شرکت هوش رفتاری SQREEM با انتصاب استفن یپ (Stephen Yap) به عنوان مدیرعامل جدید خود، تلاش میکند جایگاه متمایزی در بازار شلوغ هوش مصنوعی کسب کند. این شرکت برخلاف جریان حاکم بر بازار که به شدت بر مدلهای زبانی بزرگ (LLM) متکی است، بر مدل رفتاری بزرگ (LBM) خود به عنوان موتور پیشبینی برتر تمرکز دارد. یپ که پیش از این به عنوان مدیر ارشد درآمد (CRO) در شرکت Perion فعالیت میکرد و سابقه نزدیک به دو دهه حضور در Google را دارد، مأموریت یافته است تا این رویکرد متمایز را در صنعت بازاریابی و تبلیغات ترویج دهد.
تمرکز بر رفتار به جای زبان: مدل رفتاری بزرگ چیست؟
در شرایطی که بازار مملو از استارتاپهای هوش مصنوعی مبتنی بر یادگیری ماشین و مدلهای زبانی است، SQREEM مسیر متفاوتی را در پیش گرفته است. مدل رفتاری بزرگ (Large Behavioral Model یا LBM) این شرکت به جای یادگیری ماشین سنتی، از «مدلهای فضای حالت» (state-space models) استفاده میکند. این مدلها نوعی ساختار ریاضی در هوش مصنوعی هستند که با بررسی متغیرهای مشخص، چگونگی تغییرات سیستمها را در طول زمان ردیابی میکنند.
رنه ریس (René Raiss)، بنیانگذار SQREEM، توضیح میدهد که این پلتفرم به دنبال تحلیل «آنچه نوشته میشود یا مردم میگویند» نیست، بلکه تمرکز اصلی آن بر «کارهایی است که مردم انجام میدهند». این مدل با استفاده از مدلسازی فضای حالت، همبستگی میان رفتارهای مختلف را شناسایی کرده و به طور خودکار پرسونای مخاطبان را تولید میکند.
ردیابی مسیرهای رفتاری؛ از چای سبز تا بیمه مسافرتی
برای درک بهتر عملکرد این مدل، ریس به نمونه مصرفکنندگان چای سبز اشاره میکند. طیف بسیار وسیعی از افراد، از علاقهمندان به مراقبتهای پوستی گرفته تا کسانی که به دنبال جایگزینی برای قهوه هستند و همچنین علاقهمندان به یوگا، چای سبز مصرف میکنند. اما تحلیل رفتاری عمیقتر نشان میدهد افرادی که بیمه مسافرتی میخرند، ۲۲ درصد بیشتر از یک فرد معمولی چای سبز تهیه میکنند.
مدل رفتاری SQREEM قادر است زنجیرهای از جستجوها و رفتارها را ثبت کند؛ مسیری که از جستجوی چای سبز آغاز شده، به آنتیاکسیدانها، مراقبتهای پوستی، کرم ضدآفتاب، برنامهریزی برای تعطیلات و در نهایت به خرید بیمه مسافرتی ختم میشود. به گفته ریس، مدل با حرکت در چند «درجه جدایی» (degrees of separation) از رفتار اولیه، میتواند الگوهای رفتاری عمیقی از ترجیحات مخاطب را ترسیم کند.
منابع داده و کاربرد عملی در مدیریت بحران
این دادهها از طریق اتصال به پلتفرمهای رسانههای اجتماعی، دادههای عمومی وب و ترافیک وب آزاد جمعآوری میشوند. ریس تاکید میکند که هیچیک از این دادهها قابل ردیابی به یک فرد مشخص نیستند، اما پلتفرم میتواند درک عمومی، الگوهای تعامل و تغییرات رفتاری جامعه را قبل و بعد از رویدادهای خاص به صورت آنی ردیابی کند. این سیستم همچنین با تحلیل احساسات (sentiment analysis) روی کامنتهای شبکههای اجتماعی، کیفیت و محتوای نظرات مردم را میسنجد.
استفن یپ به یک نمونه واقعی از کاربرد این فناوری در جریان شیوع انگل سیکلوسپورا (Cyclospora) در تابستان امسال اشاره میکند که از آن به عنوان «بحران کاهو» یاد میشود. یکی از مشتریان فروشگاههای زنجیرهای SQREEM متوجه کاهش سود خود در بخشهایی فراتر از فروش کاهو شد. SQREEM با طرح پرسش در مدل رفتاری بزرگ خود، تلاش کرد تا متوجه شود چه کسانی درباره سیکلوسپورا گفتگو میکنند و دغدغه اصلی آنها چیست. برندها میتوانند داشبورد یا عامل داخلی خود را به SQREEM متصل کنند تا این پلتفرم بخشی از زیرساخت آنها شود.
بررسیهای مدل نشان داد که سه گروه عمده بیشترین تعامل را با این موضوع دارند: افراد مسن، والدین دارای نوزاد و افراد مبتلا به بیماریهای زمینهای. بیشتر گفتگوهای آنها شامل سوالاتی درباره نحوه انتقال این انگل بود؛ برای مثال، آیا انگل میتواند از کاهو به کلم بروکلی در صورت تماس در قفسه فروشگاه سرایت کند؟
با مشخص شدن این دغدغههای اطلاعاتی، فروشگاه زنجیرهای متوجه شد که به جای سکوت، باید فعالانه وارد این گفتگوها شود. این برند استراتژی خود را تغییر داد تا اطلاعات بهتری درباره وضعیت کاهو، سیکلوسپورا و نحوه شستشوی محصولات به مشتریان ارائه دهد.
مرزهای پیشبینی و محدودیتهای مدل
به گفته یپ، هدف نهایی یک بازاریاب درک دقیق هویت مشتری، سوالات آنها و ویژگیهای ارزشمند یک محصول از نظر آنهاست. مزیت LBM در این است که رفتار مصرفکننده را به گونهای تحلیل میکند که پیام مناسب برای تاثیرگذاری بر او را به بازاریاب نشان میدهد.
با این حال، این مدل نیز محدودیتهای خود را دارد. ریس توضیح میدهد که مدل میتواند «پیوندهای عددی» (numeric entanglements) را شناسایی کند که به نتایجی با احتمال بسیار بالا اشاره دارند، اما قادر به پیشبینی هرجومرجهای کاملاً تصادفی نیست. او به شوخی میگوید: «اگر قرار باشد شما در یک روز همزمان رئیسجمهور شوید، طعمه کوسه شوید و صاعقه به شما برخورد کند، حتی بهترین مدل رفتاری بزرگ نیز نمیتواند آن را پیشبینی کند.» برخی از رویدادها به قدری غیرمحتمل هستند که هیچ مدلی قادر به پیشبینی آنها نیست.