Enciende tu servicio de transmisión de su elección o abra el sitio web de su tienda departamental preferida y seguramente se activará un sistema de recomendaciones.
«¡Te gustó esta serie de televisión, así que creemos que te gustará esta!» O: “¡Mientras miras una falda de lino rosa, piensa en comprar estas alpargatas color crema para combinarla!” Son impulsores comerciales clave porque ayudan a los clientes a ver los productos que es más probable que compren. Pero no encajan perfectamente en las cadenas de herramientas de aprendizaje automático existentes.
Algunos de los motores de recomendación más conocidos son de contenido. La inquietante sensación de YouTube sobre lo que te gustaría ver a continuación es un ejemplo, y el máximo campeón de este juego es TikTok: es deliciosamente adictivo, precisamente porque los algoritmos saben lo que tu pequeño corazón desea.
En algunos casos, sin embargo, hay más recomendaciones. Para una tienda online, puede haber diferentes márgenes para diferentes líneas de productos, y tiene información que el motor en sí no tiene; por ejemplo, es posible que la gente no esté comprando equipo de esquí ahora, pero seguro que lo harán más adelante este año. Rubber Ducky Labs, una startup con sede en San Francisco, busca facilitar a los equipos la depuración, el análisis y la mejora de sus sistemas de recomendación.
El equipo está trabajando en un espacio que tiene una tendencia más profunda: ¿Cómo se sabe que las IA están realizando un buen trabajo? Cada vez más, los algoritmos hacen cosas que los humanos no comprenden del todo y, sin un circuito de retroalimentación, puede resultar complicado.
Pcenter.es – #búsqueda #mejores #motores #recomendación
Síguenos en YouTube: @PCenterES