Améliorer l'expression des utilisateurs : Clavier d'autocollants vernaculaires alimenté par l'IA chez Hike

En tant que responsable de l’équipe d’apprentissage automatique chez Hike Limited, j’ai dirigé le développement d’un clavier d’autocollants vernaculaires innovant et alimenté par l’IA. Ce projet visait à révolutionner l’expression des utilisateurs en suggérant intelligemment des autocollants basés sur des entrées multilingues, y compris le Hinglish, le Tamil English et diverses autres combinaisons linguistiques.

Aperçu du projet #

Notre objectif était de créer un système intelligent de suggestion d’autocollants capable de comprendre et de répondre à diverses entrées linguistiques, tout en personnalisant les suggestions en fonction des préférences et des interactions individuelles des utilisateurs.

Approche technique #

Technologies principales #

• Python pour le développement backend et l’entraînement des modèles
• TensorFlow et TensorFlow Lite pour le développement de modèles et l’inférence sur l’appareil
• Techniques de traitement du langage naturel (NLP) pour la compréhension du langage
• BigQuery pour le stockage et l’analyse des données
• Airflow pour l’orchestration des flux de travail

Fonctionnalités clés #

1. Traitement des entrées multilingues : Développement de modèles NLP capables de comprendre et d’interpréter des entrées en langues mixtes.

2. Suggestion contextuelle d’autocollants : Création d’un modèle d’IA pour suggérer des autocollants pertinents en fonction du texte d’entrée et du contexte.

3. Personnalisation sur l’appareil : Implémentation de modèles TensorFlow Lite pour l’apprentissage et la personnalisation sur l’appareil.

4. Apprentissage fédéré : Développement d’un système de mise à jour des modèles globaux tout en préservant la confidentialité des utilisateurs.

Défis de mise en œuvre et solutions #

1. Défi : Gérer avec précision diverses combinaisons linguistiques. Solution : Entraînement des modèles sur un vaste corpus de données multilingues et mise en œuvre de techniques de tokenisation avancées.

2. Défi : Assurer des performances en temps réel sur les appareils mobiles. Solution : Optimisation des modèles pour mobile en utilisant TensorFlow Lite et mise en œuvre de mécanismes de mise en cache efficaces.

3. Défi : Équilibrer la personnalisation avec la confidentialité des utilisateurs. Solution : Mise en œuvre de techniques d’apprentissage fédéré, permettant d’améliorer les modèles sans collecte centralisée des données.

Processus de développement #

1. Collecte et analyse des données : Collecte et analyse des données d’interaction des utilisateurs à l’aide de BigQuery pour comprendre les modèles d’utilisation des autocollants.

2. Développement de modèles : Développement et raffinement itératifs des modèles NLP et de recommandation à l’aide de TensorFlow.

3. Implémentation sur l’appareil : Optimisation des modèles pour les appareils mobiles à l’aide de TensorFlow Lite.

4. Configuration de l’apprentissage fédéré : Conception et mise en œuvre d’un système d’apprentissage fédéré pour des mises à jour de modèles préservant la confidentialité.

5. Tests et raffinement : Réalisation de tests A/B approfondis pour optimiser les performances du modèle et la satisfaction des utilisateurs.

Résultats et impact #

• Augmentation de 40% de l’utilisation des autocollants sur l’ensemble de la plateforme.
• Amélioration de la pertinence des suggestions d’autocollants de 60% par rapport au système précédent.
• Gestion réussie des entrées dans plus de 10 combinaisons linguistiques différentes.
• Maintien de la confidentialité des utilisateurs tout en réalisant des améliorations continues du modèle grâce à l’apprentissage fédéré.

Conclusion #

Le projet de clavier d’autocollants vernaculaires alimenté par l’IA chez Hike illustre le potentiel de l’IA pour améliorer l’expression et l’engagement des utilisateurs. En intégrant avec succès des techniques avancées de NLP, l’apprentissage sur l’appareil et l’apprentissage fédéré, nous avons créé un système qui non seulement comprend diverses entrées linguistiques, mais personnalise également l’expérience pour chaque utilisateur.

Ce projet démontre la puissance de la combinaison des technologies ML de pointe avec une compréhension approfondie des besoins des utilisateurs et des préoccupations en matière de confidentialité. Alors que nous continuons à affiner et à étendre cette fonctionnalité, elle reste une pierre angulaire de l’engagement de Hike à fournir des outils de communication innovants et centrés sur l’utilisateur.