Introduzione
L’intelligenza artificiale della piattaforma include la funzionalità di Raccomandazione di contenuti, un motore in grado di suggerire contenuti attraverso suggerimenti personalizzati. Per maggiori informazioni su quando e come la piattaforma suggerisce contenuti, consultare il capitolo Raccomandazione di contenuti dell’articolo Domande frequenti sulle funzionalità di intelligenza artificiale di Docebo.
Per attivare o disattivare il sistema di raccomandazione, accedere al menu amministrazione cliccando sull'icona ingranaggio nell'angolo in alto a destra della piattaforma, individuare la sezione Artificial intelligence (Intelligenza artificiale) e cliccare su Gestisci, quindi premere il pulsante Abilita/Disabilita nella card Content recommendation (Raccomandazione di contenuti).
Questo articolo offre una panoramica sui principi e le tecniche utilizzate dal sistema di raccomandazione per suggerire contenuti, e sulle informazioni relative agli utenti e ai materiali didattici che gestisce.
Suggerimenti basati sulla cronologia
I suggerimenti personalizzati derivano dall’analisi della cronologia dell’utente in piattaforma. La fonte primaria di informazioni del sistema di raccomandazione per offrire suggerimenti sono i dati relativi alle sequenze di interazioni che ogni utente ha avuto con i materiali di formazione disponibili in piattaforma.
In particolare, l'intelligenza artificiale considera le seguenti interazioni per offrire suggerimenti personalizzati:
- il completamento dei corsi formali
- le visualizzazioni, le valutazioni e l’invito ad altre persone a visualizzare i contributi
Il sistema di raccomandazione utilizza la cronologia delle interazioni per costruire una matrice di utenti e contenuti. L’immagine che segue offre una visualizzazione intuitiva della matrice.
Da questa matrice, il sistema di raccomandazione è in grado di derivare, attraverso un algoritmo di fattorizzazione a matrice, uno spazio metrico multi-dimensionale in cui gli utenti e i contenuti sono inseriti nello stesso sistema di coordinate. Segue una rappresentazione di questo spazio metrico (per questioni di visualizzazione, presentiamo uno spazio metrico bidimensionale, ma in realtà lo spazio metrico ha un numero molto maggiore di dimensioni).
Grazie a questo spazio metrico possiamo misurare la distanza o la prossimità fra gli utenti e i contenuti; in altre parole, possiamo capire quali utenti sono vicini a quali contenuti.
L’interpretazione della prossimità è interessante: per esempio, quando l’utente U è particolarmente vicino ad un contenuto nello spazio metrico, significa che quel contenuto è stato visualizzato da altri utenti con una cronologia di interazioni simile all’utente U. Questa è la base della creazione dei suggerimenti personalizzati: il sistema di raccomandazione calcola le distanze fra gli utenti e i contenuti nello spazio metrico in base ad un algoritmo di fattorizzazione, estraendo i contenuti più vicini ad un determinato utente, in quanto potrebbero risultare quelli di maggiore interesse per l’utente stesso.
Ricordiamo che non saranno consigliati contenuti già visualizzati, e che è possibile suggerire solo contenuti a cui l’utente ha accesso nel rispetto delle regole di visibilità dei materiali didattici definite in piattaforma.
Suggerimenti contestualizzati
Il sistema di raccomandazione considera inoltre la prossimità fra contenuti diversi per contestualizzare i suggerimenti prodotti per ogni utente. Considera l’ultimo contenuto visualizzato dall’utente (o quello in corso di visualizzazione) e calcola quali altri contenuti sono vicini a quel contenuto nello spazio metrico. Questo calcolo servirà a produrre suggerimenti, insieme ai contenuti vicini all’utente.
Lavorare con poca cronologia
Poiché il sistema di raccomandazione si basa sulla cronologia delle interazioni accumulate nel tempo, man mano che gli utenti fruiscono dei materiali didattici disponibili in piattaforma, quando si utilizza una piattaforma recente mancano i dati per produrre suggerimenti significativi.
Man mano che si verificano interazioni in piattaforma, il sistema di raccomandazione popola la matrice, e in linea di massima, più si utilizza la piattaforma più saranno precisi e personalizzati i suggerimenti.
Se la cronologia di un utente è nulla o include poche interazioni - per esempio perché l’utente è di recente creazione o interagisce poco con la piattaforma - il sistema di raccomandazione potrebbe non riuscire a suggerire contenuti. Se però l’utente inizia ad interagire più frequentemente con la piattaforma, riceverà sempre più suggerimenti personalizzati.
Aggiornare la cronologia delle interazioni
Man mano che gli utenti interagiscono con la piattaforma e con i contenuti disponibili, la matrice che raccoglie la cronologia delle interazioni si modifica. Il sistema di raccomandazione ricalcola la matrice periodicamente al fine di riflettere le ultime interazioni, quindi applica nuovamente l’algoritmo della matrice di fattorizzazione per creare uno spazio metrico aggiornato.
Con il passare del tempo, la matrice di interazione diventa sempre più vasta e i calcoli necessari per ottenere la matrice e gli spazi metrici corrispondenti potrebbero richiedere molto tempo. Per questo motivo, la piattaforma programma una procedura di aggiornamento ad intervalli di alcuni giorni.
Ricordare che le ultime interazioni fra gli utenti e i contenuti potrebbero non essere prese in considerazione nel calcolo dei contenuti personalizzati fino al successivo aggiornamento della matrice.
Limitazioni tecniche
La funzione di raccomandazione di contenuti presenta delle limitazioni nella gestione di grandi insiemi di dati. La probabilità di incontrare queste limitazioni aumenta con l'aumentare del numero totale di utenti e di contenuti, soprattutto quando molti utenti interagiscono con più contenuti. In questi casi, la piattaforma fornisce suggerimenti non legati all'intelligenza artificiale per garantire che gli utenti continuino a ricevere raccomandazioni pertinenti.
Anche se non esiste un limite assoluto, il sistema di raccomandazione di contenuti può avvicinarsi alla soglia quando il prodotto del numero di utenti e di contenuti si avvicina a un miliardo, soprattutto in contesti con un numero elevato di interazioni. Anche in queste situazioni su larga scala, i metodi di raccomandazione alternativi mantengono un flusso coerente di suggerimenti.