Einführung
In Ihrer Plattform finden Sie das Inhaltsempfehlungssystem, eine KI-gestützte Empfehlungsmaschine, deren Aufgabe ist es, verschiedene Arten von personalisierten Vorschlägen zu erstellen. Im Abschnitt Inhaltsempfehlung des Artikels FAQs zu den Docebo-Funktionen für künstliche Intelligenz erfahren Sie mehr darüber, wo und wie Vorschläge in Ihrer Lernplattform ins Spiel kommen.
Um die Inhaltsempfehlung zu aktivieren oder zu deaktivieren, öffnen Sie das Admin-Menü, indem Sie auf das Zahnrad-Symbol in der oberen rechten Ecke Ihrer Plattform klicken, suchen Sie den Abschnitt Artificial intelligence (Künstliche Intelligenz) und klicken Sie auf Verwalten, dann klicken Sie auf die Schaltfläche Aktivieren/Deaktivieren in der Karte Inhaltsempfehlung.
Dieser Artikel bietet einen Überblick über die allgemeinen Prinzipien und Techniken, die vom Empfehlungssystem verwendet werden, um diese Vorschläge zu erstellen und bereitzustellen, sowie Informationen über die derzeit betroffenen Benutzer und Schulungsunterlagen.
Verlaufsbasierte Vorschläge
Die personalisierten Vorschläge der Plattform werden aus der Analyse des Benutzerverlauf innerhalb der Plattform abgeleitet. Das bedeutet, dass die Hauptinformationsquelle für das Empfehlungssystem die kumulierte Folge von Interaktionen ist, die jeder Benutzer mit den verschiedenen Schulungsunterlagen auf der Plattform hat.
Genauer gesagt berücksichtigt die Plattform die folgenden Interaktionen im Empfehlungssystem:
- Den Abschluss formaler Kurse
- Ansichten und Bewertungen von Assets und Einladungen an andere Personen, Assets anzusehen
Das Empfehlungssystem verwendet diesen Interaktionsverlauf, um eine große Benutzer-gegen-Inhalt-Matrix zu erstellen. Eine intuitive Darstellung dieser Matrix finden Sie unten.
Aus dieser Matrix kann das Empfehlungssystem unter Verwendung eines bekannten Matrixfaktorisierungsalgorithmus einen multidimensionalen metrischen Raum ableiten, in dem Benutzer und Inhalt in den gleichen Koordinaten integriert sind. Eine Darstellung dieses metrischen Raums finden Sie unten.
Bitte beachten Sie: Zu Darstellungszwecken wird hier ein zweidimensionaler metrischer Raum dargestellt, während der metrische Raum in einem realen Fall eine viel größere Anzahl von Dimensionen haben wird.
Der Vorteil eines solchen metrischen Raums besteht darin, Entfernung oder Nähe zwischen Benutzern und Inhalten ableiten zu können. Mit anderen Worten, es hilft zu wissen, welche Benutzer sich in der Nähe welcher Inhalte befinden.
Von besonderem Interesse ist die Entfernungsinterpretation: Wenn beispielsweise ein Benutzer (user) einem Inhalt in seinem metrischen Raum besonders nahe ist, bedeutet dies, dass der Inhalt (content) von anderen Benutzern mit einem ähnlichen Interaktionsverlauf wie Benutzer angesehen wurde.
Dies stellt die Grundlage für die Produktion personalisierter Vorschläge in der Plattform dar: Das Empfehlungssystem berechnet die Entfernung zwischen Benutzern und und Inhalten im metrischen Raum gemäß dem Matrixfaktorisierungsalgorithmus und extrahiert die Inhalte, die dem Benutzer am nächsten sind, da sie für den Benutzer von größtem Interesse sein können.
Bitte beachten Sie, dass bereits angesehene Inhalte nicht empfohlen werden und dass nur Inhalte empfohlen werden können, auf die der Benutzer unter Einhaltung der auf der Plattform definierten Sichtbarkeitsregeln der Schulungsunterlagen Zugriff hat.
Kontextualisierte Vorschläge
Das Empfehlungssystem nutzt auch die Nähe zwischen unterschiedlichen Inhalten aus, um Kontext zu den Vorschlägen hinzuzufügen, die einem Benutzer bereitgestellt werden. Es berücksichtigt den zuletzt vom Benutzer konsultierten Inhalt (oder den aktuell konsultierten) und bestimmt, welche anderen Inhalte im metrischen Raum am nächsten sind. Diese Inhalte werden Teil der Vorschläge sein, ebenso wie die Inhalte, die dem Benutzer am nächsten stehen.
Arbeiten mit kurzem Verlauf
Da das Empfehlungssystem derzeit auf dem Verlauf von Interaktionen basiert, die sich im Laufe der Zeit ansammeln, da die Lernenden von den Schulungsunterlagen profitieren, gibt es beim Start einer brandneuen Plattform nicht genügend Inhalt, um relevante Vorschläge zu erstellen.
Wenn jedoch Interaktionen stattfinden, kann das Empfehlungssystem die Matrix füllen. Generell gilt: Je intensiver die Plattform genutzt wird, desto spezifischer und personalisierter sind die Vorschläge.
Wenn der Verlauf eines Benutzers null ist oder nur wenige Interaktionen enthält – beispielsweise weil der Benutzer kürzlich erstellt wurde oder nicht sehr viel mit der Plattform interagiert – kann das Empfehlungssystem möglicherweise keine Inhalte empfehlen. Wenn der Benutzer beginnt, häufiger mit der Plattform zu interagieren, erhält er dann immer mehr personalisierte Vorschläge.
Aktualisieren des Interaktionsverlaufs
Während Benutzer die Plattform weiterhin nutzen und mit Inhalten interagieren, ändert sich die Matrix, die ihren Interaktionsverlauf sammelt. Das Empfehlungssystem berechnet die Matrix regelmäßig neu, um die neuesten Interaktionen widerzuspiegeln, und wendet dann den Matrixfaktorisierungsalgorithmus erneut an, um einen aktuellen metrischen Raum zu erstellen.
In einem realen Anwendungsfall kann die Interaktionsmatrix sehr groß werden und die Berechnungen, die erforderlich sind, um die Matrix und den entsprechenden metrischen Raum zu erhalten, können lange dauern. Daher plant die Plattform alle paar Tage eine Aktualisierung ein. Es ist daher wichtig zu beachten, dass die neuesten Interaktionen zwischen Benutzern und Inhalten möglicherweise erst bei der nächsten geplanten Aktualisierung der Plattform bei der Berechnung personalisierter Vorschläge berücksichtigt werden.
Technische Einschränkungen
Die Funktion der Inhaltsempfehlung stößt bei der Verarbeitung großer Datensätze an ihre Grenzen. Die Wahrscheinlichkeit, auf diese Einschränkungen zu stoßen, steigt mit der Gesamtzahl von Benutzern und Inhalten, insbesondere wenn viele Benutzer mit mehreren Elementen interagieren. In solchen Fällen bietet die Plattform Vorschläge ohne KI, um sicherzustellen, dass die Benutzer weiterhin relevante Empfehlungen erhalten.
Obwohl es keine strikte Grenze gibt, kann das Inhaltsempfehlungssystem an seine Grenzen stoßen, sobald sich das Produkt aus der Anzahl der Benutzer und der Inhalte einer Milliarde nähert - insbesondere in einem Zusammenhang mit hohem Engagement. Selbst in solchen Situationen sorgen Ersatzmethoden für einen konsistenten Fluss von Vorschlägen.