ugye a a tac szám alapján ami az eszköznek a

Átirat · 14:05

azonosítának az első nyolc karakterre hogy milyen eszközt használ az eszközt tulajdonságokat ezáltal ki tudjuk nyerni

Átirat · 14:11

itt egyébként egy harmadik feles adatot használtunk és utána ezt példá egy xgbook modell bedobva már sikeresebben

Átirat · 14:19

tudja az ajánlatokat generálni számára realtime be kell készíteni ezeket a

Átirat · 14:24

tulajdonságokat de amikor ott van a csatornán akkor rögtön tudjuk használni a következő megközelítésünk az volt

Átirat · 14:31

hogyha nincsen meg ez az infó tehát nem biztos hogy magyar telekom ügyfél akkor

Átirat · 14:37

mit tudunk tenni és akkor pedig azt mondtuk hogy az éppen aktuálisan felcsatlzó felcsatlakozó készüléknek a

Átirat · 14:42

browser historyát amivel éppen ő megérkezett hozzánk ezt ha ki tudjuk olvasni a user agent információból real

Átirat · 14:49

time akkor ez alapján például tudunk képezni olyan fő kategóriákat hogy ő

Átirat · 14:54

androidos apple-ös pc-t használ satö maet használ satöbbi és ementén tudunk

Átirat · 15:01

olyan szélz kategóriákat hozni minden egyes kategória mentén ami megint csak egy hamarabb egy magasabb

Átirat · 15:07

preferenciaszintre tudja juttatni a látogatóinkat ez mind nagyon szép és jó

Átirat · 15:13

a probléma hogy ezek nagyon kicsi részben használhatóak nagyon kevés ügyfél szegmensre és ami a fontos hogy

Átirat · 15:22

minél hatékonyabb egy algoritmusom minél több alatom van annál hatékonyabban tudok ajánlatot tenni tehát kerestük

Átirat · 15:28

azokat a megoldásokat hogy hogyan tudjuk a a brutálisabb algoritmusainkat ilyen

Átirat · 15:34

megoldások ilyen realtime megoldások mentén hatékonyabbá tenni és akkor itt

Átirat · 15:39

egy picikét azért mélyebbre fogunk most menni ha már tudomány ünnepe ugye időben

Átirat · 15:45

amivel igazi áttörést hozta a recommander szisemek kapcsán ez faktorizációs modellek voltak és a

Átirat · 15:51

faktorizációs modellnél az volt a mi elgondolásunk hogy hát ezzel ezzel

Átirat · 15:56

kellene valamit kezdeni ugye a probléma az hogy nagyjából napi tanítással tudtunk élni tehát az előző napi

Átirat · 16:03

információk alapján megtanult dolgok alapján tudtunk a következő napajánlatot tenni de a

Átirat · 16:09

preferencia az természetes módon is változhat gondoljunk most egy karácsonyra nem önmagunk számára akarunk

Átirat · 16:16

vásárolni ajándékot szeretnénk nem a saját preferenciánk a döntő hanem akinek vá jobb esetben hanem akinek vásárolni

Átirat · 16:24

akarunk tehát ezt nem tudjuk a múlt pillanatokból jól kikövetkeztetni tehát szükség ses lenne az aktuálisakat

Átirat · 16:30

ráültetni de ne veszítsük el azért a meglévőben rejlő erőt sem a

Átirat · 16:35

mátrixfaktorizációra csak hogy fontos hogy értsük egy picit ugye az egy olyan

Átirat · 16:41

valószínűségelméleti modell amely gyakorlatilag egy véletlen hármassal modellezhető van ugye a user van egy

Átirat · 16:49

termék és a kettő közti kapcsolat hogy adott user adott terméket mennyire szereti vagy nem szereti és alapvetően a

Átirat · 16:59

és a optimalizáló kritérium vagy feltétel pedig az az hogy megpróbáljuk

Átirat · 17:05

ugye kitalálni hogy amiket még ő nem jellemzett hogy mennyire tetszik

Átirat · 17:10

neki vagy nem tetszik azokat az érdkeket megpróbáljuk kitölteni feltölteni és az amit mi mondunk és az ami a

Átirat · 17:16

feltételezett ügyfél számára érdekes tehát hogy tehát az hogy

Átirat · 17:22

vannak ismert értékek adott user adott készüléket értékel tegyük fel mi

Átirat · 17:29

hiányzik pedig megpróbáljuk kitalálni hogy az mennyire lehet érdekes a számára és ami

Átirat · 17:34

az optimalizándó feltétel hogy a modell által javasolt érték és az ügyfél által

Átirat · 17:40

hipotetikusan mondott érték közti négzetes eltérést próbáljuk meg minimalizálni gyakorlatilag és a

Átirat · 17:46

faktorizációnak a lényege hogy ezt a jellemző mátrixot ezt két alacsonyabb rangú mátrix szorzatával

Átirat · 17:53

közelíti ezek a featurek és feature mátrixok és gyakorlatilag abba az elgondolás ból indultunk mi ki hogy ha

Átirat · 18:01

eeket a feature mátrixokat mint a user mint az item jellemző mátrixokat el tudjuk vinni nagyon közel a

Átirat · 18:08

frontendhez napon belül tehát amikor előáll a napi futás ezeket elvisszük közel a frontendhez akkor gyakorlatilag

Átirat · 18:15

innentől kezdve ezek a betanított vektorok innentől kezdve hogyha aktuálisan bejön az ügyfél és valamilyen

Átirat · 18:22

tevékenységet tesz akkor innen egy egyszerű mátrix szorzással meg fogjuk tudni kapni a friss aján

Átirat · 18:29

állásokat és nagyon sokat tanultunk ebből a megközelítésből de nem jutottunk

Átirat · 18:34

igazán megoldásra és éppen ezért nagyon

Átirat · 18:40

örültünk annak amikor a neurális hállók megérkeztek ugye a képbe ezek ugye szekvenciában gondolkodnak tehát már

Átirat · 18:46

fontos az időbeliség és legalább egy hosszúságú szekvencia sorozatból de ezek

Átirat · 18:52

lehetnek vá változó hosszúságúak mindig az n plus értéket tudja megmondani és

Átirat · 18:58

gyakorlat ilag ennek a segítségével már képesek voltunk egy olyan egyrétegű

Átirat · 19:03

hálót építeni és puszalatokkal feldúsítani hogy gyakorlatilag képesek voltunk közel

Átirat · 19:10

vinni a frontendhez ezt a megoldást ami azt jelentette hogy mint a modell

Átirat · 19:16

objektumot ami ugye a scoreokat írja le mind pedig ugye az item tulajdonságokat

Átirat · 19:21

képesek voltunk közelvinni tehát az amit nem tudtunk megoldani a mátrixfaktorizációnál azt itt viszonylag

Átirat · 19:27

könnyen és itt itt én nem offline eredményeket hoztam hanem online tehát visszamérlt eredményeket ugye nagyon

Átirat · 19:33

fontos hogy említettem hogy rövidíteni akarjuk a döntéspontig eljutó ügyfeleinknek az életútját tehát az

Átirat · 19:40

adott termékre való kattintásból származó bevételnek a növekedését mértük ahol ez jól megfogható ez 6%-os

Átirat · 19:47

növekedést adott a revenue összességében megé nyolcat de ami a kulcs hogy ezzel nem csak az adott sessionön belül tudunk

Átirat · 19:54

reagálni hanem gyakorlatilag fel tudjuk fűzni az összes addig információt amit ő

Átirat · 20:00

tett a múltban tehát ezzel nem csak a session base alapú megoldást hoztuk be

Átirat · 20:06

hanem átalakítottuk a meglévő működésünket a sok-sok különböző modell helyett egy egységes modellt tudunk

Átirat · 20:13

létrehozni amivel képesek vagyunk a realtime lereagálni az azonnali változásokat de úgy hogy közben a

Átirat · 20:20

múltbéli tudás sem vész el és akkor a jövőről még pár szó a

Átirat · 20:25

maradék egy-két percben azt gondoljuk hogy ugye nagyjából a a large modell

Átirat · 20:31

képezik a harmadik szintjét itt a reco szistemek kapcsán ugye az első volt a

Átirat · 20:37

kollaboratí filtering jöttek a deep modellek most meg a large modellek amit folyamatosan keresünk az az hogy hogyan

Átirat · 20:44

tud az iparági sztenderdeknek megfelelő válaszidőt kihozni ezt nagyjából 100 misekundum magyar telekomnál körülbelül

Átirat · 20:50

300 miszekundumig jók vagyunk azt látjuk hogy maga a modell az nagyon gyors offline 5 milliszekundumat képes

Átirat · 20:57

válaszolni de maga a net és a framework az amely gyakorlatilag ezt az időt kvázi

Átirat · 21:02

megnyújtja de a mi tapasztalatunk az ahol egy viszonylag jó érettségben vagyunk a microserviceek terén hogy mint

Átirat · 21:08

az adatnak az eljutása a a microservice-ig mint a válasz a request

Átirat · 21:14

responsot is elég gyorsan fel tudtuk építeni tehát a skálázhatóság megoldott a cost benefit ratio legalábbis ebben a

Átirat · 21:21

mi szűk értelmezésünkben vállalható és még két dolog az egyik

Átirat · 21:27

amit andrás is említett nagyon fontos hogy ez nem csak konkrétan az ajánlatról szól annak a megjelenéséről legyen a

Átirat · 21:33

frontenden megfelelő slot bármi egyéb ahol f akarjuk használni és ez a és ez

Átirat · 21:38

érinti ugye magát a contentet is hogyha gyorsan ha gyorsan változtatok akkor a contentet is gyorsan kell mögépakolnom

Átirat · 21:46

tehát gondoskodnunk kell arról hogy az is megfelelő legyen egy message pool egy content pool legyen

Átirat · 21:53

ott és azt gondoljuk hogy ennél a kulcs az az egészben hogy ezt jól meg tudjuk old z az entulend fejlesztésű folyamatok

Átirat · 22:01

ez nem szerzetileg entulend hanem azok a folyamatok amik kellenek ahhoz hogy ez

Átirat · 22:06

meg tudjon valósulni azt érdemes tuen kezelni és még egy előnyt hagy

Átirat · 22:11

hangsúlyozzak ki utolsó szóként ez ugye az eo chamber ebben az rnn típusú mödölek elképesztően jók nagyon színes

Átirat · 22:18

ajánlatokat adnak nem kell ezzel foglalkoznunk sok cég ezzel igen nagy problémái vannak főleg itt a választások

Átirat · 22:24

környékén nagyon szépen köszönöm a figyelmet

Átirat · 22:32

köszönjük szépen balázsnak és andrásnak a az előadást és a következő előadónk ás györgy aki a

Témák

MI-támogatott

Összefoglaló

MI-támogatott

Balázs András és Erdélyi Balázs a Magyar Telekom zero-shot ajánlórendszerének fejlesztési tapasztalatait mutatják be. A cél olyan ügyfelek számára is releváns ajánlatok gyors előállítása, akikről a rendszer kezdetben nem rendelkezik elegendő információval, majd a frissen érkező visszajelzésekből folyamatosan javítja a döntéseit. Az előadás a gyakorlati megvalósítás kihívásaira, az ajánlatok közötti választás és a visszacsatolás kezelésére, valamint az end-to-end működéshez szükséges tartalom- és fejlesztési folyamatokra helyezi a hangsúlyt.

Videó navigáció

Fejezetek

MI-támogatott