Pavasario AKCIJA iki 87 % PIGIAU

+ domenas DOVANŲ prie metinių planų

Nuolaidos baigia galioti:

00 :

14 :

00 :

25

Kaip numatome vartotojo elgesį su dirbtiniu intelektu (DI): Zyro Heatmap įrankis

Paleisdami naują produktą tokioje perpildytoje rinkoje, kaip interneto svetainių kūrimas, žinojome, kad Zyro turi išsiskirti tarp populiariausiųjų.

Mūsų produktas buvo tvirtas, tikras, bet mums reikėjo to kažko ypatingo, kad jis išspręstų dar daugiau mūsų klientų problemų. 

Pavyzdžiui, mes žinome, kad daugelis žmonių, norinčių sukurti svetainę ar sukurti internetinę parduotuvę, daug laiko praleidžia perrašinėdami tekstą. Juk ne visi yra rašytojai.

Taigi, naudodami iš anksto apmokytus GPT-2 modelius, sukūrėme „DI teksto rašytojo“ įrankį. Mes buvome tikri, kad galime išspręsti dar daugiau jų problemų, su kuriomis susidūrėme analizuodami rinką. 

Viena iš problemų, labiausiai išsiskyrusių visai Zyro komandai, buvo susijusi su dizainu: kaip mūsų klientai galėtų numatyti savo svetainės lankytojų elgseną, tam neišeikvodami daug laiko ir pinigų? Kaip atspėti, į ką bus labiausiai sutelktas dėmesys lankantis svetainėje?

Žinojimas, kuriose vietose turi būti pateikiama reikiama informacija, ypač CTA, gali padėti padidinti konversijas.

O ar yra geresnis būdas išspręsti šią problemą, jei ne su DI?

Susikurk svetaine su ZYro - baneris

Technologija

Kadangi žinojome, į kokią problemą sutelkėme dėmesį, Zyro dirbtinio intelekto komanda pradėjo darbą: analizavo panašius įrankius ir domėjosi, kaip kiti sprendžia panašias problemas. 

Po dešimčių mokslinių darbų mes atradome kelią į priekį. 

Iš pradžių ketinome naudoti gilius neuroninius tinklus su U-NET architektūra ir krūva vaizdų porų: neapdorotas vaizdas ir dėmesio kaukės vaizdas, kur baltos sritys rodytų didelį potencialų susidomėjimą, o juodos – jokio arba mažą susidomėjimą.

Štai kaip atrodo  U-NET  architektūra:

Štai keletas pavyzdžių:

Kalbant apie dėmesio kaukes, egzistuoja du pagrindiniai būdai joms sukurti.

Pirmiausia, galima naudoti aparatinę įrangą faktiniams akių judesiams stebėti.

Arba galima pasirinkti „BubbleView“, kuris naudoja pelės paspaudimus, kad pamatuotų, kurią informaciją žmonės sąmoningai nusprendžia nagrinėti.

„BubbleView“ veikia taip: vartotojas mato neryškų vaizdą ir gali pajudinti pelę, kad paryškintų nedidelę vaizdo dalį.

Kaip ir su viskuo moksle, yra rimtų argumentų dėl abiejų metodų –  aparatinės įrangos ir „BubbleView“. 

Tačiau, norėjome, kad mūsų funkcija būtų ypač patikima, todėl, vietoj to, sujungėme šių dviejų metodų duomenis.

Neišradinėjome dviračio ir iš naujo duomenų nerinkome. Vietoj to, naudojome atvirai prieinamus duomenų rinkinius ir sujungėme juos į vieną, su kuriuo galėtume mokyti savo neuroninius tinklus.

Tuo metu mes turėjome neuronų tinklo mokymui reikalingą duomenų rinkinį ir jo architektūrą. Atėjo laikas nuspręsti dėl sistemos, kurią galėtume panaudoti, kad ši funkcija taptų realybe. 

Čia, Zyro, neturime griežtos taisyklės, kokią sistemą turėtume naudoti, nes tai visiškai priklauso nuo situacijos ir aplinkybių.

Jei yra iš anksto apmokytas modelis, kuris išsprendžia mūsų problemą ir yra sukurtas naudojant Tensorflow , tada mes naudosime Tensorflow. O jeigu jis buvo pastatytas naudojant Caffe2, tuomet mes naudosime Caffe2. 

Tam mes ir vadovaujamės taisykle „pradėti pamažu ir kartoti daug kartų“, o šios funkcijos atveju manėme, kad PyTorch būtų geriausia sistema, kurią galėtume naudoti.

DI Heatmap įrankis – 1 versija

Norėdami sujungti pirmąją savo įrankio versiją, kurią pavadinome „DI Heatmap“, duomenis suskirstėme į mokymo, patvirtinimo ir testavimo pogrupius. 

Tada pradėjome eksperimentuoti su neuroninio tinklo architektūra. 

Nors pirmiausia pasirinkome U-NET architektūrą, mes taip pat eksperimentavome su skirtingais tinklo gyliais.

Be to, eksperimentavome su mažesne atrankos architektūra, pakeisdami grynąją U-NET architektūrą įvairiais iš anksto apmokytais tinklais, tokiais, kaip VGG16, VGG19 ir ResNet.

Kaip nuostolių funkciją naudojome pasirinktinį kauliukų praradimo  diegimą kartu su dvejetainiu kryžminės entropijos nuostoliu.

Tuomet mes jau turėjome modelį, kuris veikė pakankamai gerai. 

Naudodamas pateiktą vaizdą, mūsų modelis išleidžia juodai baltą vaizdą, kurį paverčiame dėmesio šilumos žemėlapiu

Štai kaip atrodė patys pirmieji DI šilumos žemėlapio bandymai:

Kai tik ši funkcija tapo aktyvi, mes pradėjome sekti savo vartotojų duomenis, kad pamatytume, kaip ši funkcija naudojama, koks jos principas ir koks tikslus jos veikimas.

Mūsų surinkti duomenys leido mums rasti silpnąsias vietas ir jas tobulinti.

Turbūt galvojate: kaip šis Heatmap įrankis gali padėti sukurti svetainę?

Na, aukščiau esančiame paveikslėlyje galima matyti, kurios svetainės dalys sulaukia daugiausia dėmesio – antraštės kopija, moters veidas ir įmonės logotipas. 

Jei mes būtume tokios svetainės savininkai, šis dėmesio žemėlapis mums aiškiai nurodytų pakeisti tinklalapio išdėstymą ir perkelti raginimo veikti mygtuką į viršų. 

Vos keliais paspaudimais žmonės gali pakeisti savo tinklalapį ir pasiekti daug geresnių rezultatų, kalbant apie vartotojo dėmesį ir, tikėkimės, konversijų rodiklį.

Štai patobulinta to paties tinklalapio versija:

Susikurk svetaine su ZYro - baneris

DI Heatmap įrankis – 2 versija

Kai buvo paleista pirmoji „DI Heatmap“ versija, mes iškart pradėjome kurti antrą jos versiją. 

Rinkti duomenys parodė, kad vartotojai susipažino su šia funkcija ir po truputį ryžosi ją išbandyti.

Naudojimo skaičius didėjo, tačiau mes norėjome pagerinti savo modelio tikslumą, kad vartotojai dar labiau pasitikėtų šia funkcija.

Atlikome keletą nedidelių pakeitimų, kurie pagerino „DI Heatmap“ įrankio tikslumą maždaug 5%, tačiau žinojome, kad galime dar geriau.  

Lūžio taškas mums buvo  Uber „CoordConv“ metodas.

Įdiegę „CoordConv“ sluoksnius, mes padidinome savo modelio tikslumą beveik 15% 🚀

Pateikiamas modelis

Kai pradėjome galvoti apie diegimą, mums reikėjo sprendimo, kuris leistų greitai įgyvendinti „DI Heatmap“ įrankio idėją.

Vėlgi, laikydamiesi principo „pradėk pamažu ir kartok daug kartų“, mes pasiūlėme tokį sprendimą: 

Kadangi mes naudojame Google Cloud, buvo prasminga naudoti Google grupes visiems mūsų modeliams ir duomenų rinkiniams saugoti. Norint įdiegti „DI Heatmap“ įrankį reikėjo vienos virtualios mašinos su įgalintu GPU. 

Be to, mes naudojame Python kaip pagrindinę programavimo kalbą, „Starlette“ kaip ASGI sistemą ir „Uvicorn“ kaip ASGI serverį. 

Taigi, čia galite pamatyti schemą, paaiškinančią, kaip mes pateikėme DI Heatmap įrankį:

Šis pateikimas šiuo metu veikia puikiai. 

Ir jei mums kada nors reikės jį išplėsti, galėsime naudoti „Compute Engine“ egzempliorių grupes su Google apkrovos balansavimu.

Susikurk svetaine su ZYro - baneris

DI Heatmap įrankio ateitis

Kaip ir su kiekvienu Zyro įrankiu, nuolat dirbame su „DI Heatmap“ įrankiu, kad galėtume jį dar labiau ištobulinti. 

Visų pirma, mes norėtume padidinti duomenų rinkinį, kurį naudojome „DI Heatmap“ įrankio mokymams, pridedant ne tik įprastus vaizdus (kaip darėme iki šiol), bet ir sutelkiant dėmesį į konkrečius svetainės vaizdus. 

Tai nedelsiant padidintų šio įrankio tikslumą. 

Antra, norėtume toliau eksperimentuoti su modelio architektūra ir ją dar labiau patobulinti.

Svarbu žinoti, kad mes dirbame ne tik su DI Heatmap įrankiu, bet ir su kitais dirbtinio intelekto projektais. 

Vieni iš naujausių mūsų paleistų įrankių yra DI logotipo generatorius   (naudojant GAN) ir automatinis fono pašalinimas Zyro tinklalapyje.

Išbandykite šias funkcijas susikurdami su Zyro jau šiandien!

Susikurk svetaine su Zyro - baneris

Autorius (-ė)

Autoriaus (-ės) avataras

Martina

Martina is an expert in writing about website building and eCommerce, but her real passion is helping others grow their small business online. From solid branding to punchy marketing strategies, you can count on her for the best growth tricks. In her spare time, Martina loves nothing more than a good scoop of ice-cream and a sweaty match of tennis.

Prisijunk prie diskusijos

Tavo el. pašto adresas nebus skelbiamas. Prašome užpildyti visus laukelius.