enciende el tuyo su servicio de transmisión preferido o abra el sitio web de su tienda departamental preferida, y el sistema de recomendación seguramente se activará.
“Te gustó esta serie de televisión, ¡así que creemos que te gustará esta!” O: “Cuando busques una falda de lino rosa, ¡piensa en comprarte esas alpargatas color crema para acompañarla!”. Son personas influyentes clave en el comercio, ya que 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 famosos son sobre contenido. El asombroso sentido de YouTube de lo que podrías querer ver a continuación es un ejemplo, y el maestro supremo de este juego es TikTok: es maravillosamente adictivo, precisamente porque los algoritmos saben lo que desea tu pequeño corazón.
Sin embargo, en algunos casos, la recomendación es más que eso. En el caso de una tienda en línea, puede haber diferentes márgenes para diferentes líneas de productos, y tiene información que el propio motor no tiene; por ejemplo, es posible que la gente no compre equipo de esquí ahora, pero definitivamente lo hará más adelante este año. Rubber Ducky Labs, una empresa emergente con sede en San Francisco, quiere 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 sabes que la IA está haciendo un buen trabajo? Cada vez más, los algoritmos hacen cosas que las personas no entienden por completo, y sin bucles de retroalimentación, puede ser difícil.