Mengulas Penerapan AI dalam Mempelajari Kebiasaan Konsumen

Artificial intelligence (AI) kini menjadi komponen utama yang diterapkan oleh beberapa e-commerce dalam mendongkrak laju bisnisnya. Inovasi ini menjadi kunci untuk menjawab berbagai kebutuhan dalam menjangkau konsumen.

Dalam konferensi teknologi START Summit Extension yang diselenggarakan oleh Tokopedia, para pakar teknologi membahas bagaimana peran AI dapat membantu jutaan pengguna dan penjual dalam memenuhi kebutuhannya melalui Tokopedia.

Head of Research Scientist Tokopedia Irvan Bastian menjelaskan, saat ini Tokopedia sudah mengimplementasikan AI di dalam infrastruktur teknologi perusahaan. Dengan menggunakan AI, Tokopedia terus mengembangkan sistem dan fitur untuk dapat mengoptimalkan pengalaman pelanggan.

Beberapa fitur dan inovasi Tokopedia yang telah memanfaatkan teknologi AI adalah fitur ChatBot untuk layanan Tokopedia Care, Intelligent Search, TokoCabang, serta Fast Recommendations terhadap lebih dari 350 juta produk yang sesuai dengan minat dari setiap pengguna Tokopedia.

“Kecerdasan buatan adalah teori dan perkembangan dari sebuah sistem komputer yang mampu melakukan hal-hal yang biasanya memerlukan kemampuan dan otak manusia. AI sendiri terbagi kedalam beberapa stream, yaitu Robotics, machine learning, computer vision, natural language processing, knowledge representation, dan recommendation system,” ujar Irvan, dikutip dari laman Tokopedia, pada konferensi teknologi beberapa waktu lalu.

Terkait recommendation system, Data Scientist Tokopedia Alim Kidar Hanif menjelaskan, bahwa recommendation system digunakan untuk membaca karakteristik dari masing-masing pengguna.

Ketika pengguna tersebut sering membeli atau melihat suatu barang, maka sistem Tokopedia akan merekomendasikan produk lain yang berkaitan dengan apa yang sebelumnya sudah dilihat atau dicari oleh pengguna.

Recommendation system menggunakan machine learning yang dapat melihat semua produk yang ada di Tokopedia. Selanjutnya, mesin tersebut akan menangkap pola-pola yang ada.

“Ketika pengguna mengklik satu produk, maka pola tersebut akan dilihat oleh pola yang berada di dalam machine learning. Jika produk berkaitan dan sesuai, maka rekomendasinya akan dikirim,” kata Alim.

Lebih lanjut, Alim memaparkan bahwa recommendation systems playbook di Tokopedia digunakan dengan dua metode, yakni session-based recommendation dan ranking based recommendation. Kedua tahap tersebut digunakan dalam menentukan pola aktivitas pengguna, sehingga nantinya machine learning dapat memberi rekomendasi produk yang sesuai.

Session-Based Recommendation digunakan untuk merekomendasikan produk berdasarkan kedekatan vektor dari produk yang dibuat dengan data session, di mana data session itu sendiri merupakan semua aktivitas yang dilakukan oleh setiap user dalam periode waktu tertentu.

Permasalahan atau isu yang bisa diselesaikan dengan stage ini biasanya adalah ketika barang yang dicari pengguna tidak ready, atau ketika pengguna ingin mengganti varian produk lain.

Abe Vallerian yang merupakan Data Scientist Lead Tokopedia melanjutkan penjelasan tentang ranking based recommendation. Model ini lebih akurat dalam merekomendasikan suatu produk ke masing-masing user. Hal ini dikarenakan model tersebut tidak hanya menggunakan product features saja, melainkan juga memakai user feature yang memungkinkan untuk menangkap interaksi antar fitur tersebut.

Pada tahap ini, algoritma atau metode yang dipakai adalah tree-based model, yaitu dengan binary classification problem. Selain itu, model ini tidak memakai satu pohon/tree saja, melainkan menggunakan banyak pohon dengan teknik Gradient Boosting.

Dengan teknik Gradient Boosting, pohon yang satu dapat mengoreksi kesalahan dari pohon lainnya. Ranking-based recommendation dibutuhkan untuk menghitung peluang pengguna yang akan mengklik suatu produk, sehingga nantinya peluang ini akan dibuat menjadi ranking untuk menentukan produk mana yang dapat direkomendasikan paling pertama.

Pada kesempatan yang sama, Computer Science Lecturer Universitas Indonesia Adila Krisnadhi menjelaskan sepitar knowledge graph. Knowledge graph merupakan sebuah teknik yang digunakan oleh recommendation systems, di mana setiap permasalahan yang dipecahkan oleh AI akan melalui tahapan proses recommendation task.

Proses ini memungkinkan kita untuk melihat permasalahan secara komputerisasi, dan yang di mana permasalahan dasarnya adalah recommendation task.

Recommendation Task memungkinkan kita untuk memprediksi atau melakukan estimasi terhadap pola dan perilaku user, apakah user tersebut akan melakukan pembelian, mengklik suatu produk, atau akan memberi rating pada produk tersebut.

Untuk dapat memprediksikannya, Adila menjelaskan bahwa terdapat dua cara, yakni dengan Content-Based, yaitu untuk merekomendasikan item berdasarkan kemiripan produk yang sudah diminati atau dibeli user, dan Collaborative Filtering, yaitu merekomendasikan item yang mirip dengan apa yang diminati antara satu pengguna dengan pengguna yang lain.

Dipaparkan lebih lanjut, knowledge graph tidak hanya digunakan untuk melakukan rekomendasi, melainkan juga dapat digunakan untuk enable integration, context enrichment, and inferencing. Knowledge graph yang memungkinkan integration pada dasarnya berkaitan dengan konsep keterkaitan atau penghubung antara sumber-sumber data yang berbeda namun tetap terintegrasi satu sama lain.

Kemudian, context enrichment juga dapat menghasilkan pengetahuan (knowledge) dari hal-hal yang berkaitan dengan satu item atau produk yang sebelumnya ada pada pencarian, lalu kemudian item tersebut dijadikan basis pengetahuan untuk memperkaya rekomendasi selanjutnya.

“Sedangkan interferencing adalah untuk menangkap Knowledge Graph berdasarkan penalaran logika atas keterkaitan suatu data,” katanya.

Recommendation systems dan knowledge graph memiliki fungsi dan kelebihannya masing-masing. Dengan recommendation systems, kita dapat mencari pencarian yang lebih relevan. Sedangkan knowledge graph merupakan jembatan yang membantu kita untuk memperkaya hubungan antara setiap item.

Dipaparkan lebih lanjut, Knowledge Graph tidak hanya digunakan untuk melakukan rekomendasi, melainkan juga dapat digunakan untuk enable integration, context enrichment, and inferencing. Knowledge Graph yang memungkinkan integration pada dasarnya berkaitan dengan konsep keterkaitan atau penghubung antara sumber-sumber data yang berbeda namun tetap terintegrasi satu sama lain.

Kemudian, context enrichment juga dapat menghasilkan pengetahuan (knowledge) dari hal-hal yang berkaitan dengan satu item atau produk yang sebelumnya ada pada pencarian, lalu kemudian item tersebut dijadikan basis pengetahuan untuk memperkaya rekomendasi selanjutnya. Sedangkan interferencing adalah untuk menangkap Knowledge Graph berdasarkan penalaran logika atas keterkaitan suatu data.

Recommendation Systems dan Knowledge Graph memiliki fungsi dan kelebihannya masing-masing. Dengan Recommendation Systems, kita dapat mencari pencarian yang lebih relevan, sedangkan Knowledge Graph merupakan jembatan yang membantu kita untuk memperkaya hubungan antara setiap item.

Selanjutnya, Dr. Fariz menjelaskan tentang bagaimana keduanya dipadukan untuk memperkaya hasil pencarian yang efisien. Apabila sebelumnya kita dapat melihat hubungan antara satu user dengan satu item, ternyata dibalik item tersebut juga terdapat keterkaitan satu sama lain.

Item tersebut memiliki background yang dapat dibaca dengan knowledge graph, sehingga memungkinkan pengguna mendapat rekomendasi produk yang berkaitan dengan background dari produk yang sebelumnya dicari atau dibeli. Pada akhirnya, perpaduan antara recommendation systems dan knowledge graph dapat memperkaya rekomendasi produk.