Подобряване на потребителското изразяване: ML-задвижена клавиатура за местни стикери в Hike

Съдържание

Като ръководител на екипа за машинно обучение в Hike Limited, ръководих разработването на иновативна, AI-задвижена клавиатура за местни стикери. Този проект имаше за цел да революционизира потребителското изразяване чрез интелигентно предлагане на стикери въз основа на многоезични входове, включително Hinglish, Tamil English и различни други езикови комбинации.

Преглед на проекта #

Нашата цел беше да създадем интелигентна система за предлагане на стикери, която да може да разбира и реагира на разнообразни езикови входове, като същевременно персонализира предложенията въз основа на индивидуалните предпочитания и взаимодействия на потребителите.

Технически подход #

Основни технологии #

Python за бекенд разработка и обучение на модели
TensorFlow и TensorFlow Lite за разработка на модели и извод на устройството
Техники за обработка на естествен език (NLP) за разбиране на езика
BigQuery за съхранение и анализ на данни
Airflow за оркестрация на работния процес

Ключови функции #

Обработка на многоезичен вход: Разработени NLP модели, способни да разбират и интерпретират входове на смесени езици.
Контекстуално предлагане на стикери: Създаден AI модел за предлагане на подходящи стикери въз основа на входен текст и контекст.
Персонализация на устройството: Внедрени TensorFlow Lite модели за обучение и персонализация на устройството.
Федеративно обучение: Разработена система за актуализиране на глобални модели при запазване на поверителността на потребителите.

Предизвикателства при изпълнението и решения #

Предизвикателство: Точно обработване на разнообразни езикови комбинации. Решение: Обучени модели върху огромен корпус от многоезични данни и внедрени усъвършенствани техники за токенизация.
Предизвикателство: Осигуряване на работа в реално време на мобилни устройства. Решение: Оптимизирани модели за мобилни устройства с помощта на TensorFlow Lite и внедрени ефективни механизми за кеширане.
Предизвикателство: Балансиране на персонализацията с поверителността на потребителите. Решение: Внедрени техники за федеративно обучение, позволяващи подобрения на модела без централизирано събиране на данни.

Процес на разработка #

Събиране и анализ на данни: Събрани и анализирани данни за потребителско взаимодействие с помощта на BigQuery за разбиране на моделите на използване на стикери.
Разработка на модели: Итеративно разработени и усъвършенствани NLP и препоръчителни модели с помощта на TensorFlow.
Внедряване на устройството: Оптимизирани модели за мобилни устройства с помощта на TensorFlow Lite.
Настройка на федеративно обучение: Проектирана и внедрена система за федеративно обучение за актуализации на модела, запазващи поверителността.
Тестване и усъвършенстване: Проведени обширни A/B тестове за оптимизиране на производителността на модела и удовлетвореността на потребителите.

Резултати и въздействие #

Постигнато 40% увеличение на използването на стикери в цялата платформа.
Подобрена релевантност на предложенията за стикери с 60% в сравнение с предишната система.
Успешно обработени входове в над 10 различни езикови комбинации.
Запазена поверителност на потребителите при постигане на непрекъснати подобрения на модела чрез федеративно обучение.

Заключение #

Проектът за ML-задвижена клавиатура за местни стикери в Hike илюстрира потенциала на AI за подобряване на потребителското изразяване и ангажираност. Чрез успешно интегриране на усъвършенствани NLP техники, обучение на устройството и федеративно обучение, създадохме система, която не само разбира разнообразни езикови входове, но и персонализира изживяването за всеки потребител.

Този проект демонстрира силата на комбинирането на най-съвременни ML технологии с дълбоко разбиране на потребителските нужди и проблеми с поверителността. Докато продължаваме да усъвършенстваме и разширяваме тази функция, тя остава крайъгълен камък на ангажимента на Hike да предоставя иновативни, ориентирани към потребителя комуникационни инструменти.