Sistemas de recomendación: aplicaciones y ejemplos

Los sistemas de recomendación benefician tanto a las empresas como a los clientes al utilizar datos para personalizar las experiencias. Ayudan a impulsar las ventas, aumentar la fidelización de los clientes y reducir la deserción al simplificar las opciones y mantener a los usuarios comprometidos.

Realizamos pruebas comparativas con tres bibliotecas de recomendación de Python: LightFM, Cornac BPR y TensorFlow Recommenders, utilizando el mismo conjunto de datos de retroalimentación implícita y los mismos pasos de preprocesamiento.

Entrenamos cada modelo con los mismos datos, los evaluamos usando AUC, Precision@10 y Recall@10, y comparamos su capacidad para clasificar y recuperar elementos relevantes en las recomendaciones top-k.

Las mejores bibliotecas de Python para sistemas de recomendación

Estas bibliotecas implementan algoritmos de aprendizaje automático para procesar datos de entrenamiento y generar recomendaciones personalizadas mediante técnicas de filtrado colaborativo o basado en contenido. Además, implementan modelos de aprendizaje automático para analizar datos y descubrir patrones, lo que permite al motor de recomendaciones sugerir elementos relevantes según el comportamiento y las preferencias del usuario.

Resultados de la comparativa LightFM vs Cornac BPR vs TensorFlow

Sistemas de recomendación de TensorFlow Obtuvo el mejor rendimiento. Su arquitectura de aprendizaje profundo le permite capturar relaciones más complejas entre usuarios y elementos. LightFM, que funciona bien cuando hay metadatos disponibles, no tuvo un rendimiento tan sólido en este caso porque solo utilizamos datos de comportamiento; aun así, superó a BPR. Cornac BPR tuvo la menor calidad de recomendación, lo que lo hace más adecuado para experimentos rápidos o aplicaciones a pequeña escala.

Utilizamos nuestra metodología de evaluación comparativa de motores de recomendación para probar LightFM, Cornac BPR y TensorFlow.

¿Qué es un sistema de recomendación?

Un sistema de recomendación es una herramienta diseñada para ofrecer sugerencias personalizadas a los usuarios en función de sus preferencias, comportamiento e interacciones con una plataforma. Estos sistemas analizan datos como el historial de compras, el historial de navegación, la información demográfica del usuario y el contexto para ofrecer contenido relevante. A continuación, se muestran los tipos más comunes de sistemas de recomendación:

Técnicas de filtrado colaborativo:

• Basado en patrones de interacción entre usuarios y artículos.
• Incluye filtrado colaborativo basado en usuarios (para encontrar usuarios similares) y filtrado colaborativo basado en elementos (para encontrar elementos similares).
• Ideal para comercio electrónico y servicios de streaming.

Técnicas de filtrado basadas en el contenido:

• Se centra en los atributos de los elementos (características del elemento) y en las interacciones pasadas del usuario (preferencias del usuario).
• Ideal para identificar los intereses específicos del usuario objetivo.

Sistemas de recomendación híbridos:

• Combine el filtrado colaborativo con los métodos basados en el contenido.
• Utiliza modelos de aprendizaje automático, como redes neuronales profundas y redes neuronales recurrentes, para mejorar las predicciones.

Conceptos clave de los sistemas de recomendación

Conceptos básicos de factorización matricial

La factorización matricial es una técnica fundamental en el filtrado colaborativo. Consiste en descomponer una matriz grande de interacción usuario-elemento (por ejemplo, calificaciones o clics) en matrices más pequeñas que capturan patrones o relaciones ocultas, denominadas características latentes.

Este enfoque ayuda a reducir la complejidad de los datos y a descubrir información valiosa, como la preferencia de un usuario por géneros específicos o el atractivo de un artículo para un grupo en particular.

Comprender los datos implícitos

Los datos implícitos se refieren a indicadores indirectos de las preferencias del usuario, obtenidos a partir de su comportamiento en lugar de comentarios explícitos como las calificaciones con estrellas. Algunos ejemplos de datos implícitos incluyen la tasa de clics, el tiempo de permanencia en una página, el historial de compras y los patrones de búsqueda.

Este tipo de datos es más fácil de recopilar a gran escala y suele reflejar la interacción real con el usuario. Sin embargo, puede ser impreciso o ambiguo, por ejemplo, al interpretar si una visita prolongada a una página indica interés o distracción.

Aprendizaje profundo en recomendaciones

El aprendizaje profundo respalda los sistemas de recomendación mediante el análisis de datos complejos y multidimensionales utilizando redes neuronales. Es particularmente eficaz para recomendaciones basadas en sesiones, comprensión de contenido y sugerencias contextuales que tienen en cuenta el tiempo, la ubicación o el estado de ánimo del usuario.

Estos métodos pueden procesar grandes cantidades de datos no estructurados, como texto, imágenes y vídeos, aprendiendo relaciones complejas entre las características.

Enfoques de recomendación híbridos

Los sistemas de recomendación híbridos combinan diferentes técnicas, como el filtrado colaborativo, el filtrado basado en contenido y los enfoques basados en el conocimiento. Esta integración mejora la precisión y aborda desafíos como el problema del arranque en frío (usuarios o elementos nuevos) y la escasez de datos.

Tutorial: cómo crear un sistema de recomendaciones con LightFM

En este tutorial, crearemos un motor de recomendaciones con LightFM, aprovechando los datos implícitos de las interacciones entre usuarios y productos. Estos datos de entrenamiento, que incluyen diversos tipos de información de clientes, ayudan al modelo a aprender las preferencias de los usuarios y a realizar predicciones precisas.

El modelo LightFM que desarrollamos predice qué productos es probable que un usuario vea, estimando sus posibles interacciones con artículos que aún no ha visto. El modelo analiza los datos para realizar estas predicciones precisas, garantizando que las recomendaciones se adapten al comportamiento del usuario.

Requisitos previos

Antes de comenzar, asegúrese de tener instaladas las bibliotecas necesarias. Si no las tiene, puede instalarlas mediante pip:

Para sistemas de recomendación más avanzados, también pueden ser necesarias bibliotecas de procesamiento del lenguaje natural.

Descripción general del conjunto de datos

En este tutorial, utilizaremos un conjunto de datos de comercio electrónico minorista, que contiene información sobre las interacciones de los usuarios con los productos. El conjunto de datos incluye las siguientes columnas:

• visitorid: Un identificador único para el visitante (usuario).
• itemid: Un identificador único para el artículo (producto).
• evento: El evento de interacción, en este caso, solo nos interesan los eventos de 'vista'.

El conjunto de datos también puede contener datos no estructurados que necesitan ser procesados.

Un ejemplo de entrada en el conjunto de datos se vería así:

Para simplificar, filtraremos únicamente los eventos de "visualización" en los que los usuarios hayan interactuado con los productos. Luego, utilizaremos esta información para construir el modelo de recomendación.

Guía del sistema de recomendaciones paso a paso

1. Cargar y preparar los datos

Primero, debemos cargar el conjunto de datos y preprocesarlo para el entrenamiento. Las columnas clave que necesitamos son visitorid, itemid y event. También filtraremos los eventos de "vista" y convertiremos las variables categóricas (visitorid e itemid) en códigos numéricos para optimizar el uso de la memoria.

Cargar el conjunto de datos:

Filtrar solo los eventos de 'visualización':

Convierta visitorid e itemid a tipo categoría para ahorrar memoria:

2. Crear la matriz usuario-elemento

A continuación, convertiremos las columnas visitorid e itemid a representaciones numéricas y construiremos una matriz dispersa que servirá como entrada para el modelo LightFM. Usaremos scipy para crear la matriz dispersa, lo cual resulta eficiente en cuanto al uso de memoria para conjuntos de datos grandes.

Convertir visitorid e itemid a códigos numéricos:

Defina las dimensiones de la matriz:

4. Divide los datos en conjuntos de entrenamiento y prueba.

Ahora dividiremos los datos muestreados en conjuntos de entrenamiento y prueba utilizando la función train_test_split de scikit-learn. Esto nos permitirá evaluar el rendimiento del modelo de recomendación con datos no vistos.

Divide los datos en conjuntos de entrenamiento y prueba.

Convierta los datos de entrenamiento y prueba a formato disperso:

5. Entrenar el modelo LightFM

Ahora que hemos preparado los datos, podemos entrenar el modelo LightFM. Usaremos la función de pérdida WARP (Weighted Approximate-Rank Pairwise), que es eficaz para tareas de recomendación.

Inicialice el modelo LightFM con la función de pérdida WARP:

Comience a entrenar el modelo:

Imprime el horario de entrenamiento:

6. Evaluar el modelo

Una vez entrenado el modelo, podemos evaluar su rendimiento utilizando métricas como AUC (Área bajo la curva), Precisión@10 y Exhaustividad@10. Estas métricas nos permiten comprender qué tan bien se desempeña el modelo.

Calcula el AUC en los datos de prueba:

Calcular precisión@10 y exhaustividad@10:

En este tutorial, hemos creado un sistema de recomendaciones sencillo utilizando la biblioteca LightFM. Hemos recorrido el proceso de carga del conjunto de datos, el preprocesamiento de los datos, el entrenamiento de un modelo de recomendación y la evaluación de su rendimiento. El modelo se puede ajustar y optimizar aún más según las necesidades específicas de su aplicación.

Áreas de aplicación para sistemas de recomendación

Casi cualquier empresa puede beneficiarse de un sistema de recomendaciones. Hay dos aspectos importantes que determinan el nivel de beneficio que una empresa puede obtener de esta tecnología.

• La amplitud de los datos: Una empresa que atiende solo a un pequeño grupo de clientes con comportamientos diversos no obtendrá muchos beneficios de un sistema de recomendaciones automatizado. Los humanos siguen siendo mucho mejores que las máquinas a la hora de aprender de unos pocos ejemplos. En estos casos, sus empleados utilizarán su lógica y su conocimiento cualitativo y cuantitativo de los clientes para realizar recomendaciones precisas.
• Profundidad de los datos : Contar con un único dato por cliente tampoco resulta útil para los sistemas de recomendación. Un análisis exhaustivo de las actividades online de los clientes y, si es posible, de sus compras offline, puede orientar recomendaciones precisas.

Estos son algunos de los sectores más comunes donde se aplican los sistemas de recomendación:

Comercio electrónico

Las plataformas de comercio electrónico utilizan sistemas de recomendación para mejorar la experiencia de compra, sugiriendo productos relevantes a los usuarios.

Estos sistemas analizan las compras anteriores, el historial de navegación y las preferencias para recomendar artículos como "Los clientes que compraron esto también compraron" o "Comprados juntos con frecuencia".

Este proceso mejora las ventas, aumenta el valor promedio de los pedidos y también incrementa la satisfacción del cliente al ahorrarles tiempo y esfuerzo a los usuarios.

Ejemplo de la vida real: Amazon

Amazon.com utiliza recomendaciones de filtrado colaborativo entre productos en la mayoría de las páginas de su sitio web y en sus campañas de correo electrónico. Según McKinsey, el 35 % de las compras en Amazon se realizan gracias a los sistemas de recomendación. ¹

Entretenimiento

En la industria del entretenimiento, los sistemas de recomendación ayudan a los usuarios a descubrir películas, música, series o libros que se ajustan a sus gustos. Al analizar los hábitos de visualización o escucha, estos sistemas pueden ofrecer contenido personalizado para aumentar la interacción del usuario y el tiempo que pasa en la plataforma.

Ejemplo de la vida real: Netflix

Netflix utiliza una combinación de filtrado colaborativo y filtrado basado en el contenido para sugerir series y películas, lo que resulta en que el 80% del contenido visto esté impulsado por recomendaciones.

El Premio Netflix fue un concurso lanzado por Netflix en octubre de 2006 para mejorar su sistema de recomendación de películas. El desafío ofrecía un premio de 1 millón de dólares al equipo o individuo que lograra una mejora de al menos el 10 % en la precisión de las predicciones en comparación con el algoritmo de recomendación existente de Netflix. ²

Ejemplo de la vida real: Spotify

Cada semana, Spotify genera una nueva lista de reproducción personalizada para cada suscriptor llamada "Discover Weekly", que es una lista personalizada de 30 canciones basada en los gustos musicales únicos de los usuarios. Su adquisición de Echo Nest, una startup de inteligencia musical y análisis de datos, les permite crear un motor de recomendación musical que utiliza tres tipos diferentes de modelos de recomendación: ³

• Filtrado colaborativo: Filtrar canciones comparando los datos históricos de escucha de los usuarios con el historial de escucha de otros usuarios.
• Procesamiento del lenguaje natural: Se rastrea internet en busca de información sobre artistas y canciones específicas. A cada artista o canción se le asigna una lista dinámica de términos clave que cambia diariamente y se pondera según su relevancia. El sistema determina entonces si dos piezas musicales o artistas son similares.
• Análisis de archivos de audio: El algoritmo analiza las características de cada archivo de audio individual, incluyendo el tempo, el volumen, la tonalidad y la indicación de compás, y realiza recomendaciones en consecuencia.

redes sociales

Las plataformas de redes sociales utilizan sistemas de recomendación para sugerir amigos, grupos, páginas, publicaciones o anuncios basándose en las interacciones, preferencias y conexiones de los usuarios. Estas sugerencias mejoran la interacción entre usuarios, fomentan el descubrimiento de contenido y generan ingresos publicitarios.

Ejemplo de la vida real: Meta

Meta emplea sistemas de IA para ofrecer recomendaciones de contenido personalizadas en Facebook e Instagram, incluso de fuentes que los usuarios no siguen. Este enfoque mejora la experiencia del usuario al presentar contenido diverso y ayuda a los creadores a llegar a un público más amplio. El proceso de recomendación incluye:

• Comprensión del contenido: Utilizar modelos de IA para analizar e interpretar diversos tipos de contenido, como imágenes, texto, audio y vídeo, para comprender sus significados semánticos.
• Comprensión, recuperación y clasificación de preferencias: Desarrollo de sistemas que filtren fácilmente grandes cantidades de contenido para identificar y clasificar aquellos más relevantes para los intereses de cada usuario.

Esta estrategia impulsada por IA permite a Meta presentar a los usuarios contenido atractivo más allá de su red inmediata para fomentar una exploración más profunda de los intereses y mejorar la participación general en la plataforma. ⁴

Cuidado de la salud

Los sistemas de recomendación sanitaria sugieren opciones de tratamiento, recursos de salud o medidas preventivas adaptadas a los datos del paciente, como su historial médico y estilo de vida. La incorporación de la IA en la atención sanitaria mejora la calidad de la atención y reduce los costes sanitarios. Consulta la IA generativa en la atención sanitaria para obtener más información.

Ejemplo de la vida real: Ada Healthcare

Ada Health es una plataforma impulsada por IA diseñada para ayudar a los usuarios a gestionar su salud mediante orientación médica personalizada. Los usuarios pueden introducir sus síntomas para recibir evaluaciones que sugieren posibles afecciones y recomiendan los pasos a seguir. El sistema de IA de la plataforma es optimizado continuamente por un equipo de expertos médicos para garantizar su precisión y fiabilidad.

Además de atender a usuarios individuales, Ada ofrece soluciones empresariales destinadas a mejorar los resultados en la atención médica. Estas soluciones ayudan a sus socios a fundamentar las decisiones sanitarias, optimizar los procesos de triaje y reducir los costes evitables. ⁵

Minorista

En el sector minorista, los sistemas de recomendación se utilizan para ofrecer experiencias de compra personalizadas, recomendaciones en tienda y sugerencias de inventario. Estos sistemas ayudan a los minoristas a optimizar la gestión de existencias, mejorar las ventas y aumentar la satisfacción del cliente.

Ejemplo real: Rappi con Amazon Personalize

Rappi, un servicio de entrega a domicilio bajo demanda en Latinoamérica, colaboró con Amazon Personalize para mejorar la interacción con los clientes e impulsar las ventas mediante la implementación de un sistema de recomendaciones personalizadas dentro de su aplicación.

Aprovechando Amazon Personalize, Rappi desarrolló una función llamada "Just For You" (JFY), que analiza el comportamiento y las preferencias del usuario para proporcionar recomendaciones de productos personalizadas que se muestran en una sección dedicada de la aplicación.

Esta estrategia de personalización generó un aumento del 102 % en la tasa de clics y un incremento del 147 % en los ingresos provenientes de recomendaciones personalizadas. Además, mejoró la interacción con los clientes y disminuyó la incidencia de productos con bajo rendimiento. ⁶

Finanzas y banca

Las instituciones financieras utilizan sistemas de recomendación para sugerir opciones de inversión, tarjetas de crédito o productos de seguros según el comportamiento y los objetivos financieros del usuario. Consulta los casos de uso de Gen AI en el sector bancario para obtener más información sobre cómo se puede utilizar la IA generativa en finanzas y banca.

Juego de azar

Las plataformas de videojuegos utilizan sistemas de recomendación para sugerir compras dentro del juego, nuevos títulos o conectar a los jugadores según sus preferencias, hábitos de juego e interacciones sociales. Esto mejora la experiencia de juego y genera ingresos.

Ejemplo de la vida real: Mirada con Google Cloud

Glance, una subsidiaria de InMobi, se asoció con Cloud para crear un sistema de recomendación de juegos personalizado para su plataforma de juegos móviles, Nostra, que cuenta con más de 220 millones de usuarios a través de pantallas de bloqueo.

Al analizar los datos de los usuarios y del juego junto con los datos de interacción, identificaron patrones como los tiempos óptimos de interacción y las preferencias de juego. Esta colaboración mejoró significativamente la participación de los usuarios. ⁷

Estas áreas son especialmente adecuadas para los sistemas de recomendación porque involucran industrias que generan grandes volúmenes de datos de usuarios y artículos, lo que proporciona una base sólida para predicciones y análisis precisos.

Los usuarios de estos sectores esperan cada vez más experiencias personalizadas adaptadas a sus preferencias, lo que convierte las recomendaciones en una característica fundamental para satisfacer las demandas de los clientes.

Además, los sistemas de recomendación generan importantes oportunidades de ingresos al impulsar las ventas adicionales, las ventas cruzadas y mayores tasas de interacción. Al ofrecer sugerencias personalizadas, estos sistemas mejoran la retención de clientes, fomentando la lealtad a largo plazo y una interacción constante con el usuario.

Sistemas de recomendación basados en LLM

Los sistemas de recomendación tradicionales analizan datos estructurados como calificaciones y clics. Los sistemas basados en LLM van más allá, comprendiendo consultas en lenguaje natural, interpretando preferencias con matices y explicando sus sugerencias.

Este enfoque ofrece varias ventajas sobre los métodos tradicionales:

• Comprensión semántica de consultas complejas como "algo inspirador pero no demasiado cursi" más allá de la coincidencia de palabras clave.
• Soluciones de arranque en frío donde los nuevos usuarios describen sus preferencias en lenguaje natural en lugar de necesitar un historial de interacciones.
• Resultados explicables que articulen el motivo de una recomendación.
• Razonamiento entre dominios a través de categorías mediante la comprensión de las preferencias subyacentes

Ejemplos del mundo real:

• Netflix desarrolló un modelo fundamental para recomendaciones personalizadas, tratando el historial de interacción del usuario como tokens y aplicando arquitecturas basadas en transformadores.
• Spotify AI DJ combina el historial de escucha con inteligencia artificial generativa para crear comentarios y selecciones musicales personalizadas.
• Amazon Rufus es un asistente de compras generativo impulsado por IA que permite el descubrimiento de productos mediante lenguaje natural.

Configurar un sistema de recomendaciones

Si bien la mayoría de las empresas se beneficiarían de adoptar una solución existente, las empresas de nicho o de gran envergadura podrían experimentar con la creación de su propio motor de recomendaciones.

1. Utilizar una solución lista para usar

Los sistemas de recomendación son uno de los casos de uso de IA más antiguos y maduros.

Las ventajas de este enfoque incluyen una implementación rápida y resultados muy precisos en la mayoría de los casos:

• Incluir un fragmento de código del proveedor puede ser suficiente para empezar.
• Las soluciones suelen ser precisas, ya que los proveedores utilizan datos de miles de transacciones de sus clientes de forma anonimizada para mejorar sus modelos.

Para elegir el sistema adecuado, puede utilizar datos históricos o, mejor aún, datos en tiempo real para probar rápidamente la eficacia de diferentes sistemas.

2. Creando tu propia solución

Esto puede tener sentido si:

• Te encuentras en un dominio de nicho donde los motores de recomendación no se utilizaban antes o
• Usted es propietario de uno de los mercados en línea más grandes del mundo, donde unas recomendaciones ligeramente mejores pueden marcar una diferencia importante en los resultados de su negocio.

Los sistemas de recomendación actuales utilizan una lógica como la siguiente: los clientes con historiales de compra y navegación similares probablemente comprarán productos similares en el futuro. Para que un sistema de este tipo funcione, se necesita un gran número de transacciones históricas o datos detallados sobre el comportamiento del usuario en otros sitios web. Si necesita estos datos, puede buscarlos en plataformas de datos .

Más datos y mejores algoritmos mejoran las recomendaciones. Debes aprovechar todos los datos relevantes de tu empresa y podrías ampliar tu base de datos de clientes con datos de terceros. Si un cliente habitual ha estado buscando zapatillas rojas en otros sitios web, ¿por qué no mostrarle un par ideal cuando visite tu sitio?

3. Trabajar con un consultor para desarrollar sus propias soluciones.

Un motor de recomendaciones ligeramente mejor podría aumentar las ventas de una empresa en algunos puntos porcentuales, lo que podría generar un cambio drástico en la rentabilidad de una empresa con bajos márgenes de beneficio. Por lo tanto, puede ser conveniente invertir en el desarrollo de mejores motores de recomendaciones si la empresa no está obteniendo resultados satisfactorios con las soluciones existentes en el mercado .

4. Organizar una competición de ciencia de datos para crear tu propia solución.

Una posible estrategia consiste en aprovechar la inteligencia colectiva para construir dichos sistemas. Las empresas pueden utilizar datos históricos cifrados, organizar concursos de ciencia de datos o colaborar con consultores para obtener modelos que proporcionen recomendaciones altamente efectivas.

¿Cómo elegir un sistema de recomendaciones?

La elección del sistema de recomendación adecuado depende de los objetivos de su negocio, los datos disponibles y los recursos técnicos a su disposición. A continuación, se presentan algunas consideraciones clave:

1. Evaluación del modelo en sus datos
   • Es fundamental probar los modelos con tu propio conjunto de datos para comprobar su rendimiento en tu contexto específico. Los parámetros de referencia predefinidos pueden no reflejar tus usuarios, productos u objetivos comerciales.
2. Tipo de datos disponibles
   • Los datos explícitos (calificaciones, reseñas, "me gusta") funcionan bien con el filtrado colaborativo.
   • Los datos implícitos (clics, tiempo de permanencia, compras) favorecen los enfoques híbridos o de aprendizaje profundo.
3. Objetivos empresariales
   • Si su objetivo es la personalización a gran escala , el aprendizaje profundo o los sistemas híbridos son las mejores opciones.
   • Para experimentos rápidos , pueden ser suficientes modelos más sencillos, como la factorización matricial.
4. Requisitos de escalabilidad
   • Las plataformas a gran escala (por ejemplo, comercio electrónico, streaming) suelen requerir soluciones basadas en aprendizaje profundo o alojadas en la nube que puedan gestionar millones de usuarios y artículos.
5. Conocimientos y recursos del dominio
   • Si su equipo carece de experiencia en aprendizaje automático, utilizar soluciones de proveedores (por ejemplo , Amazon Personalize, Google Recommendations AI) puede acelerar la implementación.
   • Para ámbitos altamente especializados, puede ser necesario desarrollar una solución interna.

Consejo: Empiece por crear prototipos con bibliotecas ya existentes (LightFM, TensorFlow Recommenders) y evalúe el rendimiento con sus datos reales antes de escalar.

Costo de implementación de sistemas de recomendación

La implementación de un sistema de recomendaciones conlleva costes directos e indirectos:

1. Tiempo de desarrollo : La creación de modelos personalizados requiere científicos de datos, ingenieros y equipos de infraestructura. El desarrollo puede variar desde unas pocas semanas (para prototipos) hasta varios meses (para sistemas de producción).
2. Costes de infraestructura :
   • Instalación local : Requiere servidores con GPU, bases de datos y mantenimiento continuo.
   • Basado en la nube : Los costos aumentan con el tamaño de los datos y el uso de la API (AWS, GCP, Azure).
3. Tarifas del proveedor : Las soluciones basadas en SaaS pueden cobrar en función del número de llamadas a la API, el número de usuarios o la cantidad de datos procesados.
4. Costes recurrentes :
   • Reentrenamiento, monitorización y actualizaciones del modelo.
   • Costes potenciales de la integración de fuentes de datos externas para mejorar las recomendaciones.

Regla general: Las pequeñas empresas pueden comenzar con herramientas SaaS (menos de 10 000 dólares al año), mientras que las grandes empresas que desarrollan sistemas internos suelen invertir millones en infraestructura y talento.

Implicaciones éticas de los sistemas de recomendación

Si bien los sistemas de recomendación aportan valor, plantean importantes consideraciones éticas y sociales:

• Sesgo e imparcialidad : Los algoritmos pueden reforzar los sesgos existentes (por ejemplo, recomendar solo contenido popular, ignorar la diversidad).
• Preocupaciones sobre la privacidad :
  • La recopilación y el análisis de datos de los usuarios suscitan inquietudes en materia de consentimiento y protección de datos.
  • El cumplimiento del RGPD, la CCPA y demás leyes de privacidad de datos es fundamental.
• Uso responsable de los datos :
  • Las políticas transparentes deben explicar cómo se recopilan, procesan y almacenan los datos de los usuarios.
  • Las técnicas de privacidad diferencial y anonimización pueden mitigar los riesgos.

Metodología de evaluación comparativa del motor de recomendaciones

En este estudio, nos centramos en la creación y evaluación de sistemas de recomendación basados en datos de retroalimentación implícita, específicamente en las interacciones de los usuarios con los productos. El conjunto de datos utilizado en nuestro análisis contiene tres elementos clave: visitorid, itemid y tipos de interacción como visualización , añadir al carrito y transacción . Dado que los usuarios no calificaron explícitamente los artículos, pero interactuaron mediante estas acciones, consideramos estos datos como retroalimentación implícita .

Probamos tres modelos de recomendación diferentes para evaluar su eficacia en el manejo de datos implícitos:

1. LightFM : Un modelo híbrido que combina filtrado colaborativo y métodos basados en contenido. Para entrenar el modelo, utilizamos la función de pérdida WARP (Weighted Approximate-Rank Pairwise). El objetivo era predecir la probabilidad de que un usuario viera un producto analizando sus interacciones históricas con artículos.
2. Cornac BPR (Clasificación Personalizada Bayesiana) : Un modelo colaborativo basado en filtrado diseñado para clasificar elementos según las interacciones del usuario. Utiliza retroalimentación implícita para aprender las preferencias de los usuarios optimizando la clasificación de los elementos relevantes sobre los irrelevantes.
3. TensorFlow Recommenders : Un marco de aprendizaje profundo que utiliza incrustaciones para representar tanto a usuarios como a elementos, capturando relaciones complejas entre ellos. El modelo se entrena con interacciones implícitas, con una tarea de recuperación para predecir los elementos más relevantes para cada usuario.

Los modelos se entrenaron para predecir la probabilidad de que un usuario interactuara con un producto, centrándonos específicamente en la visualización como comportamiento objetivo. Nuestro objetivo era estimar con qué productos era más probable que los usuarios interactuaran, basándonos en su comportamiento anterior. Tras el entrenamiento, evaluamos los modelos con datos de prueba para asegurar que pudieran generalizar correctamente a interacciones no observadas.

Evaluamos el rendimiento de los modelos basándonos en tres métricas comúnmente utilizadas en los sistemas de recomendación:

• AUC (Área bajo la curva) : Una métrica que evalúa qué tan bien el modelo clasifica los elementos relevantes por encima de los irrelevantes. Un valor de AUC más cercano a 1 indica un mejor rendimiento de clasificación.
• Precision@10 : Mide cuántos de los 10 elementos más recomendados son realmente relevantes (es decir, con los que el usuario ha interactuado). Valores más altos indican una mayor precisión en las recomendaciones.
• Recall@10 : Mide cuántos elementos relevantes (derivados de las interacciones del usuario) aparecen entre las 10 recomendaciones principales. Esta métrica es crucial para comprender qué tan bien el modelo capta las preferencias del usuario.

Al comparar estas métricas en los tres modelos, identificamos el modelo con mejor rendimiento tanto en la clasificación de los elementos relevantes como en la recuperación precisa de esos elementos en las principales recomendaciones.

Enlaces de referencia

1.

How retailers can keep up with consumers | McKinsey

McKinsey & Company

2.

Netflix Research

3.

Discover Weekly: How Spotify is Changing the Way We Consume Music - Technology and Operations Management

4.

The AI behind unconnected content recommendations on Facebook and Instagram

5.

Health. Powered by Ada.

6.

Customer Success Stories: Case Studies, Videos, Podcasts, Innovator stories

7.

Nostra from Glance, Gaming Recommendation at Scale with Google Cloud AI | Google Cloud Blog

Google Cloud

Cem Dilmegani

Analista principal

Síguenos

Cem ha sido el analista principal de AIMultiple desde 2017. AIMultiple informa a cientos de miles de empresas (según similarWeb), incluyendo el 55% de las empresas Fortune 500 cada mes. El trabajo de Cem ha sido citado por importantes publicaciones globales como Business Insider, Forbes, Washington Post, firmas globales como Deloitte, HPE y ONG como el Foro Económico Mundial y organizaciones supranacionales como la Comisión Europea. Puede consultar más empresas y recursos de renombre que citan a AIMultiple. A lo largo de su carrera, Cem se desempeñó como consultor, comprador y emprendedor tecnológico. Asesoró a empresas en sus decisiones tecnológicas en McKinsey & Company y Altman Solon durante más de una década. También publicó un informe de McKinsey sobre digitalización. Lideró la estrategia y adquisición de tecnología de una empresa de telecomunicaciones, reportando directamente al CEO. Asimismo, lideró el crecimiento comercial de la empresa de tecnología avanzada Hypatos, que alcanzó ingresos recurrentes anuales de siete cifras y una valoración de nueve cifras partiendo de cero en tan solo dos años. El trabajo de Cem en Hypatos fue reseñado por importantes publicaciones tecnológicas como TechCrunch y Business Insider. Cem participa regularmente como ponente en conferencias internacionales de tecnología. Se graduó en ingeniería informática por la Universidad de Bogazici y posee un MBA de la Columbia Business School.

Ver perfil completo

Investigado por

Sıla Ermut

Analista de la industria

Síguenos

Sıla Ermut es analista de la industria en AIMultiple, especializada en marketing por correo electrónico y vídeos de ventas. Anteriormente trabajó como reclutadora en empresas de gestión de proyectos y consultoría. Sıla es licenciada en Psicología Social y en Relaciones Internacionales.

Ver perfil completo

Sé el primero en comentar

Tu dirección de correo electrónico no será publicada. Todos los campos son obligatorios.

Nombre

Dirección de correo electrónico

Comentario

0/450

Publicar comentario