Tanpa disadari, keseharian manusia saat ini dekat dengan sistem rekomendasi, terutama dalam kehidupan di dunia maya. Bingung menentukan makan malam? Cek rekomendasi. Ingin mendengarkan lagu baru? Lihat rekomendasi dari aplikasi streaming. Ingin mencari produk yang serupa? Marketplace telah menyediakan rekomendasi untuk Anda.
Dalam sebuah artikel di website Verge, diketahui bahwa sistem rekomendasi dari tim Google Brain telah memengaruhi dinamika kunjungan ke platform streaming video, YouTube. Lebih dari 70% waktu yang dihabiskan pengguna, ternyata dipengaruhi oleh rekomendasi dari algoritma YouTube. Jumlah ini menunjukkan peningkatan sekitar 20x lipat dibandingkan tiga tahun lalu.
Fakta tersebut membuktikan bahwa rekomendasi kini bukan lagi sekadar menjadi pembeda bagi suatu organisasi, tapi juga menjadi suatu hal yang memang dibutuhkan konsumen dalam keseharian mereka.
Bagi Anda yang tertarik untuk mulai membangun sistem rekomendasi sendiri, Google Cloud menyediakan pendekatan yang patut dicoba. Sistem rekomendasi tersebut terdiri dari Matrix Factorization pada BigQuery Machine Learning (BQML), Recommendations AI, serta Two-Tower built-in algorithm. Bagaimana cara kerjanya?
Mulai dengan Matrix Factorization dari BQML
Dalam membangun sebuah sistem rekomendasi, collaborative filtering merupakan model dasar. Lalu, mengapa harus menggunakan Matrix Factorization BQML? Ini karena Matrix Factorization sendiri merupakan model yang menerapkan collaborative filtering. Kemudan, BQML memungkinkan Anda untuk dapat membuat sekaligus menjalankan model tersebut dengan SQL standar langsung di gudang data.
Baca juga: Mengenal BigQuery Explainable AI, Alat Interpretasi Model Machine Learning
Collaborative filtering dimulai dengan membuat interaction matrix. Dalam matriks ini, pengguna ditulis sebagai baris dan produk sebagai kolom yang ada di kumpulan data Anda. Seringkali, tidak tampak interaksi antara baris dan kolom karena tidak semua pengguna berinteraksi dengan seluruh produk yang Anda.
Nah, di sinilah embeddings berperan untuk menghasilkan penyematan bagi pengguna. Dengan begitu, Anda bisa mengelompokkan beberapa produk yang mirip atau sesuai dengan kategori produk yang dicari pengguna.
Photo Credit: Google Cloud Blog
Melanjutkan dengan Recommendations AI
Recommendations AI merupakan sebuah layanan yang terkelola sepenuhnya dan berfungsi untuk membantu organisasi dalam menerapkan sistem rekomendasi skalabel. Layanan ini bekerja dengan menggunakan pendekatan deep learning canggih. Termasuk di dalamnya adalah arsitektur mutakhir seperti two-tower encoders.
Photo Credit: Google Cloud Blog
Penerapan model deep learning akan meningkatkan konteks dan relevansi rekomendasi. Ini karena model tersebut dapat dengan mudah mengatasi keterbatasan. Recommendations AI membantu Anda memanfaatkan penyajian model deep learning sekaligus menangani MLOps yang diperlukan dalam melayani model ini secara global, tentunya dengan latensi rendah.
Model secara otomatis dilatih ulang setiap harinya dan disetel ulang setiap tiga bulan sekali untuk menangkap perubahan perilaku pelanggan, tambahan produk, harga, serta promosi. Sedangkan model baru akan dilatih dengan rutinitas CI/CD yang tangguh guna memvalidasi kelayakan mode tersebut sebelum ditayangkan.
Two Tower encoders
Dalam membangun suatu sistem rekomendasi Anda harus selalu ingat bahwa tujuan utama yang harus dicapai adalah kemampuan untuk menampilkan kumpulan item yang paling relevan dengan kebutuhan pengguna. Item tersebut kemudian disebut sebagai kandidat dan terkadang disertai dengan informasi seperti judul, deskripsi, bahasa, jumlah tampilan, bahkan klik pada item dari waktu ke waktu.
Katakanlah Anda sedang membuat sistem rekomendasi film. Tentu saja, sekarang ini film ada jutaan jumlahnya, begitu pun dengan jumlah penontonnya. Penerapan two-tower encoder akan membantu Anda dalam tahap pemilihan kandidat (retrieval) untuk setiap pengguna dan kemudian menilai, mengurutkan, dan menyajikan daftar akhir yang direkomendasikan kepada pengguna. Simak ilustrasi berikut:
Photo Credit: Google Cloud Blog
Tahap retrieval menyaring daftar kandidat yang ada dengan melakukan encoding pada kandidat dan pengguna. Dengan begitu, keduanya akan berbagi ruang penyematan yang sama. Ruang penyematan yang baik akan menempatkan kandidat yang mirip satu sama lain lebih dekat dan item yang berbeda saling berjauhan.
Setelah basis data pengguna dan penyematan kandidat selesai maka Anda bisa mulai menggunakan metode pencarian terdekat untuk kemudian menghasilkan daftar kandidat akhir yang benar-benar relevan dengan pengguna.
Baca juga: Merancang Technical Training Yang Lebih Mudah Diakses dengan Google Cloud
Keberadaan sistem rekomendasi tanpa disadari telah menjadi bagian penting dalam kehidupan sehari-hari manusia. Hal ini bisa menjadi peluang yang bagus bagi Anda untuk meningkatkan jumlah penjualan atau mungkin durasi kunjungan pelanggan.
Google Cloud menyediakan sistem yang komprehensif dari hulu ke hilir untuk membangun suatu sistem rekomendasi yang efisien. Untuk hasil terbaik, sebaiknya gunakan Google Cloud yang telah dipersonalisasi sesuai kebutuhan Anda. Dapatkan personalized Google Cloud berlisensi hanya di EIKON Technology yang merupakan partner resmi Google di Indonesia. Untuk informasi selengkapnya, klik di sini!