«`html
Enhancing B2B Personalization with Human-ML Integration:
Значение человеческих знаний в машинном обучении
Машинное обучение (ML) стало неотъемлемой частью бизнеса по взаимодействию с клиентами (B2B), стремящегося предлагать персонализированные услуги. Однако для эффективной работы ML требуется более тонкое понимание, которое обеспечивают человеческие знания. Исследование показывает, как интеграция человеческого опыта с ML может улучшить персонализированные информационные системы (PIS) для B2B приложений. Оно демонстрирует, как сочетание человеческого экспертного мнения с алгоритмами ML повышает качество персонализации, достигая высоких показателей, таких как точность, полнота и F1-мера.
Усовершенствование машинного обучения с помощью человеческих знаний
Интеграция человеческого опыта с ML может создать совместный интеллект, способный расширить границы бизнеса. Важные человеческие вклады включают разработку теоретических фреймворков для понимания моделей, использование экспертных знаний для выбора функций и алгоритмов, а также сочетание интуитивного суждения с аналитической скоростью ML для улучшения сбора данных.
Исследовательский фреймворк для интеграции человека и ИИ
Для оптимизации моделей AI, компании часто начинают с использования AI для первичного анализа данных, а затем привлекают человеческий опыт для улучшения результатов. Предлагаемый фреймворк интегрирует человеческие знания на всех этапах процесса ML, начиная с теоретических основ (например, теория использования и удовлетворения), выбора ML-техник с помощью экспертов и выбора соответствующих функций.
Методы исследования
Исследование исследует интегрированную человеко-ML-модельную PIS в энергетическом секторе, объединяя традиционные методологии data mining с человеческими знаниями. Процесс включает четыре ключевых фазы: (1) Создание предмодели с использованием теории использования и удовлетворения для идентификации содержимого, выбора ML-техник с помощью экспертов и выбора функций; (2) Сбор и подготовка данных через структурированные интервью; (3) Создание модели с использованием Python; и (4) Оценка модели с использованием точности, полноты, F1-метрик и экспертного суждения для улучшения модели.
Эмпирические исследования
Исследование разработало интегрированную человеко-ML-модельную PIS для энергетического сектора, сосредотачиваясь на переходе B2B к устойчивой энергетике. В моделировании была использована теория использования и удовлетворения, и выбран метод коллективных рекомендаций на основе дерева решений из-за его эффективности с ограниченными данными о свойствах элементов. Первоначальный выбор функций осуществлялся с использованием нечеткого метода Дельфи, дополненного методами ML. Данные были собраны среди 1 155 посетителей B2B на промышленных мероприятиях. ML-модель, реализованная на Python, прошла через этап обратной связи, оценивая производительность с точностью, полнотой и F1-мерой, все показатели превысили приемлемый порог, подтверждая эффективность модели.
Обсуждение и выводы
Исследование представляет модель, интегрирующую человеческий опыт в методологию data mining для улучшения процессов ML для персонализации B2B. Ключевые этапы включают использование маркетинговых экспертов для теоретических основ и выбора функций, экспертов по IT для обработки данных и человеческого суждения для оценки модели.
«`
