Los sistemas de recomendación digitales, herramientas esenciales para personalizar la experiencia del usuario en plataformas en línea, se enfrentan a un desafío crucial conocido como el «cold start». Este problema ocurre cuando un usuario nuevo o un ítem recién introducido carece de un historial de interacciones, lo que impide que el sistema brinde recomendaciones precisas de inmediato. En lugar de ofrecer sugerencias personalizadas, los usuarios se agrupan en segmentos amplios y genéricos, lo que puede afectar negativamente su experiencia, disminuir las tasas de clics y conversiones, e incluso alejar a los usuarios antes de que se adapten a la plataforma.
Tradicionalmente, se han utilizado métodos como el filtrado colaborativo y las listas de popularidad para abordar este problema, pero estos enfoques suelen carecer de la precisión necesaria y las recomendaciones pronto se tornan obsoletas. Sin embargo, una nueva solución innovadora podría transformar este panorama, aprovechando modelos de lenguaje de gran escala para crear perfiles detallados desde el primer contacto con el usuario o contenido.
Esta avanzada tecnología utiliza chips de Amazon EC2 Trainium y contenedores de aprendizaje profundo (DLC) con el AWS Neuron SDK, permitiendo a los desarrolladores de aprendizaje automático explorar diversas configuraciones de modelos y codificadores de manera eficiente. Esta metodología facilita iteraciones rápidas en métricas de recomendación, eliminando la necesidad de modificar el código del modelo base.
Un elemento clave en el desarrollo de esta solución fue el empleo de un conjunto de datos de reseñas de libros de Amazon. Este banco de datos proporciona información valiosa sobre reseñas de usuarios reales y metadatos de miles de libros, creando un entorno ideal para simular escenarios de «cold start». Utilizando un modelo de lenguaje, es posible enriquecer el perfil del usuario a partir de datos iniciales limitados y deducir subtemas de interés que el usuario podría disfrutar.
El proceso implica convertir estos intereses expandidos y el catálogo de libros en vectores comparables mediante codificadores como Google T5. Se evalúa cómo el tamaño de los codificadores afecta la calidad de las coincidencias, utilizando índices FAISS para realizar búsquedas rápidas.
Al medir la calidad de las recomendaciones, se ha observado que incrementar el tamaño de los modelos mejora las señales generadas, haciéndolas más específicas y relevantes. Este análisis permite a los desarrolladores encontrar la combinación óptima de modelos y codificadores, asegurando un alto rendimiento sin elevar los costos de manera desmedida.
Finalmente, se planea implementar estos modelos en un entorno de producción, garantizando que los perfiles de usuario enriquecidos se conecten eficazmente con una mayor variedad de contenido. Esta iniciativa demuestra cómo un uso estratégico del aprendizaje automático puede revolucionar los sistemas de recomendación, mejorando la experiencia del usuario desde el inicio.
