Käyttäjän ilmaisun parantaminen: Tekoälyohjattu puhekielinen tarranäppäimistö Hikessä

Hike Limitedin koneoppimistiimin johtajana johdin innovatiivisen, tekoälyohjatun puhekielisen tarranäppäimistön kehitystä. Tämän projektin tavoitteena oli mullistaa käyttäjien ilmaisu ehdottamalla älykkäästi tarroja monikielisten syötteiden perusteella, mukaan lukien hinglish, tamil-englanti ja erilaiset muut kieliyhdistelmät.

Projektin yleiskatsaus #

Tavoitteenamme oli luoda älykäs tarrojen ehdotusjärjestelmä, joka pystyisi ymmärtämään ja vastaamaan erilaisiin kielellisiin syötteisiin, samalla personoiden ehdotuksia yksittäisten käyttäjien mieltymysten ja vuorovaikutusten perusteella.

Tekninen lähestymistapa #

Ydinteknologiat #

• Python taustaosan kehitykseen ja mallien koulutukseen
• TensorFlow ja TensorFlow Lite mallien kehitykseen ja laitteella tapahtuvaan päättelyyn
• Luonnollisen kielen käsittelyn (NLP) tekniikat kielen ymmärtämiseen
• BigQuery tietojen tallennukseen ja analysointiin
• Airflow työnkulun orkestrointiin

Avainominaisuudet #

1. Monikielinen syötteen käsittely: Kehitettiin NLP-malleja, jotka pystyvät ymmärtämään ja tulkitsemaan sekakielisiä syötteitä.

2. Kontekstuaalinen tarrojen ehdotus: Luotiin tekoälymalli ehdottamaan relevantteja tarroja syötetekstin ja kontekstin perusteella.

3. Laitteella tapahtuva personointi: Toteutettiin TensorFlow Lite -malleja laitteella tapahtuvaan oppimiseen ja personointiin.

4. Federoitu oppiminen: Kehitettiin järjestelmä globaalien mallien päivittämiseen käyttäjien yksityisyyttä kunnioittaen.

Toteutuksen haasteet ja ratkaisut #

1. Haaste: Erilaisten kieliyhdistelmien tarkka käsittely. Ratkaisu: Koulutettiin malleja laajalla monikielisellä aineistolla ja toteutettiin edistyneitä tokenisointitekniikoita.

2. Haaste: Reaaliaikaisen suorituskyvyn varmistaminen mobiililaitteissa. Ratkaisu: Optimoitiin malleja mobiililaitteille käyttäen TensorFlow Litea ja toteutettiin tehokkaita välimuistimekanismeja.

3. Haaste: Personoinnin ja käyttäjän yksityisyyden tasapainottaminen. Ratkaisu: Toteutettiin federoituja oppimistekniikoita, mahdollistaen mallien parannukset ilman keskitettyä tiedonkeruuta.

Kehitysprosessi #

1. Tiedonkeruu ja analyysi: Kerättiin ja analysoitiin käyttäjien vuorovaikutustietoja BigQueryn avulla tarrojen käyttömallien ymmärtämiseksi.

2. Mallin kehitys: Kehitettiin ja hiottiin iteratiivisesti NLP- ja suositusmalleja käyttäen TensorFlowta.

3. Laitteella tapahtuva toteutus: Optimoitiin malleja mobiililaitteille käyttäen TensorFlow Litea.

4. Federoidun oppimisen asennus: Suunniteltiin ja toteutettiin federoitu oppimisjärjestelmä yksityisyyttä kunnioittaviin mallipäivityksiin.

5. Testaus ja hiominen: Suoritettiin laajoja A/B-testejä mallin suorituskyvyn ja käyttäjätyytyväisyyden optimoimiseksi.

Tulokset ja vaikutus #

• Saavutettiin 40 % kasvu tarrojen käytössä koko alustalla.
• Parannettiin tarrojen ehdotusten relevanssia 60 % verrattuna aiempaan järjestelmään.
• Käsiteltiin onnistuneesti syötteitä yli 10 eri kieliyhdistelmällä.
• Säilytettiin käyttäjien yksityisyys samalla saavuttaen jatkuvia malliparannuksia federoidun oppimisen avulla.

Johtopäätös #

Tekoälyohjattu puhekielinen tarranäppäimistöprojekti Hikessä havainnollistaa tekoälyn potentiaalia käyttäjien ilmaisun ja sitoutumisen parantamisessa. Yhdistämällä onnistuneesti edistyneitä NLP-tekniikoita, laitteella tapahtuvaa oppimista ja federoitua oppimista, loimme järjestelmän, joka ei ainoastaan ymmärrä erilaisia kielellisiä syötteitä, vaan myös personoi kokemuksen jokaiselle käyttäjälle.

Tämä projekti osoittaa huippuluokan tekoälyteknologioiden yhdistämisen voiman syvälliseen käyttäjätarpeiden ja yksityisyyshuolien ymmärtämiseen. Jatkaessamme tämän ominaisuuden hiomista ja laajentamista, se pysyy Hiken sitoutumisen kulmakivenä innovatiivisten, käyttäjäkeskeisten viestintätyökalujen tarjoamisessa.