Enhancing B2B Personalization with Human-ML Integration
ML стал критическим инструментом для компаний, работающих в сфере международной торговли (B2B), желающих предлагать персонализированные услуги своим клиентам. Однако для построения отношений и работы в условиях неопределенности в контексте B2B, ML часто требует более тонкого понимания, которое предоставляют именно человеческие инсайты.
Практические решения и ценность:
Исследование показывает, как интеграция человеческого участия с ML может улучшить персонализированные информационные системы (PIS) для B2B приложений. Мы разработали методику и применили ее в энергетическом секторе, демонстрируя, как объединение человеческих экспертных знаний с алгоритмами ML улучшает персонализацию и достигает высоких показателей производительности, таких как точность, полнота и средневзвешенная F1-оценка.
Enhancing Machine Learning with Human Insights
Интеграция человеческих знаний с ML создает коллективный интеллект, используя сильные стороны друг друга, чтобы расширить границы бизнеса. Ключевой вклад человека заключается в разработке теоретических основ для улучшения интерпретируемости моделей, выборе функций и алгоритмов, а также сочетании интуитивного суждения с аналитической скоростью ML для улучшения сбора данных.
Research Framework for Human-AI Integration
Для оптимизации моделей человек-ИИ фирмы часто начинают с использования ИИ для начального анализа данных, а затем используют человеческие знания для уточнения результатов, стремясь найти баланс между затратами и эффективностью. Процесс является особенно полезным в контексте B2B для персонализированных маркетинговых стратегий.
Практические решения и ценность:
Предлагаемая методология интегрирует человеческие инсайты на протяжении всего процесса ML, начиная с теоретических основ (например, U&G теория), выбора подходящих ML техник с экспертным вкладом и выбора соответствующих функций. Человеческое суждение также улучшает сбор данных и оценку модели, обеспечивая точность и справедливость рекомендаций. Обратная связь от клиентов, особенно недовольных, оценивается экспертами для улучшения производительности модели и уменьшения предвзятости.
Methods
Исследование исследует интегрированную человеко-ML модельную основу PIS в энергетическом секторе, смешивая традиционные методологии добычи данных, такие как CRISP-DM и SEMMA, с человеческими знаниями.
Empirical Research
Исследование разработало интегрированную человеко-ML модель PIS для энергетического сектора, сосредотачиваясь на переходе B2B к устойчивой энергетике.
Image sources
– Источники изображений
Discussion and Implications
Исследование представляет модель интеграции человеческих экспертных знаний в фреймворк добычи данных CRISP-DM для улучшения процессов ML в B2B персонализации.
Sources:
– Источники
