Recommendation Engines

Olvasói vélemények

Az ajánlómotorokról szóló könyv általában jó fogadtatásban részesül a lebilincselő írásmódja, a releváns, valós példák és a lényegre törő tartalom miatt. Kiváló alapműként szolgál a kezdők számára, és a téma számos filozófiai, történelmi és technikai aspektusát tárgyalja. Egyes olvasók azonban feleslegesen bonyolultnak találják, hiányolják a technikai részleteket, és úgy érzik, hogy a cím félrevezető, mivel a gyakorlati koncepciók helyett a történelmet hangsúlyozza.

Magával ragadó írásmód, releváns valós példák, átfogó áttekintés az ajánlómotorokról, kezdőknek is kiváló, elgondolkodtató fejezetek, további források a továbbtanuláshoz.

Helyenként szükségtelenül bonyolult és elvont, hiányoznak a technikai megvalósítás részletei, egyes fejezetek ismétlődő bolyongásokat tartalmaznak, a cím félrevezető lehet, mivel a történelemre összpontosít a koncepciók helyett, és jobb szerkesztésre szorul.

(16 olvasói vélemény alapján)

Könyv tartalma:

Hogyan tudják az olyan cégek, mint az Amazon és a Netflix, hogy mi az, ami "neked is tetszhet" - az online ajánlómotorok története, technológiája, üzleti és társadalmi hatása.

A technológiák egyre inkább jobb, gyorsabb, okosabb és személyesebb tanácsokat adnak nekünk, mint a saját családunk és legjobb barátaink. Az Amazon már tudja, hogy milyen könyveket és háztartási cikkeket szeretsz, és szívesen ajánl még többet.

A YouTube és a TikTok mindig újabb videót sorakoztat fel, hogy megmutassa neked.

A Netflix összeszedte a nézési szokásainak számait, hogy egész műfajokat javasoljon, amelyeket élvezne. Az MIT Press Essential Knowledge sorozatának e kötetében Michael Schrage innovációs szakértő elmagyarázza az ajánlómotorok eredetét, technológiáit, üzleti alkalmazásait és növekvő társadalmi hatását, valamint azokat a rendszereket, amelyek lehetővé teszik a vállalatok számára, hogy világszerte megtudják, milyen termékek, szolgáltatások és élmények "tetszenek Önnek is".

Schrage az ajánlás történetét mutatja be, amely egészen az ókori orákulumokig és asztrológusokig nyúlik vissza.

Ismerteti az ajánlómotorok tudományos eredetét és kereskedelmi fejlődését.

Megmagyarázza, hogyan működnek ezek a rendszerek, tárgyalja a legfontosabb matematikai felismeréseket, beleértve a gépi tanulás és a mélytanulási algoritmusok hatását.

És kiemeli a felhasználói élménytervezés kihívásait. Rövid, de lényegre törő esettanulmányokat kínál a Spotify digitális zenei szolgáltatásról.

ByteDance, a TikTok tulajdonosa.

És a Stitch Fix online személyi stylistról. Végül Schrage a technológiai ajánlóprogramok jövőjéről elmélkedik: Csalódottak és függők leszünk-e tőlük - vagy segítenek majd abban, hogy újszerű és szerencsés módon fedezzük fel a világot és önmagunkat?