פיתוח מערכת בינה מלאכותית להתאמה אישית של תוכן באתר

מדוע התאמה אישית של תוכן נתקעת בכללים ידניים

הגדרה ידנית של בלוקים מתחילה בדרך כלל בפלחי מבקרים: עיר, מקור הגעה, סוג מכשיר, היסטוריית הזמנות. כל עוד יש שלושה-ארבעה תנאים, עץ הכללים עוד קריא. ברגע שמוסיפים מאפיין התנהגותי או קטגוריית מוצר חדשה, מספר הצירופים גדל בכפל — והתחזוקה של סכמה כזו הופכת לעבודה קבועה נפרדת.

הפלחים, עם זאת, חיים יותר זמן מהמבחר. הקטגוריה שונתה, המוצר אזל מהמלאי, הופיעה סדרה חדשה — והכלל ממשיך להפנות למערך הישן ומציג מדף ריק או לא רלוונטי. אף אחד לא הולך לכבות אותו במיוחד, והשגיאה צפה רק בדוחות, כשהבלוק נראה במשך שבועות על ידי המבקרים הלא נכונים.

צוואר הבקבוק השני — ההקשר של העמוד. הבלוק מוגדר לתבנית כולה, ולכן אותה בחירת חומרים באתר מוצגת גם בסקירה, גם בכרטיס המוצר וגם במדור המשלוחים. התאמה אישית של תוכן בצורה כזו עונה על השאלה «מי הגיע», אבל לא על השאלה «למה הוא בעמוד הזה».

בשלב הבא נתקעת המערכת. בין פרסום החומר לבין הכנסתו לבחירה יש מחזור ידני: לאשר, לפתוח כלל, לבדוק, להעלות. עד שהוא עובר, הנושא כבר התקרר. גם משוב אין: הכלל לא יודע שהבלוק לא נפתח, וממשיך להיות מוצג באותה תדירות.

בסך הכול מתקבלת תקרה צפויה: ככל שיש יותר פלחים וחומרים, כך התחזוקה תובענית יותר והתפוקה מפגרת יותר אחרי מצב הקטלוג בפועל. נסביר איך זה נסגר — באמצעות מודל שאוסף את הבחירה בעצמו ומתעדכן לפי התנהגות, ולא לפי עריכות באדמין.

מה משתנה לאחר הטמעת בחירת חומרים מבוססת בינה מלאכותית

כל עוד העורך אוסף את הבחירה, השפעת ההתאמה האישית מוגבלת לזמן שלו: עשרה חיבורים ידניים בשבוע — זו תקרה שלא מתאימה את עצמה לקצב התנועה.

בחירה אוטומטית מסירה את המגבלה — הקרבה בין חומרים מחושבת לפי מה שנקרא ולפי פרופיל המבקר, הבחירה פועלת מעל אינדקס החיפוש ב-Elasticsearch, והמערכת עוברת מאיסוף ידני להגדרת כללים ולטיפול בחריגים.

מה שאנחנו קובעים במדידות כמה שבועות אחרי ההשקה:

• שיעור המעברים לעומק האתר. לפני ההטמעה, על החומר הראשון סיימו את הביקור около 80% מהמבקרים; אחרי — כל שלישי עובר לחומר השני והשלישי.
• עומק הצפייה. 2.1 עמודים לביקור הופכים ל-3.2–3.5: מעורבות המבקרים גדלה הודות לחיבורים רלוונטיים, ולא בזכות באנרים קופצים.
• זמן הכנת הבחירות. שעות של עבודה ידנית על הבלוק «קראו גם» מתקצרות ל-10–15 דקות: צוות המערכת רק מאשר או מסיר את מה שהמערכת מציעה.
• סוג הכשל «לכולם מציגים את אותו הדבר». הוויטרינה מפסיקה להיות סטטית: מבקר חדש רואה את הפופולרי, מבקר חוזר — המשך של הנושא, ולא את אותה רשימה.
• פריקת עומס מהמערכת. השעות שהתפנו עוברות לחומרים חדשים, ולא לקישור ידני בין מדורים.

את המדידות אנחנו מבצעים בפרויקטים שלנו ומשווים חלונות זמן ברי-השוואה לפני ואחרי ההשקה, כדי להפריד את השפעת הבחירה האוטומטית מעונתיות ומפרסומים חד-פעמיים. כך רואים מה נתנה בדיוק ההתאמה האישית, ומה — גורמים חיצוניים.

תרחישי בחירה: כללים, מודלים, סכמה היברידית

סכמת הבחירה נבחרת לא לפי «חדשנות» המודל, אלא לפי נפח הנתונים שנצברו ומגוון הקטלוג. כללי הצגה נותנים תוצאה מוסברת ומשוחזרת, אבל עוברים בקושי לתוכן חדש: כל שילוב תנאים צריך להוסיף ידנית.

מודל בחירה התנהגותי מסיר את השגרה הזו, אבל נתקע ב«התחלה קרה» ובחומרים נדירים. לכן בפועל משווים חמישה וריאנטים עובדים — מפלחים ידניים ועד שירות בחירה חיצוני מוכן.

סביר להתחיל מכללים ומדידת התועלת שלהם, ולעבור להמלצות היברידיות ככל שמצטברת היסטוריית פעולות. את הכללים לא זורקים — הם נשארים מסגרת וסדרי עדיפויות, שבתוכם המודל מדרג מחדש את התפוקה, והמדדים מראים איזו שכבה באמת משפיעה על ההתנהגות.

איך אנחנו מטמיעים התאמה אישית של תוכן: מביקורת ועד השקה

התאמה אישית נשברת לעתים קרובות לא במודל, אלא לפניו: אם ביומני האירועים אין מקור הגעה וסימון מטרה, והמאפיינים נאספים רק אחרי הצגת הבלוק, המודל מציג מספרים יפים על מדגם האימון ואפקט אפסי על תנועה חיה. לכן רצף העבודה קבוע — קודם מבררים מה בכלל אפשר לחזות ברגע ההצגה, ורק אחר כך בונים את מערכת הבחירה.

1. ביקורת נתוני האתר. מפרקים אילו אותות כבר נאספים: אירועי צפייה, חיפוש, היסטוריית פניות, הקשר הביקור. בודקים את שיעור השדות הריקים, פערים ברשומות והשהיה בין הפעולה להופעתה במאגר. התוצאה — מפת מאפיינים: מה זמין ברגע ההחלטה, ומה מגיע מאוחר מדי.

2. מטרה וסכמת מאפיינים. קובעים מה מייעלים — קליק, עומק צפייה או פנייה — ומחלקים את המאפיינים לפי זמן הזמינות, כדי שלא ייכנסו לאימון נתונים מהעתיד.

3. הרכבה ואימון. מכינים ויטרינה, מאמנים כמה וריאנטים ומשווים אותם על תקופה נפרדת. לוקחים לא את הטוב ביותר בהתפרצות אחת, אלא את היציב בכמה חתכים.

4. השקה בצל של המודל. המערכת מחשבת המלצות על תנועה חיה, אבל המבקרים רואים את הלוגיקה הקודמת. בודקים את שיעור הפערים ומעריכים עד כמה הצעות המודל רלוונטיות יותר מהנוכחיות.

5. קבוצת ביקורת. מחלקים את התנועה לביקורת וטסט ובודקים עלייה במדד המטרה יחד עם היעדר ירידה בשאר. זה מפריד אפקט אמיתי מתנודות עונתיות.

6. הפעלה מדורגת. חלק התנועה גדל בשלבים, עם חזרה אוטומטית ללוגיקה הקודמת אם המדדים חורגים מהגבולות שהוגדרו.

7. מסירה לליווי. מוסרים קונפיגורציות, נוהל אימון מחדש, פאנל מדדים והדרכת צוות הלקוח — אפשר לפתח את המערכת בלעדינו.

מארז ארטיפקטים: סכמות, הרשאות, נהלים, תיעוד

התאמה אישית חיה לא בקוד, אלא בכללים ובפרמטרים: מערך האותות, המשקלים שלהם, ספי ההצגה, הרשאות התפקידים. לכן יחד עם המערכת אנחנו מוסרים מארז שלפיו המהנדסים שלכם יוכלו לתפעל אותה, לשנות את לוגיקת הבחירה ולהוציא אותה מפעילות בלי התמיכה שלנו. להלן מה שנשאר אצלכם בידיים.

• סכמת נתונים וזרימות: אילו אירועים נאספים (צפיות, חיפוש, השוואה, הזמנות), היכן נשמרים הפרופילים, מה ובאיזו השהיה נכנס לויטרינה לבחירה.
• תיאור המאפיינים והלוגיקה של הדירוג: אילו אותות משתתפים, איך מחושבים המשקלים, מה מוצג למשתמש חדש בלי היסטוריה.
• קונפיגורציה של שירות הבחירה: מתגי מצבים, ספי הצגה, כללי חריגים וקיבועים ידניים, נקודות שבהן הפרמטרים משתנים בלי הרכבה מחדש.
• מדיניות גישה ותפקידים: מי רואה אירועים גולמיים, מי עורך משקלים וספים, מי רק קורא דוחות, איך מנוהל יומן שינויים.
• נוהל עדכון המודל: תדירות האימון מחדש, רשימת הבדיקות לפני העלאה, מדדים שמהם והלאה העדכון נחסם.
• נוהל חזרה אחורה: איך מחזירים גרסה קודמת, תוך כמה זמן, מי מקבל את ההחלטה ומה קורה לבלוקים שכבר הוצגו.
• נראות: אילו מדדים נאספים, אילו ספים נחשבים להידרדרות, למי ואיך מגיעה התראה.
• תיעוד המערכת: מפת רכיבים, סכמות אינטגרציות, תיאור סביבות, סדר ההפעלה והקבלה.
• הוראות למערכת: איך להגדיר בחירות מבצעיות, איך הן מתקיימות לצד האוטומציה ואיך מסירים כלל ידני.

מקרה בוחן: איך גדל עומק הצפייה בפורטל חדשותי

מה היה ומה שינו

המערכת אספה בלוקים של «קראו גם» ידנית: עורך תורן פעם במשמרת הוסיף 5–6 קישורים לכל חומר, והבחירות גבו 3–4 שעות. עומק הצפייה נשמר על 1.8 עמודים, 6% מהמעברים עברו לחומרים קשורים, ובפידים ארוכים החיבורים חזרו על עצמם — הקורא נתקל באותם טקסטים.

את הבחירה פיצלו לשני שכבות: דמיון סמנטי בין טקסטים — לפי וקטורים של כותרת וליד, והתנהגותי — לפי היסטוריית הביקורים של הקורא. לחומרים טריים ניתן משקל מגדיל, ולאלה שנתקעו בטופ — משקל מקטין, והעורך שמר לעצמו 2–3 עמדות ידניות לבלוק. את התגובה ספרו לפי מעברים והשלמות קריאה, ולא לפי חשיפות.

מדדים בקבוצת ביקורת

את המדידות ביצעו בקבוצת ביקורת: 10% מהתנועה קיבלו במשך שבועיים את הבחירות הידניות הקודמות, והשאר — בחירות אישיות. עומק הצפייה עלה מ-1.8 ל-3.1 עמודים, שיעור המעברים לחומרים קשורים — מ-6% ל-19%, וחזרות בתוך יממה — בשליש. הרכבת הבחירות הצטמצמה מ-3–4 שעות במשמרת ל-20–30 דקות: העורך רק מאשר או מסיר את החיבורים המוצעים.

בעל המוצר «וצ'רני גורוד» מנסח זאת כך: «ציפינו לעלייה בעומק הצפייה, אבל חשוב יותר היה משהו אחר — המערכת הפסיקה לבזבז משמרת על הרכבה ידנית של חיבורים ועברה לטקסטים. התאמה אישית לא מתנגשת עם סדר היום המערכתי: נעיצה של העורך תמיד גבוהה מהדירוג המכונתי».

במה שונה מודל המלצות מכללי הצגה?

כללי הצגה הם מערך תנאים שנכתבו ידנית: אם המבקר הגיע מחיפוש וכבר צפה בקטגוריה, מציגים בלוק עם חומרים דומים; אם הסל ריק יותר מדקה — בלוק עם משלוח. הלוגיקה דטרמיניסטית: כל תפוקה אפשר להסביר, לשחזר ולנפות, והתנהגות הבלוק לא משתנה בלי עריכת קונפיגורציה.

הבעיה מתחילה עם גידול הקטלוג ומספר הפלחים. התנאים הולכים ומתרבים, ביניהם צצים קונפליקטים של עדיפויות, וכל מדור חדש דורש עוד עריכה ידנית. אחרי כמה איטרציות כבר אף אחד לא יגיד למה למבקר מסוים הוצג דווקא הבלוק הזה — הכללים עובדים, אבל מפסיקים להתרחב.

מודל המלצות בונה קשרים בין חומרים למבקרים לפי התנהגות בפועל: צפיות, מעברים, הוספות למועדפים, זמן שהייה. הקשרים האלה מחושבים מחדש באופן קבוע, ולכן חומר חדש נכנס לתפוקה בעצמו, ושילובים שהאנליסט לא תכנן נמצאים לפי הנתונים. כאן ההבדל בין הגישות נעשה מדיד: כללים עונים על «מה החלטנו מראש», ומודל — על «מה שההתנהגות אישרה».

מה שהמודל דורש — נתונים ומשמעת. צריך נפח אירועים שמספיק לקשרים יציבים, ניקוי אותות אשפה והגנה מפני ניפוח מלאכותי, נוהל עדכון וניטור איכות: אם הטעמים של הקהל זזים, התפוקה נסוגה בשקט, בלי שגיאות בלוגים. בנוסף יש התחלה קרה — על מבקר חדש אין עדיין אותות, וכאן אותם כללים משמשים כרשת ביטחון.

בפועל הגישות לא מתחרות. הכללים נשארים שלד: מגבלות קשיחות, תוכן עצור, בלוקים מחייבים. המודל פועל בתוך המתאר הזה ומחשב מחדש את ההתאמה האישית — אנחנו צוברים אירועים ובהדרגה מוסרים לו את אותו חלק בתפוקה שבו הוא מנצח במדדים.

שאלות נפוצות על נתונים, מודלים ועומס

לפני ההתחלה הלקוח בודק בערך את אותו הדבר: האם ההיסטוריה המצטברת של ההתנהגות מספיקה, מה לעשות עם נתונים אישיים, איך ההתאמה האישית תשתלב באתר הנוכחי והאם זמן התגובה של העמוד לא יירד.

אנחנו עונים לא במילים כלליות, אלא בחישוב על הנתונים שלכם — נפח האירועים, שיעור המשתמשים עם היסטוריה, מבנה הקטלוג, נקודת ההשתלבות: סימון, שכבת שרת או שאילתה למאגר הבחירות.

להלן תשובות לספקות שעולים לרוב לפני חתימה על תוכנית העבודה. אם המקרה שלכם לא תואם את הטיפוסי, תארו את המשימה — נחזור עם הערכה וסכמה.

איך המערכת מתמודדת עם נתונים אישיים?

אל המודל עוברים מזהים אנונימיים, אירועים ואגרגטים — לא שמות, טלפונים וכתובות. תקופות השמירה וסדר המחיקה נקבעים בתיעוד, ובקשה למחיקת משתמש מנקה את ההיסטוריה שלו ומפעילה הרכבה מחדש של המאפיינים.

האם זה ישתלב באתר הנוכחי ולא יאט אותו?

הבחירה מוחזרת ממאגר מוכן, ולא מחושבת מחדש בכל הצגת עמוד, ולכן זמן התגובה לא גדל. ההשתלבות נעשית בתבניות הקיימות; אם רכיב חיצוני אינו זמין, מופעל חזרה לבלוק סטטי — העמוד מוגש במלואו, בלי בחירה אישית.

איך להשתכנע שההתאמה האישית עובדת?

משיקים בהדרגה: חלק מהתנועה עובר ללוגיקה החדשה, וחלק — לתפוקה הנוכחית. את הקבוצות משווים לפי עומק צפייה, מעברים לרמה שנייה ופעולת מטרה — זה מסיר את השפעת העונתיות ואפקט החדשנות.

מה נכלל בליווי אחרי ההשקה?

עוקבים אחרי שיעור התפוקות הריקות ואיכות הבחירות, בין השאר אחרי החלפת מבחר או מבנה הקטלוג. אימון מחדש מתבצע לפי לוח זמנים ולפי טריגר, כשהמדדים סוטים מהמצופה; לפני שחרור מריצים רגרסיה על נתונים היסטוריים.

נדון במשימה ונחזור עם תוכנית הטמעה

הערכת פרויקט התאמה אישית מתחילה לא בבחירת מודל, אלא בנתונים שלכם: בלי היסטוריית התנהגות, סימון מדורים והבנה של מדדי מטרה, כל ארכיטקטורה תישאר ניחוש. לכן להתחלה נדרש סט מינימלי אבל קונקרטי של נתוני פתיחה — לפיו אנחנו מחשבים את היקף העבודה והסיכונים, ולא ממוצעים בשוק.

• ייצוא אנליטיקה לתקופה אופיינית: אירועי צפיות, מעברים, חיפוש, הוספות למועדפים;
• רשימת המדורים והבלוקים באתר שבהם התוכן צריך להשתנות לפי המשתמש, עם עדיפות;
• מדדי מטרה: מה נחשב להצלחה — עומק הביקור, ביקורים חוזרים, המרה לפנייה;
• מגבלות: מה אסור לשנות בתבנית הנוכחית ובמערכת ניהול התוכן, דרישות לשמירה ואנונימיזציה של נתונים אישיים;
• בעל ההחלטה בצד שלכם — איתו נתאם נקודות שנויות במחלוקת בלי עיכובים;
• סכמת הנתונים הנוכחית: מאיפה מגיעים החומרים ובאיזו תדירות הם מתעדכנים.

בתגובה אתם מקבלים לא מצגת סקירה, אלא מסמך עבודה: תוכנית הטמעה לפי שלבים עם נקודות בדיקה, הרכב הצוות לכל שלב, רשימת דרישות לתשתית שלכם וגבולות — מה נכנס בשלב הראשון ומה נדחה במכוון.

תארו את המשימה וכתבו מה כבר יש — נחזור עם הערכה ותוכנית הטמעה.