刺激的な新しい消費者体験

ユーザーに合わせた独自のレコメンドを実現

このストーリーにいいねする
Rating Unavailable
いいねの数

パーソナライゼーションはエンゲージメントを高める非常に有効な手段です。ハーバード・ビジネス・レビュー誌によれば パーソナライズされたユーザーエクスペリエンスは、マーケティングの費用対効果を5~8倍高め 売上を10%以上向上させることがきます。

パーソナライズされたコンテンツによって、ユーザーとより深い関係を構築し、ユーザーに対する理解を深めることができます。しかし、効果的なレコメンドを行うために必要なデータは膨大です。高度なデータセンターインフラと高性能メモリ・ストレージソリューションを活用した人工知能(AI)エンジンを導入する必要があります。

今や、このようなレコメンデーションエンジンがオンラインエクスペリエンスを席巻していますが、その最たる例はAmazonです。マッキンゼーのレポートによると、巨大小売企業であるAmazonでは、レコメンド機能による売上が35%を超えています。さらに、レコメンデーションエンジンはショッピング以外の分野でも威力を発揮しています。配信サービスサイトではユーザーが興味を持ちそうな映画や番組を表示し、求人検索サイトではユーザーが応募資格を満たす求人を表示しています。また、ニュースフィードやソーシャルフィードではユーザーにとって関連性の高いコンテンツが生成されます。

配信サービスの場合、Netflix®ユーザーの4人に3人 がレコメンデーションエンジンの推薦する映画を選択し、 Netflixでの総視聴時間数の80% がこのような推薦に由来するものです。Hulu™ などのサービスでは、「like(観たい)」「dislike(観たくない)」機能を追加して、表示されるレコメンドをユーザーがコントロールできるようにしています。

このように高度にパーソナライズされたインターネットを実現している基盤はデータセンターです。アルゴリズムが非常に洗練されているため、レコメンドはユーザーエクスペリエンスそのものとなっています。他の多くの先端テクノロジーと同様に、レコメンデーションエンジンも、マイクロンが製造しているようなメモリとストレージソリューションがなければ成立しません。

レコメンデーションエンジンとは

レコメンデーションエンジンとは、簡単に言えば、あるアイテムに対してユーザーが入力するレーティングや好みに応じておすすめの情報を提示するシステムです。

これはデータが問題なのです。レコメンデーションエンジンの場合、データ量が多いほど、結果の正確性が向上します。提示するレコメンドは、次のいずれかの方法でフィルタリングされています。

  • 一般的: 最も単純なフィルターで、ユーザーが検索したもの、または、人気の高いものに似ているアイテムを推薦します。
  • コンテンツベース: このフィルターは、ユーザーの履歴を調べてその選択行為からユーザーの好みを表すキーワードを特定し、同様のコンテンツを推薦します。
  • 協調フィルタリング: 履歴に基づいてユーザーをグループに割り当てます。そのグループの他のメンバーが好きなアイテムを表示します。
  • アンサンブル: このアプローチは、複数のフィルタリング手法を組み合わせて使用します。

これらのフィルタリング手法は、それぞれが複雑化しています。アンサンブルが最も正確ですが、膨大なデータを必要とし、実行が最も難しいアプローチです。

配信メディアの場合、正確なレコメンドをするには、映画のジャンル、あらすじ、俳優、監督に関するデータのほか、ユーザーの視聴履歴と、同じ映画を気に入った大勢のユーザーの履歴データがエンジンに必要です。また、映画の評価、ソーシャルメディアのコメント、脚本のセリフまでレイヤーに含めます。これは膨大なデータ量になるため、このような高負荷のワークロードを処理するには大容量のメモリとストレージが必要です。

マイクロン製品などのメモリ・ストレージ技術がどのようにレコメンデーションエンジンに貢献しているのか?

2. フィルタリングと前処理
機械学習システムは、数百万人の顧客の履歴と行動を保有しており、システムは常に更新されています。通常このデータは、整理されていない形式で取り込まれるため、データを使用する前に、まずフィルタリングして抽出することで重要情報だけに絞り込み、データを効率的に整理する必要があります。整理されていないデータから必要なデータポイントを見つけるのは、人気の絵本 『ウォーリーをさがせ!』 のように、滑稽な状況で様々な動きをしている人混みの中からウォーリーを見つけ出すようなものです。ウォーリーは見つけてもらえないかもしれません。では、ウォーリーの周りの人々がみんな直立不動で、グリッドのパターンに分類されていれば、どうでしょう。面白味はなくなりますが、ウォーリーは簡単に見つかるでしょう。つまり、データのフィルタリングと前処理とは、動いている群衆のカオスを整列させてグリッドに並べることです。データの整理はCPUで解決できる問題で、DDR5などのサーバー向けDRAMでサポートされています。データは前処理の間、一時的にDRAMに保存され、プロセッサーに高速フィードされます。処理と整理が済んだデータは高速NVMe™ SSDに保存され、それがAIのトレーニングに使用されます。

3. トレーニング
ここではAIがエンジンにコンテンツ認識を学習させます。例えば、システムが犬の認識方法を習得するまで数十億件の画像を分析する場合もあります。この場合、データを数百回~数千回トレーニングシステムに通す必要があります。新しいデータが投入されてユーザーが操作すると、更新されたデータベースで定期的にモデルを再トレーニングします。このプロセスには、複雑なトレーニングアルゴリズムを実行する極めて強力で柔軟性のあるデータセンターが必要です。マイクロンの超広帯域ソリューションファミリのような広帯域幅メモリがグラフィックプロセッシングユニット(GPU)またはCPUにデータを何度も超高速でフィードします。これによって論理的結合が起こり、AIのアルゴリズムが作成されます。データ量が増加し、AIのアルゴリズムが複雑化するにつれて、トレーニングプロセスのメモリ増設の需要は増え続けています。しかし、必要なのはメモリの増設だけではありません。よりスマートで高速なAIをもたらす新しいメモリ、つまり 1配線あたり1ビットではなく、例えば2ビットの情報を動かす 新しいメモリ、または同じチップパッケージ内でCPUに近接配置した 3次元積層のメモリが必要です。マイクロンは業界の最前線で次世代メモリの技術革新を推進しています。

4. レコメンデーション(推薦)
次は推論です。トレーニング済みのシステムに、犬が映画に登場するかどうかを尋ねます。犬を認識すれば、推薦ができます。これは、ユーザーごとに1分間に数百万回行われ、データセンターまたはユーザーの近く、場合によってはスマートフォンやノートパソコンで実施されます。高性能なメモリがあれば、ユーザーにとって意味があり、プロバイダーにとって収益性のあるレコメンドを迅速に実行できます。

5. 最適化
ユーザーがレコメンドにどう反応したかが再度データ収集フェーズにフィードされ、その後のレコメンドが継続的に最適化されていくため、レコメンデーションエンジンはそれを学習してさらに精度が高まります。

レコメンデーションエンジンのプロセスの各フェーズで、メモリとストレージは重要な役割を果たします。データを取り出して移動させる時間を短縮し、処理装置を必要なデータで満たし、日々生成される膨大な量のデータを保存します。マイクロンが製造するようなメモリ製品がなければ、レコメンデーションエンジンの作成は不可能でしょう。

レコメンデーションエンジンの未来

レコメンデーションエンジンは、オンラインサービスのユーザーエクスペリエンスとビジネスモデルに変革をもたらしました。ウェブサイトがプラットフォームにレコメンド機能を取り入れる新たな方法を模索しているのも頷けます。

例えば、Amazon機械学習サイエンティストのBen Allison氏は、ユーザーの過去の各行動の重要性は同じではないと話しています. Amazonは顧客の行動が非常に複雑であることを認識し、現在はニューラルネットワークを使用して、(前後関係や時間をベースに)過去のある行動の重要性を識別し「アテンションスコア(注目度合を表すスコア)」を付けています。このアテンションスコアは、さらに高度なレコメンデーションアルゴリズムにとって重要な要素となっています。

また、Amazonでは、「予想できる」予測はそれほど理想的ではないことを認識したそうです。ある程度の「無作為」を追加することで、あらゆる買い物客が望む「思わぬ掘り出し物との遭遇」を再現することができました。これにより現在では、Amazonのレコメンド機能は単なる一般的な予測ではなくなり、AIの「判断」からさらに多くの成果を生み出しています。

サイトによっては、人間のエディターがリアルタイムでレコメンデーションエンジンを操作して、アルゴリズムの精度を上げています。例えばHulu™では、「コンテンツ専門家チームが連携し、視聴者に合わせて厳選した作品を追加で紹介しています」

また、Netflixではレコメンデーションアルゴリズムを使用して 成功するコンテンツの特徴を学習し、映画やテレビ番組のカタログを設定しています。「当社では、急成長しているNetflixスタジオでオリジナルの映画やテレビ番組の制作を最適化するために利用し ... また、Netflixの新規会員を開拓できるように、広告費、チャネルミックス、広告クリエイティブにも力をいれています」

現在と将来のレコメンデーション機能には、データ量と速度の最大化が不可欠です。データストレージ、AIトレーニング、レコメンデーションエンジンの推論には、高性能・低電力のメモリとストレージが必要です。

マイクロンの幅広いソリューション ポートフォリオは、集中トレーニング用の広帯域幅メモリとアクセラレータから、推論用の標準メモリ、各種データ用の大容量ストレージに至るまで、レコメンデーションエンジンの要件をすべて揃えています。完璧なクリスマスプレゼントがレコメンドされた、または、完璧な番組がレコメンドされたときは、その過程でマイクロンのメモリとストレージが関わった可能性が高いと考えられます。

インフォグラフィックをダウンロードする

レコメンデーションエンジンを実現するマイクロン製品について、詳しくは以下をご覧ください。

マイクロンはMicron Technology, Inc.の登録商標です。本書で言及しているその他の商標と登録商標はすべて、それぞれの所有者に帰属し、参考までに含まれています。これらは、マイクロンによる推奨や宣伝には当たらず、必ずしも取引関係を示唆しているわけではありません。

+
+