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 recomendación.
«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 combinarlas!”. 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 para contenido. La inquietante sensación de YouTube de lo que te gustaría ver a continuación es un ejemplo, y el campeón definitivo de este juego es TikTok: es deliciosamente adictivo, precisamente porque los algoritmos saben lo que desea tu pequeño corazón.
En algunos casos, sin embargo, hay más en una recomendación. Para 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 esté comprando equipo de esquí ahora, pero seguramente lo hará más adelante en el año. Rubber Ducky Labs, una empresa emergente 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 sabe que las IA están realizando un buen trabajo? Cada vez más, los algoritmos hacen cosas que los humanos no entienden por completo, y sin un circuito de retroalimentación, puede ser complicado.