Sistemas de recomendación con machine learning en empresas de medios digitales

1. Introducción: hacia una experiencia más personalizada

Buena parte del éxito de las empresas de medios digitales se basa en sus sistemas de recomendación. En los últimos tiempos se han convertido en una herramienta esencial para personalizar la experiencia del usuario en plataformas, comercio electrónico y redes sociales.

Estos sistemas analizan patrones de comportamiento y preferencias para sugerir productos, películas, artículos y más. Como usuarios, ya reconocemos los mensajes de las plataformas de streaming. “Si te ha gustado esto, te recomendamos…”.

Sin embargo, estamos apenas al principio del recorrido. La creciente complejidad de las preferencias de los usuarios y la expansión de los catálogos de contenido exigen enfoques más sofisticados.

Aquí es donde entran a jugar las tecnologías avanzadas de machine learning (ML) y los modelos de lenguaje de gran tamaño (LLM). Esta guía explora cómo es posible utilizar estas tecnologías para desarrollar sistemas de recomendación con los más altos niveles de precisión y personalización.

2. Fundamentos de los sistemas de recomendación

En principio, identificamos dos tipos de recomendadores.

 – Filtrado colaborativo (collaborative filtering). Es el enfoque clásico. Se basa en la premisa de que si dos usuarios han tenido intereses similares en el pasado, probablemente repitan ese tipo de coincidencias en el futuro. Estos métodos utilizan la matriz de interacciones usuario-elemento para registrar y aprender de las interacciones pasadas. Sin embargo, por sí solos, pueden ser limitados, en particular cuando se encuentran con nuevos usuarios o elementos (es lo que se conoce como “problema del inicio en frío”).

– Enfoque basado en contenido (content-based filtering). A diferencia del anterior, utiliza información adicional sobre los usuarios y los elementos. Por ejemplo, en un sistema de recomendación de películas, esto podría incluir géneros, directores o actores, entre otras variables. Estos métodos pueden ofrecer recomendaciones más personalizadas. Esto se debe a que consideran las características específicas de los elementos que le han parecido atractivos a cada uno de los usuarios en el pasado.

3. Nuevas tecnologías: LLM y embeddings

Pero en un mundo en el que las tecnologías evolucionan a gran velocidad, emergen innovaciones que están llamadas a cambiar las reglas del juego. Los sistemas de recomendación alcanzan nuevos niveles.

– LLM: la comprensión del lenguaje natural. Estos modelos, entre los que se encuentran GPT, Bert o Titan, son revolucionarios. En especial, por su capacidad para entender y generar un lenguaje natural.

Basados en la arquitectura transformer, pueden procesar secuencias de palabras, capturando contextos y relaciones complejas. En los sistemas de recomendación, juegan un papel esencial a la hora de entender mejor las descripciones, las reseñas y los metadatos. Así, proporcionan una comprensión más profunda, tanto del contenido como de las preferencias del usuario.

– Embeddings: la captura del sentido semántico. Los embeddings son representaciones vectoriales de texto que capturan significados semánticos y relaciones contextuales. En un sistema de recomendación, convertir descripciones de elementos y preferencias de usuarios en embeddings permite calcular similitudes y diferencias de manera eficiente. Esto no solo mejora la precisión de las recomendaciones sino que también ayuda a superar el “problema del inicio en frío”. Esto es gracias a que permite comparaciones con elementos o usuarios nuevos. Veamos cómo se aplica puntualmente a la industria de medios digitales. Estas empresas disponen de información valiosa de sus contenidos tanto en la sinopsis como en el metadata. Por ejemplo, los actores que participan en cada episodio de cada serie o en cada película. Los embeddings nos permiten capturar toda esta información para producir un sistema más asertivo.

4. Implementación práctica

¿Cuáles son los pasos a seguir?

– Integración de LLM en los sistemas de recomendación. Para hacerlo, en principio es necesario ajustar un modelo preentrenado con los datos propios de la organización. Además de haber sido preentrenados con una vasta cantidad de contenido, muchos de estos modelos nos permiten realizar un ajuste fino (también conocido como fine tuning). Esto implica adaptar ese entrenamiento para que se ajuste a los datos organizacionales. De esta manera, es posible entrenar estos modelos con los datos históricos de los usuarios para que puedan aprender sobre sus gustos y, a partir de eso, predecir cuál va a ser el próximo contenido a elegir por cada uno de ellos. Así se conforma el sistema de recomendación.

– Construcción y utilización de embeddings. Para construir un enfoque basado en contenido, contamos con la ayuda de los embeddings. Son los que nos permiten transformar los textos relativos al contenido (descripciones, reseñas, entre otros) en vectores numéricos. Para eso, utilizan un modelo específico, como Ada o Titan. A partir de eso, logramos mapear todos nuestros ítems disponibles en un mismo espacio, pero siempre manteniendo la diferencia semántica entre ellos. Luego, es posible emplear estos embeddings para alimentar algoritmos de aprendizaje automático que predigan las preferencias de los usuarios. Por ejemplo, calcular la similitud coseno entre el vector que representa al usuario a cada vector que representa cada contenido diferente,  recomendando así aquellos más cercanos en el espacio semántico y por ende los que tienen una mayor similitud con el perfil del usuario.

5. ¿En qué puede ayudar un recomendador a tu app?

Las empresas de medios digitales que incorporan un recomendador en sus app acceden a los siguientes beneficios:

– Priorizar la experiencia del usuario. Efectivamente, el usuario queda en el centro de la estrategia, ya que el contenido que se le sugiere es preciso y oportuno según sus gustos, necesidades y comportamientos. Así, se incrementan los niveles de lealtad y satisfacción.

– Mejor consumo estratégico de los contenidos. Combinado con las necesidades específicas del negocio, el recomendador puede impulsar el consumo de determinados contenidos estratégicos con un alto nivel de precisión.

– Sistemas más performantes. En Nubiral trabajamos en desarrollar un sistema de recomendación que se enfoque en estas nuevas tecnologías. ¿Qué logramos comprobar?En principio, que de esta forma se obtienen sistemas más performantes. Aprovechamos la capacidad que tiene esta nueva tecnología para capturar el sentido semántico e incluir información sobre el contenido. Esta, muchas veces viene dada en lenguaje natural, como la sinopsis o las críticas de los usuarios. Eso nos permitió construir un recomendador que considere toda la información disponible, tanto de los usuarios como del contenido disponible a recomendar. Luego de hacer pruebas en escenarios con usuarios y transacciones reales, logramos mejorar en hasta un 20% la tasa de clics realizadas por los usuarios sobre las recomendaciones. En otras palabras, obtuvimos un recomendador un 20% más asertivo.

6. Conclusiones: mirando hacia el futuro

Los sistemas de recomendación son una parte integral de la experiencia del usuario y su importancia seguirá creciendo en la medida en que lo hagan las plataformas digitales.

Las nuevas tecnologías, como ya hemos visto, ofrecen una promesa significativa para mejorar la precisión y la personalización de estas recomendaciones.

Sin embargo, es vital abordar este concepto con un enfoque equilibrado, reconociendo tanto sus potencialidades como sus limitaciones.

El campo de ML y los sistemas de recomendación están en constante evolución. Las empresas de la industria de los medios digitales necesitan mantenerse actualizadas en este sentido si quieren continuar teniendo éxito en su negocio.

Nuestros expertos pueden ayudarte a obtener el máximo valor de estos avances tecnológicos. Estamos esperando tu contacto: ¡Agenda tu reunión!