Calm ist ein San Francisco-basund Wellness-Unternehmen, das vor allem für seine führende Meditations- und Schlaf-App bekannt ist. Seine Plattform hilft Millionen Menschen, ihre mentale Gesundheit, ihren Schlaf und ihr allgemeines Wohlbefinden zu verbessern.
Herausforderung
Calm wollte seine personalisierten Empfehlungen auf die nächste Stufe heben, um den Nutzern relevantere und ansprechendere Inhalte zu bieten. Amazon Personalize unterstützte zwar bereits die Empfehlungen, aber das Team wollte ein tieferes kontextbezogenes Bewusstsein hinzufügen, um die Genauigkeit und Benutzerzufriedenheit zu verbessern.
Ziel war es, Daten über das Nutzerengagement und detaillierte Inhaltsmetadaten zu nutzen, um Empfehlungen zu erstellen, die nicht nur mit den Vorlieben übereinstimmen, sondern auch persönlich, transparent und auf die Stimmung und den Charakter des jeweiligen Nutzers abgestimmt sind.
Lösung
Firemind entwickelte eine Empfehlungsmaschine, die eine Vektordatenbank, große Sprachmodelle (LLMs) und einen hybriden Suchansatz kombiniert. Diese Architektur bereicherte den Empfehlungsprozess von Calm durch die Generierung detaillierter, kontextbezogener Inhaltsbeschreibungen mithilfe von LLMs.
Die Lösung führte auch erklärbare KI für Empfehlungen ein, bei denen jeder Vorschlag eine maßgeschneiderte Begründung enthielt, in der hervorgehoben wurde, wie er den Bedürfnissen des Nutzers entsprach - was die Transparenz, das Vertrauen und das Engagement erhöhte.
Genutzte Dienste
- Amazon Bedrock
- AWS Lambda
- Amazon DynamoDB
- Amazon OpenSearch
Die Ergebnisse
- 100% der Empfehlungen sind jetzt erklärbar
- 25%ige Verbesserung der Empfehlungsgenauigkeit
- 5 neue Metadateneigenschaften zur besseren Personalisierung hinzugefügt
- Erhöhte Kontextsensibilität bei Empfehlungen
- Verbessertes Vertrauen und Engagement der Nutzer
