Calm verbessert personalisierte Empfehlungen mit Generativer KI
Auf einen Blick
Calm ist ein Softwareunternehmen mit Sitz in San Francisco, das eine führende Meditations- und Schlafanwendung herstellt, die den Nutzern hilft, ihre allgemeine geistige Gesundheit und ihr Wohlbefinden zu verbessern.
Herausforderung
Calm wollte das Kundenerlebnis durch personalisierte Inhaltsempfehlungen verbessern.
Lösung
Kombination einer Vektordatenbank, LLMs und eines hybriden Suchansatzes zur Erstellung personalisierter Empfehlungen.
Genutzte Dienste
- Amazon OpenSearch
- Amazon Bedrock
- AWS Lambda
- Amazon DynamoDB
Ergebnisse
- 100% der Empfehlungen sind nachvollziehbar
- 25% genauere Empfehlungen
- 5 zusätzliche Metadateneigenschaften
Geschäftliche Herausforderungen
Bessere Personalisierung von Inhaltsempfehlungen
Calm erkannte die Möglichkeit, seine personalisierten Empfehlungen für Kunden zu verbessern und versuchte, die Verwendung von Large Language Models (LLMs) zu evaluieren, um die Personalisierung von Inhalten und das Benutzererlebnis zu verbessern.
Durch die Verwendung von Amazon Personalise zur Unterstützung von personalisierten Empfehlungen, wollte Calm die Leistung steigern und den Empfehlungsprozess um eine kontextbezogene Ebene erweitern. Das Ziel war es, Benutzerdaten und Inhaltsmetadaten zu nutzen, um relevante und ansprechendere Empfehlungen für die Kunden zu generieren.
Stehst Du vor ähnlichen Herausforderungen?
Wir sind Spezialisten für die Lösung von Problemen mit Daten und KI. Lass uns Dir helfen, die Vorteile der Cloud zu nutzen.
Was unsere Kunden sagen
Höre direkt von denjenigen, die unsere Dienstleistungen in Anspruch genommen haben. Entdecke, wie wir für unsere Kunden den Unterschied gemacht haben.
Lösung
Integration von LLMs für personalisierte Empfehlungen
Das Firemind-Team implementierte eine Lösung, die eine Kombination aus einer Vektordatenbank, LLMs und einem hybriden Suchansatz nutzte, um personalisierte Empfehlungen für Calm-Nutzer zu generieren. Diese Lösung wurde entwickelt, um die Personalisierung von Inhaltsempfehlungen zu verbessern und damit letztlich die Geschäftsergebnisse von Calm zu steigern.
Ein wichtiger Aspekt der Lösung war die Erstellung detaillierter Inhaltsbeschreibungen mithilfe von LLMs. Durch die Einbeziehung der Transkriptdaten und Metadaten, die mit dem Calm-Inhaltskatalog verbunden sind, konnte das Team differenziertere und kontextbezogenere Beschreibungen der einzelnen Elemente erstellen. Dadurch erhielten die LLMs umfangreichere Informationen, auf die sie beim Abgleich der Inhalte mit den Benutzerpräferenzen und Personas zurückgreifen konnten.
Der letzte Schritt der Lösung bestand darin, dass die LLMs Begründungen für die empfohlenen Inhalte lieferten. Diese Erklärungen, die sich direkt an den Benutzer richteten, unterstrichen, wie die vorgeschlagenen Artikel zu seiner Stimmung und seiner Persönlichkeit passten. Diese zusätzliche Ebene der Transparenz und der Personalisierung sollte das Nutzererlebnis verbessern und eine stärkere Bindung an die empfohlenen Inhalte fördern.
Personalisiertes Benutzerprofil
Die Lösung nutzte die jüngste Interaktion des Benutzers mit den Inhalten von Calm, um Empfehlungen für Einzelpersonen auf der Grundlage ihrer Vorlieben zu erstellen.
Ausführliche Beschreibung des Inhalts generiert
Durch die Einbeziehung der Transkriptionsdaten und Metadaten, die mit dem Calm-Inhaltskatalog verbunden sind, konnte das Team nuanciertere und kontextbezogenere Beschreibungen der einzelnen Artikel erstellen, so dass die LLMs beim Abgleich der Inhalte mit den Benutzerprofilen auf umfangreichere Informationen zurückgreifen konnten.
Empfehlungen kommen jetzt mit Nachvollziehbarkeit
Die LLMs lieferten Begründungen für die empfohlenen Inhalte und betonten, wie die vorgeschlagenen Artikel die Stimmung und die Persönlichkeit des Nutzers ergänzten.
Mehr Genauigkeit bei Empfehlungen
Die Kombination aus personalisierten Benutzerprofilen, detaillierten Inhaltsbeschreibungen und dem hybriden Suchansatz führte zu einer 25%-igen Verbesserung der Genauigkeit der Empfehlungen.
Mehrwert
Die Lösung fügte fünf neue Metadaten-Eigenschaften pro Empfehlung hinzu, wie z.B. Titel, Beschreibung, stimmungsbasiert, schlafbasiert und Dauer, was mehr Personalisierung ermöglicht.
Model Spotlight
Anthropic ist ein Forschungsunternehmen für künstliche Intelligenz mit Sitz in der San Francisco Bay Area. Das 2021 gegründete Unternehmen konzentriert sich auf die Entwicklung von sicheren und ethischen KI-Systemen, insbesondere von KI-Assistenten, die in der Lage sind, einen offenen Dialog zu führen und eine breite Palette von Aufgaben zu erfüllen.
Anthropic hat bemerkenswerte Modelle wie Claude entwickelt und erforscht Techniken wie die „konstitutionelle KI“, um seine KI mit robusten ethischen Prinzipien zu versehen. Unter der Leitung eines Teams prominenter KI-Forscher positioniert sich Anthropic als aufstrebender Marktführer im Bereich der nützlichen KI-Entwicklung und setzt sich dafür ein, dass KI-Fähigkeiten im Einklang mit menschlichen Werten entwickelt werden.
Claude 3 Sonett
Wir haben uns für Claude 3 Sonnet entschieden, weil es in der Lage ist, große Datenmengen zu verarbeiten und zusammenzufassen, einschließlich der Transkripte von Calm-Apps. Sein großes Inhaltsfenster generiert detaillierte Nutzerprofile, die für die personalisierte Empfehlungsmaschine von Calm entscheidend sind. Die effiziente Datenverwaltung von Claude 3 Sonnet machte es zum bevorzugten Modell, insbesondere in Kombination mit Mistral, was zu 100% erklärbaren Empfehlungen führt, die die Transparenz und das Vertrauen verbessern.“
Probiere es aus
Entdecke die Calm App
Sie können die Calm App sowohl bei Google Play als auch im Apple App Store herunterladen.
Kontakt aufnehmen
Möchtest Du mehr erfahren?
Hast Du eine bestimmte Fallstudie oder ein Thema gesehen und möchtest mehr erfahren? Oder denkst Du über Dein nächstes Projekt nach? Schreibe uns eine Nachricht!
