MongoDB と Vector Search を活用した、AI 主導のメディア パーソナライゼーション

検出とコンテンツの提案

このソリューションは、ユーザー データ、動作分析、メディアアイテムのベクトル化を利用して、ユーザーのプレファレンスと過去のインタラクションに基づいてコンテンツを提案します。これにより、ユーザーのコミットメントが向上し、無料ユーザーが有料サブスクリプションに変換される可能性が高まります。MongoDB のベクトル検索はkNN 検索を実行し、ベクトルをMongoDBドキュメントに直接埋め込むことでコンテンツを照合する方法を最適化します。つまり、複数のアプリケーションを管理したり、異なるデータベースシステム間でデータを転送したりする必要がないため、アーキテクチャが簡素化されます。さらに、MongoDB のスケーラビリティと回復力により、組織は操作を垂直または水平方向に増やすできます。また、特定の負荷シナリオに適応するために、検索ノードを運用データベースノードとは別個に増やすこともできます。

コンテンツの要約とフォーマット

ユーザーの消費量はさまざまです。このソリューションは簡潔なサマリーを提供し、ユーザーの嗜好とデバイス仕様に基づいてコンテンツの形式を調整します。

キーワード抽出

従来の出版ワークフローでは、キーワードを選択するには、コンテンツ作成者が関連するキーワードを慎重に識別して組み込む必要があります。このプロセスには時間がかかり、人間のエラーが発生する可能性があり、重要なキーワードが無視されると、コンテンツの可視性とコミットメントが低下する可能性があるためです。

このソリューションは、基礎となる LM の支援により、キーワード抽出によって重要な情報を抽出し、ユーザーが主要なニュースディメンションを理解できるようにし、プラットフォーム内のコンテンツの検索可能性を向上させます。 キーワードは、デジタル コンテンツの アクセス パフォーマンスに大きく影響します。

インサイトとドキュメントのオートメーション

このソリューションは、複数の記事から包括的なインサイトとドナーを自動的に生成するため、特定のトピックやイベントについて深く学びたいユーザーに役立ちます。この機能は、1 つ以上の LVM を使用して、複数のソース記事から派生した自然言語出力を生成します。要件を満たす主要言語モデルを統合できます。このプロセスの仕組みは次のとおりです。

• 複数のソースとの統合: システムは Atlas ベクトル検索を使用して、さまざまな記事とデータソースからコンテンツをプルします。このコンテンツはその後、ドキュメントにコンパイルされます。これにより、ユーザーはトピックに関する詳細かつコンテキストに応じた検索をユーザーに提供し、元のコンテンツを超えた展開または分析的な観点を提供するようにキュレーションされます。

• カスタマイズ可能な出力: オーディエンスの設定や特定のプロジェクト要件に基づいてパラメーターを設定することで、システム出力をカスタマイズできます。これには、詳細レベル、技術タームの量、マルチメディア要素を含めるかどうかの調整が含まれます。

このソリューションの主要概念は、売上を維持するために不可欠です。