推薦系統是什麼？
推薦系統使用稱為機器學習與資料篩選技術的 AI 子集來提供建議。AI 推薦系統運作良好時，可根據過去的選擇、意見回饋與互動，準確預測使用者想要的內容類型。
Netflix、Amazon、eBay 與大多數社群媒體平台均設有推薦系統，協助訪客整理大量內容，探索可能感興趣的特定項目。像推薦系統這類的人工智慧解決方案，已普遍融入現代日常生活，幾乎成為人們理所當然的期待。然而，為了達到最佳效果，它們需要大量資料、AI 模型訓練，以及運算能力。
觀眾有時在無意識中依賴推薦系統。從數十萬部電影中選擇一部電影，可能是一項無法克服的挑戰，但從 100 部電影中選擇一部，可降低決策的難度。當推薦準確且系統回應迅速時，決定消費產品的流程便可無縫銜接。
推薦系統的優勢
對於希望使用者保持參與度（例如社群媒體平台）或繼續訂閱或購買的公司，部署 AI 推薦系統可協助他們達成目標。在某些情況下，推薦系統就像是雜貨店的衝動購物架。在其他情況下，它更像是提供附加選項，例如汽車經銷商的輪胎防護功能。
由於決策難度很高，使用者也能因此受益。即使使用者很清楚自己想要什麼，篩選所有不想要的項目也可能不簡單。搜尋電影目錄中的「喜劇」，會出現各種各樣的選擇，但角度大不相同。推薦系統協助使用者縮小選擇範圍，找出最吸引他們的選項。
此外，推薦系統可協助使用者探索其他地方可能找不到的新內容。Pandora 與 Spotify 等音樂串流直播服務就是訂閱者常用來根據偏好尋找新內容的平台範例。
推薦系統如何運作？
AI 推薦系統錯綜複雜，並使用數種 AI 模型、機器學習流程，與資料分析工作流程。大多數工作流程包括三個一般階段：
- 分類：在這個階段，利用電腦視覺與自然語言處理（NLP）識別及分類內容的不同元素。
- 回顧與相似性搜尋：接下來，根據相似特徵分類商品或物件。
- 排名：最後，寬度與深度學習模型會依相關性對項目或物件進行排序。
這三個階段對於提供精準且相關的結果至關重要，同時也能降低使用者的不滿，不僅針對推薦內容本身，也包括對提供該系統的公司所產生的反感風險。
推薦系統的類型
推薦系統可自訂，且應根據特定使用案例進行量身打造。一般而言，推薦系統可分為三大類：
- 協作篩選：協作篩選推薦系統需要來自眾多使用者的偏好資訊。系統可識別模式：喜歡這部電影的人往往也喜歡另一部電影。然後，它向喜歡第一部電影的人推薦另一部電影。
同樣地，如果兩位使用者之間有兩項或以上的共同項目，推薦系統可能會將其中一人高度評價或購買過的項目，推薦給另一位擁有相似興趣的使用者。 - 內容型篩選：內容型資料篩選在可用資訊較少的情況下非常有用，例如使用者正在研究不常購買的商品，如新家具或家電。推薦系統可能會建議尺寸相似、功能相似或價格範圍相似的產品。
以上個電影範例為例，如果使用者已觀賞兩部動作片，推薦系統可能會建議該類別的其他電影。 - 混合式篩選：同時使用協作與內容式資料篩選的推薦工具，提供這兩種類型的要素，有時也包含位置、時間與其他資料等情境資訊，讓推薦更準確且實用。
什麼才是好的推薦系統？
推薦系統的一項業務目標就是重複使用。使用者愈常將收到的建議視為「良好」，也就是說與自己的偏好非常相符，就愈有可能返回並重複使用系統。好的推薦系統屬性包括：
- 準確：推薦必須為使用者個人化。整合意見回饋系統，例如簡單的按讚或按倒讚，即可達成此目標。意見回饋可強化並延伸 AI 的學習。
- 回應迅速：使用者向來都是不耐煩的，不會枯等推薦。載入時間必須快速且零摩擦，否則使用者一不做二不休就會離開。
- 符合成本效益：從業務角度來看，推薦系統與相關資訊持續營運開支的投資，必須透過提升使用者參與度、銷售額或其他業務成果來平衡。
推薦系統使用案例
推薦系統在數位世界無所不在。幾乎所有電子商務零售商都設有某種推薦系統，而大多數人早已無縫使用這些系統，甚至未曾意識到它們的存在。Amazon 是早期採用者，如果沒有推薦系統，探索新產品可能相當困難。
Netflix 也擁有廣泛且不斷演進的一套推薦系統。事實上，從 2007 年至 2009 年，Netflix 將獎品提供給能夠建立準確率提升 10% 之推薦系統的團隊。優勝者建立了 107 種不同模型的管道，共同運作提供預測。1
AI 推薦系統的兩大主要用途為個人化商品（如 eBay 或 Amazon），以及個人化內容（如 Facebook 或 LinkedIn 等社群媒體平台）。
個人化銷售
大多數主要零售品牌都有個人化的商品推薦系統。它們可透過幾種不同方式運作。
例如，使用者瀏覽 eBay 的商品清單時，會出現「進一步探索相關資訊」建議系統，提供類似的商品清單，並提供對建議給予意見回饋的選項。服裝零售商 Old Navy 提供「顧客也喜歡」的推薦工具，以及「搭配」推薦。
隨著 AI 演算法支援的推薦系統變得愈來愈普遍，它們也以新的方式提供使用。在銀行業，推薦系統可根據客戶儲蓄與消費行為，安全地建議帳戶類型、服務或優惠；而在教育領域，推薦系統可協助學生決定申請哪些大專院校。
個人化內容
使用者在一天中可與推薦系統無縫互動，尤其是在消費媒體與娛樂的時候。Google 使用推薦系統向使用者展示廣告；Meta 其產品中使用推薦系統，包括 Instagram 探索頁面、Facebook Reels，以及使用者在這些平台上看到的主頁動態牆。
Amazon 與 Netflix 均利用機器學習與大量資料，推薦個人化內容。使用者檢視資訊、搜尋歷史資料、評分、日期、時間，以及所使用的裝置，均已納入多層次的混合式推薦引擎。
個人化建議（而不僅僅是目前熱門的建議）可帶來更深入的互動與探索，並提供更多資料以實現更相關的結果。
推薦系統的挑戰
推薦系統對組織與使用者都很有用，但也存在著潛在挑戰。從建置推薦系統起即瞭解挑戰為何，能為未來避免問題。以下是 AI 推薦系統相關的一些已知挑戰：
- 資料稀疏：在流程早期，可能有許多產品尚未評等，或是使用者是新來的，因此建議系統沒有太多資訊可供參考。例如，Netflix 要求新的使用者對他們觀看的電影評分。基本意見回饋機制，例如按讚或倒讚或星級評分，至少是一個起點。
- 冷啟動問題：新使用者與新項目也面臨類似的挑戰。如果有關使用者偏好或商品的資料不足，推薦系統便無法提供準確且有用的建議。例如，假設使用者正在選購新冰箱，並造訪以前從未造訪過的零售網站。網站推薦系統除了目前的搜尋，並無任何關於使用者需求的資訊。
- 可擴充性：從相對少量的資料擴充至數百萬名使用者和項目，需要經過詳盡規劃的技術基礎架構，以平衡使用並加速實現成果的時間。
- 過度擬合與多元化：這兩項挑戰有所關聯，且都會導致系統過於頻繁地推薦最熱門的項目。當推薦系統過度擬合時，訓練資料太適合模型，且不容易整合新的資訊。一再推薦相同產品時，建議缺乏多樣性，使用者可能變得疏離。使用像是熵（entropy）與新穎性（novelty）等指標來衡量推薦結果的多樣性，可能會有所助益。
- 演算法過度依賴：隨著推薦工具變得愈來愈普遍，成為日常生活的一部分，人們可能會經常用它來做決策，最終陷入資訊過濾泡泡或同溫層效應。這對使用社群媒體平台的弱勢群體（如未成年人）而言尤為嚴重。
- 隱私權：推薦系統必須存取使用者的資料（例如瀏覽器與購買記錄），而這可能會引發隱私權問題。實施 AI 解決方案的公司應瞭解資料安全與隱私權風險，並落實安全解決方案，保護使用者與商業資料。此外，公司應瞭解負責任的 AI 實務，確保 AI 以安全、值得信賴且符合倫理規範的方式使用。
推薦系統的未來
生成式 AI、更精確的資料篩選、增加要篩選的資料量，以及改良的機器學習與大型語言模型（LLM），都表明推薦系統為使用者與企業的運作方式正在穩步提升。對於尚未實施推薦系統的公司，自訂及訓練有效推薦系統的工具正變得愈加易用。