Machine learning ranking (MLR) lub inaczej learning to rank lub machine-learned ranking to jedno z zastosowań uczenia maszynowego, które polega na budowaniu systemów rankingowych dla wyszukiwania informacji. Zazwyczaj uczenie jest nadzorowane, częściowo nadzorowane lub jest to uczenia ze wzmocnieniem.
Czym różni się MLR od ML: porównanie
Tradycyjne machine learning rozwiązuje problem przewidywania (klasyfikacja lub regresja) w pojedynczym wystąpieniu naraz. Celem tradycyjnej ML jest stworzenie klasy (zaliczenie do danej grupy/nie zaliczenie do danej grupy) lub pojedynczego wyniku liczbowego dla danej instancji.
Machine learning ranking (MLR) rozwiązuje problem rankingowy na liście pozycji. Celem MLR jest optymalne uporządkowanie tych pozycji. W związku z tym machine learning ranking dba nie tyle o dokładny wynik przypisany danemu elementowi zbioru/listy, ale raczej o względną kolejność wszystkich elementów.
Zastosowania dla machine learning ranking
MLR ma wiele bardzo praktycznych zastosowań. Z niektórymi z nich spotykamy się na co dzień np. wyszukując informacje w popularnych wyszukiwarkach jak np. Google. Wyniki, które otrzymujesz, zostały Ci dostarczone właśnie w efekcie pracy algorytmów MLR.
Bardzo często MLR wykorzystuje też e-commerce. Przykładem są chociażby listy polecanych produktów (listy rekomendacyjne) w sklepach internetowych bazujące na poprzednich zakupach. Podobnie wygląda to na różnych platformach streemingowych. Tam każdy polecany danemu użytkownikowi film/serial znajduje się na rekomendowanych pozycjach właśnie po segregacji listy elementów i podaniu ich we właściwej kolejności.
Machine-learned ranking w chatbotach
MLR można także wykorzystać do przyśpieszania wdrożeń chatbotów. W jaki sposób? W przypadku pewnych braków w konfiguracji MLR może podpowiedzieć najlepszą odpowiedzieć na pytanie użytkownika. I to nawet wtedy, gdy nie odnajdzie idealnie pasujących słów kluczowych w bazie wiedzy. Te podpowiedzi udzielane są właśnie na zasadzie prawdopodobieństwa. Mechanizm MLR jest szczególnie przydatny po uruchomieniu produkcyjnym bota, gdy system konwersacyjny nie działa jeszcze w pełni perfekcyjnie. Zaleca się jednak przy takiej automatyzacji weryfikację działania systemu przez człowieka.
Więcej o MLR: