Minha IBM Efetue login Inscreva-se

O que são sistemas de recomendação?

19 de junho de 2024

Autores

Cole Stryker

Editorial Lead, AI Models

Gather

O que são sistemas de recomendação?

Os sistemas de recomendação são algorítimos de inteligência artificial capazes de identificar padrões de comportamento de usuários e sugerir itens relevantes identificados através de obtenção e análise de dados.

Os sistemas de recomendação utilizam análise de dados em big data e algoritmos de aprendizado de máquina (ML) para ajudar os usuários a descobrir novos conteúdos, produtos ou serviços que talvez não tenham encontrado por conta própria.

Esses sistemas são parte integrante da geração de vendas e do cultivo do engajamento para muitas empresas online, incluindo sites de comércio eletrônico, plataformas de streaming de mídia, mecanismos de pesquisa e redes de mídias sociais.

Um sistema recomendador sugere o próximo filme ou vídeo para assistir, uma música semelhante para ouvir, resultados de pesquisa relevantes ou um produto que complementa um determinado pedido.

As sugestões criadas pelos sistemas de recomendação também desempenham um papel essencial na personalização das experiências dos usuários. De acordo com uma pesquisa da empresa de consultoria McKinsey , a personalização pode aumentar as receitas em 5% a 15%. Além disso, 76% dos clientes sentem frustração quando não têm interações personalizadas.

O mercado de sistemas de recomendação está em expansão. Em 2024, o mercado de mecanismos de recomendação está estimado em 6,88 bilhões de dólares, e esse tamanho de mercado deve triplicar em 5 anos.

Projeto 3D de bolas rolando em uma pista

As últimas notícias e insights sobre IA 


Descubra insights selecionadas por especialistas sobre IA, nuvem e outros assuntos no boletim informativo semanal Think. 

Como funcionam os sistemas de recomendação?

Para direcionar sugestões adequadas aos usuários, um sistema de recomendação (também conhecido como mecanismo de recomendação) combina ciência de dados e aprendizado de máquina.

Normalmente, os recomendadores operam em cinco fases para prever as recomendações mais precisas:

1. Coleta de dados

Os dados são a base de um sistema de recomendação; portanto, coletar dados é um primeiro passo crucial. Os dois principais tipos de dados a serem coletados incluem dados explícitos e dados implícitos.

Os dados explícitos englobam ações e atividades do usuário, como comentários, curtidas, classificações e avaliações. Os dados implícitos incluem o comportamento do usuário, como o histórico de navegação, eventos de carrinhos de compras, cliques, compras anteriores e histórico de pesquisa.

Os recomendadores também usam outros dados do cliente, como dados demográficos (idade ou sexo) e psicográficos (interesses ou estilo de vida) para encontrar usuários semelhantes e dados de recursos (como faixa de preço ou tipo de item) para determinar produtos ou serviços relacionados.

2. Armazenamento

Depois que os dados forem coletados, a próxima etapa é armazená-los. O tipo de sistema de armazenamento depende dos tipos de dados coletados.

Um data warehouse pode agregar dados de diferentes fontes para apoiar a análise de dados e o aprendizado de máquina, enquanto os data lakes podem armazenar dados estruturados e não estruturados.

Um data lakehouse combina os melhores aspectos dos data warehouses e data lakes em uma única solução de gerenciamento de dados.

3. Análise

A fase de análise emprega algoritmos de aprendizado de máquina para processar e examinar conjuntos de dados. Esses algoritmos detectam padrões, identificam correlações e ponderam a força desses padrões e correlações. Os modelos de aprendizado de máquina podem ser treinados em grandes conjuntos de dados para fazer recomendações adequadas.

4. Filtragem

A etapa final é filtrar os dados, mostrando os itens mais relevantes da etapa de análise anterior. A filtragem de dados envolve a aplicação de determinadas regras e fórmulas matemáticas aos dados, dependendo do tipo de mecanismo de recomendação usado.

5. Refinamento

Uma etapa de refinamento opcional pode ser adicionada para avaliar regularmente os resultados de um sistema de recomendação e otimizar ainda mais o modelo para aprimorar continuamente sua precisão e qualidade.

Tipos de sistemas de recomendação

Os recomendadores diferem com base no método de filtragem que usam. Existem, em geral, três tipos de mecanismos de recomendação:

1. Filtragem colaborativa

Um sistema de filtragem colaborativa filtra sugestões com base na semelhança de um determinado usuário para os outros. Os sistemas de recomendação colaborativos dependem de dados explícitos e implícitos e assumem que usuários com preferências comparáveis provavelmente estarão interessados nos mesmos itens e poderão interagir com eles de maneiras semelhantes no futuro.

A Amazon, por exemplo, utiliza a filtragem colaborativa para recomendações de produtos, assim como o Spotify para seu conteúdo de áudio.

As recomendações de filtragem colaborativa podem oferecer sugestões eficazes e geralmente não precisam de descrições detalhadas de itens. No entanto, a filtragem colaborativa também é propensa ao problema de inicialização a frio, que ocorre quando o sistema tem dados históricos limitados para extrair, especialmente para novos usuários.

Existem dois tipos principais de sistemas de filtragem colaborativa: baseados na memória e baseados no modelo.

Baseados na memória

Os sistemas baseados em memória representam usuários e itens como uma matriz. Eles são uma extensão do algoritmo k-vizinhos mais próximos (KNN), pois buscam encontrar seus “vizinhos mais próximos,” que podem ser usuários ou itens semelhantes. Os sistemas baseados em memória são subdivididos em dois tipos:

  • A filtragem baseada em usuários calcula as semelhanças entre um usuário específico e todos os outros usuários na matriz. As funções de similaridade baseadas em usuários são calculadas entre as linhas da matriz usuário-item.
  • A filtragem baseada em itens calcula a similaridade entre itens com base no comportamento do usuário (como os usuários interagem com os itens e não pelas características dos itens). As funções de similaridade baseadas em itens são calculadas entre as colunas da matriz usuário-item.

Baseados no modelo

Como alternativa, os sistemas baseados no modelo criam um modelo preditivo de aprendizado de máquina dos dados. A matriz usuário-item serve como conjunto de dados de treinamento para o modelo, que então produz previsões para valores ausentes, ou seja, itens que um usuário ainda não encontrou e, portanto, serão recomendados.

Um dos algoritmos de filtragem colaborativa baseados no modelo mais comumente usados é a fatoração de matrizes. Este método de redução dimensional decompõe a grande matriz usuário-item em duas matrizes menores: uma para usuários e outra para itens, com um número reduzido de dimensões. Essas duas matrizes são então multiplicadas para prever os valores faltantes (ou as recomendações) na matriz maior.

Uma implementação mais avançada da fatoração de matrizes utiliza deep learning e redes neurais. Outros sistemas baseados em modelo utilizam algoritmos de aprendizado de máquina, como classificadores de Bayes, agrupamento e árvores de decisão.

2. Filtragem baseada no conteúdo

Um sistema de filtragem baseada no conteúdo filtra recomendações com base nos recursos de um item. Os sistemas de recomendação baseados no conteúdo pressupõem que, se um usuário gosta de um item específico, ele também gostará de outro item semelhante. A filtragem baseada no conteúdo considera as descrições de itens como cor, categoria, preço e outros metadados atribuídos por palavras-chave e tags, juntamente com dados explícitos e implícitos.

Os sistemas de filtragem baseados no conteúdo representam itens e usuários como vetores em um espaço vetorial. A proximidade é usada para determinar a similaridade entre os itens. Quanto mais próximos dois vetores estiverem no espaço, mais semelhantes eles serão considerados. Os vetores semelhantes aos itens anteriores, de acordo com os recursos fornecidos, serão recomendados ao usuário.

Os recomendadores baseados no conteúdo aplicam um classificador ou modelo de regressão baseado no usuário. Descrições e recursos dos itens em que um usuário está interessado atuam como conjunto de dados de treinamento do modelo, que, em seguida, produz previsões para itens recomendados.

Os sistemas de recomendação baseados no conteúdo podem ser aprimorados ainda mais usando tags de processamento de linguagem natural. No entanto, esse processo de marcação pode ser tedioso para grandes volumes de dados.

Ao contrário da filtragem colaborativa, o problema de inicialização a frio é menor, pois a filtragem baseada no conteúdo baseia-se em características de metadados, não em interações anteriores do usuário. No entanto, a filtragem baseada no conteúdo pode ser limitada na exploração de novos itens, pois muitas vezes sugere itens semelhantes àqueles de que os usuários gostaram anteriormente.

3. Sistema de recomendação híbrido 

Como seu nome implica, um sistema de recomendação híbrido mescla filtragem colaborativa e filtragem baseada no conteúdo.

Como resultado, uma abordagem híbrida pode melhorar muito o desempenho de um mecanismo de recomendação, mas exige arquiteturas avançadas e potência computacional intensa.

A Netflix, por exemplo, usa um sistema de recomendação híbrido para suas recomendações de filmes e séries.

Mistura de Especialistas | Podcast

Decodificando a IA: resumo semanal das notícias

Junte-se a nosso renomado painel de engenheiros, pesquisadores, líderes de produtos e outros enquanto filtram as informações sobre IA para trazerem a você as mais recentes notícias e insights sobre IA.

Benefícios de usar um sistema de recomendação

Um mecanismo de recomendação pode agregar valor para as empresas e para os usuários. Aqui estão algumas vantagens que as organizações podem obter ao investirem em sistemas de recomendação:

Melhoria da experiência do usuário

Recomendar o produto ou serviço certo economiza tempo que os usuários gastariam em uma rolagem interminável por um extenso catálogo. Por exemplo, 80% do que os espectadores assistem na Netflix vem de sugestões impulsionadas por algoritmos de recomendação. Além disso, sugerir conteúdo relevante leva a experiências personalizadas.

Melhor retenção de clientes

De acordo com uma pesquisa da McKinsey, uma experiência do cliente melhorada resulta em maior satisfação do cliente, 20% maior, para ser exato.Clientes satisfeitos se envolvem mais e criam lealdade com uma marca, permitindo que as empresas construam confiança e retenham mais clientes.

Aumento de conversões de clientes

A entrega de recomendações personalizadas incentiva os usuários a visualizar e clicar em mais itens, o que pode acabar convertendo leitores em compradores. A McKinsey encontrou um aumento de 10% a 15% nas taxas de conversão de vendas devido a experiências mais positivas e personalizadas do cliente.

Aumento da receita

A conversão de clientes aumenta as vendas, e as vendas impulsionam a receita. A McKinsey destaca que 35% do que os consumidores compram na Amazon vem de recomendações de produtos. Enquanto isso, a Netflix estima uma economia de mais de 1 bilhão de dólares graças ao seu sistema de recomendação.

Desafios dos sistemas de recomendação

Os sistemas de recomendação têm suas limitações e representam desafios para as organizações. Aqui estão algumas das mais comuns:

Custo e complexidade

Os mecanismos de recomendação envolvem a análise e a filtragem de enormes quantidades de dados. Isso requer arquiteturas complexas e um investimento significativo em recursos de computação.

Escala e velocidade

Os sistemas de recomendação precisam ser rápidos o suficiente para determinar e exibir as recomendações corretas em tempo real. Isso se torna ainda mais difícil quando sugestões em tempo real são veiculadas simultaneamente para centenas ou milhares de usuários, quanto mais milhões deles.

Recomendações irrelevantes

A otimização de algoritmos de aprendizado de máquina em torno das métricas erradas pode levar a recomendações irrelevantes. Itens que geralmente são bem avaliados podem ser sugeridos com mais frequência do que os novos ou obscuros ou aqueles com menos avaliações. No entanto, os itens mais populares ou mais comprados podem não ser aqueles nos quais os clientes estão interessados.

Viés

Os algoritmos de aprendizado de máquina podem aprender os vieses sociais presentes nos dados (sejam eles os dados coletados, os dados marcados, os dados de treinamento ou as fontes de dados externas) ou com avaliadores humanos que ajustam o modelo. Isso pode resultar em recomendações imprecisas.

Privacidade e conformidade

Alguns usuários podem optar por não participar das iniciativas de coleta de dados de uma empresa para sistemas de recomendação devido a preocupações com a privacidade. As empresas talvez também precisem considerar os requisitos regulatórios e os padrões de conformidade ao coletar e armazenar dados.

Casos de uso de sistemas de recomendação

Aqui estão algumas maneiras pelas quais as empresas podem usar sistemas de recomendação. Outros casos de uso e aplicações podem surgir à medida que a tecnologia de recomendadores evolui.

Comércio eletrônico e varejo

Varejistas e vendedores online podem usar mecanismos de recomendação para ampliar as vendas. Os recomendadores podem sugerir itens que outros compradores também compraram ou produtos que combinem com o que o cliente já pediu.

Os sistemas de recomendação podem ser usados para recomendações sazonais ou baseadas em localização e para promover novos produtos ou itens com desconto. Esses sistemas também podem ser usados para aumentar o alcance de itens raramente comprados, recomendando-os como um pacote ou como produtos comprados com frequência, juntamente com os mais populares.

A Amazon é um exemplo primordial de uma empresa de comércio eletrônico que usa mecanismos de recomendação.

Mídia e entretenimento

Com base em dados históricos e preferências do usuário, os sistemas de recomendação podem sugerir conteúdo relevante com o qual os usuários provavelmente se envolverão e desfrutarão.

Seja a próxima série de TV para assistir, um ebook para ler, um artista para ouvir, um jogo para jogar ou um show para assistir, esses sistemas melhoram a experiência do usuário fornecendo recomendações personalizadas.

Netflix, Spotify e YouTube são empresas do setor de mídia e entretenimento que usam recomendações.

Viagens e hospedagem

No campo de viagens e hospedagem, os mecanismos de recomendação podem sugerir opções de hotéis e acomodações, restaurantes, atividades e experiências de acordo com o orçamento e o histórico de viagens de uma pessoa.

Essas recomendações de viagem personalizadas melhoram a satisfação do cliente ao atender às necessidades dos viajantes.

Marketing

As organizações podem usar mecanismos de recomendação para expandir seus leads qualificados. Os recomendadores podem sugerir conteúdo, como posts de blogs, estudos de caso, webinars ou white papers, para apresentar novos serviços e atrair clientes em potencial.

As equipes de marketing podem, então, entregar essas sugestões por meio de boletins informativos, anúncios em mídias sociais e mensagens de e-mail direcionadas.

AIOps

AIOps ou inteligência artificial para operações de TI aplica IA para automatizar e otimizar o gerenciamento de serviços de TI e fluxos de trabalho operacionais.

Os mecanismos de recomendação podem ser usados em AIOps para sugerir soluções, ajudando as equipes de operações de TI a agir rapidamente e responder adequadamente a problemas técnicos.

Soluções relacionadas

Soluções relacionadas

IBM watsonx.ai

Treine, valide, ajuste e implemente recursos de IA generativa, modelos de base e recursos de aprendizado de máquina com o IBM watsonx.ai, um estúdio empresarial de última geração para construtores de IA. Crie aplicações de IA em uma fração do tempo com uma fração dos dados.

Conheça o watsonx.ai
Soluções de inteligência artificial

Use IA para trabalhar em sua empresa com a experiência em IA líder do setor e com o portfólio de soluções da IBM.

Explore as soluções de IA
Consultoria e serviços em IA

Reinvente os fluxos de trabalho e operações críticos adicionando IA para maximizar experiências, tomadas de decisão em tempo real e valor de negócios.

Explore os serviços de IA
Dê o próximo passo

Obtenha acesso completo aos recursos que abrangem o ciclo de vida do desenvolvimento da IA. Produza soluções poderosas de IA com interfaces fáceis de usar, fluxos de trabalhos e acesso a APIs e SDKs padrão do setor.

Explore o watsonx.ai Agende uma demonstração em tempo real