Выдавая подсказки и прогнозируя события, искусственный интеллект формирует рекомендательные системы для ротации товаров и услуг, адекватной запросам пользователей, ориентируясь на их предпочтения. По задумке, этот процесс должен происходить почти моментально: распределение товаров по категориям, автоматическое создание пула сопутствующих товаров на основе ассоциативного ряда и манипуляции big-датой. Но в реальности искусственный интеллект не успевает за меняющимися пользовательскими предпочтениями, а часто попросту ошибается, ранжируя товары, исходя из поступавших ранее запросов. В результате взрослому мужчине маркетплейсы предлагают наборы одежды для кукол, которые, когда-то пользуясь его картой, заказывала дочка-школьница, а детям вручают «в подарок» новые марки машинного масла и подписки на бизнес семинары.
Попадание в клиента
Часто системы генерируют либо ошибочные, либо не актуальные рекомендации причем в большом количестве, используя плохо сопротивляющийся накруткам и взломам алгоритм. Таким образом, интернет-магазины сталкиваются с проблемой слабой эффективности генерируемых рекомендаций.
Чтобы такого не происходило, создателям нейросетей необходимо решить проблему точного определения тенденций к изменениям и предпочтений у пользователей. То есть, рекомендательные движки должны учиться прогнозировать не только реакцию на предложение товара или услуги, но и предлагать похожие или альтернативные варианты (в зависимости от реакции пользователя).
В e-commerce, по-отдельности функционирующие коллаборативные, контентные и экспертные рекомендательные системы могут давать сбои, и надо создавать гибридную. Гибкий гибридный рекомендационный алгоритм будет комбинировать данные, полученные по нескольким каналам, протяженным по времени. В них можно одновременно применять взвешенные, дополненные, смешанные и рандомные приемы.