Los sistemas de recomendación mantienen el interés de los usuarios
Los sistemas de recomendación o los sistemas de recomendadores son flujos de trabajo con IA que sugieren productos, contenido o servicios a los usuarios finales. El tipo de sistema de recomendación de IA más común son los recomendadores de contenido que utilizan las plataformas de streaming y de comercio electrónico.
Estos sistemas utilizan una combinación de tecnologías, como el filtrado colaborativo, para determinar la afinidad que un usuario final específico tiene sobre una película o serie de televisión que tal vez desee ver o de un nuevo producto que pueda llegar a querer comprar. Los sistemas de recomendación mantienen el nivel de interacción de los usuarios finales en la plataforma de modo que sigan suscribiéndose, comprando productos o viendo anuncios mientras consumen contenido.
¿Qué hace que un sistema de recomendación sea bueno?
La eficacia de los sistemas de recomendación depende en gran medida de tres factores: la precisión, la capacidad de respuesta y el costo.
- La precisión se refiere a hacer recomendaciones que estén lo suficientemente personalizadas según los intereses y gustos del usuario final. Los recomendadores pueden mejorar su precisión al integrar un mecanismo de retroalimentación, como un simple "Me gusta" o "No me gusta", que les permita a los usuarios finales indicar si una recomendación es buena o mala y así reforzar el aprendizaje de la IA.
- La capacidad de respuesta se refiere a la capacidad del recomendador de presentar nuevas opciones rápidamente y mantener el interés de los usuarios. Los tiempos de carga prolongados o cualquier dificultad para interactuar con una plataforma se conocen como fricción; y si hay mucha fricción, más usuarios se desconectan o abandonan la plataforma.
- El costo se refiere a las inversiones iniciales o el CapEx del sistema de recomendación, en comparación con los gastos operativos en curso u OpEx. La rentabilidad también implica el ampliar las cargas de trabajo para satisfacer la demanda de los usuarios, minimizar el tiempo de inactividad y administrar las cargas de trabajo en los entornos de la nube.
¿Quién usa los sistemas de recomendación?
La mayoría de los sistemas de recomendación están orientados al consumidor y tiene un papel destacado en el comercio electrónico (que recomienda productos para los compradores en línea), las redes sociales (que recomiendan contenido y creadores y ordenan artículos en un feed o línea de tiempo) y el entretenimiento por streaming (que recomienda contenido interesante para que los usuarios sigan suscritos a la plataforma). La banca personalizada es un ejemplo de un caso de uso emergente en el que los bancos recomiendan nuevos tipos de cuentas, inversiones y otros servicios para aumentar su base de clientes.
¿Cómo funcionan los sistemas de recomendación?
Los modelos de recomendadores son un canal de varios modelos de IA y flujos de trabajo de análisis de datos diferentes. Este canal puede incluir hasta cien o más procesos diferentes dentro de una cadena para ofrecer una predicción unificada por cada usuario. En cualquier flujo de trabajo de recomendador, generalmente hay tres etapas:
- Clasificación: estos modelos usan la visión artificial y el procesamiento del lenguaje natural (PNL) para clasificar los elementos de un contenido.
- Recordatorio y búsqueda de similitudes: estos procesos reúnen diferentes categorías de características similares entre elementos u objetos.
- Clasificación: el recomendador ordena los artículos por relevancia, a menudo con los modelos de aprendizaje profundo de Wide & Deep o DLRM.
La infraestructura adecuada para los sistemas de recomendación
Las cargas de trabajo de entrenamiento e inferencia de la recomendación se ejecutan con mayor frecuencia en servidores de centros de datos, ya sea local o en la nube. Al diseñar e implementar los sistemas de recomendación, los principales desafíos que enfrentan los creadores de sistemas y los proveedores de soluciones incluyen aumentar la densidad de la carga de trabajo, equilibrar el uso y acelerar el tiempo de resultados. Los ingenieros de software son los que mayores desafíos tendrán para entregar resultados precisos, relevantes y rápidos a los usuarios finales, mientras que optimizan sus códigos para operaciones eficientes, tanto locales como en la nube.
Intel potencia los recomendadores de IA en cada etapa y en toda escala
Para resolver los desafíos de los sistemas de recomendación y ayudarlo a pasar del concepto a la producción más rápido en toda la empresa, Intel ofrece más que la arquitectura. A nivel mundial, trabajamos con muchos desarrolladores de software experimentados, la mayoría de los cuales se especializa en IA, incluidos los sistemas de recomendación. Intel también ofrece una ventaja poco común al poder combinar la experiencia en hardware y software para optimizar los sistemas de recomendación con IA en plataformas adaptadas.
Estas mejoras ya generan un aumento significativo en los sistemas de recomendación para empresas de todo el mundo:
Los desarrolladores y creadores de sistemas pueden beneficiarse de fórmulas para el éxito muy conocidas en forma de arquitecturas de referencia y versiones optimizadas por Intel de marcos populares, como PyTorch y TensorFlow. Las empresas pueden encontrar grandes beneficios: tiempo de implementación rápido, mayor interacción de clientes o usuarios y mayores ventas o ingresos por publicidad.
El hardware del sistema de recomendación amplia hace que la informática se ajuste a sus necesidades
Después de la preparación de los datos, los sistemas de recomendación de IA se implementan en dos etapas: entrenamiento de modelos e inferencia de implementación, con muchos pasos dentro de estas. Los requisitos de la arquitectura se diferencian entre las etapas. El entrenamiento de modelos es más rápido con más paralelización, pero la optimización de los modelos es menos exigente desde el punto de vista computacional. Una vez implementada, la inferencia del recomendador se ejecuta de forma eficiente en CPU con un alto número de núcleos y una gran capacidad de memoria diseñadas, las cuales están diseñadas para manejar modelos grandes y datos masivos.
- Entrenamiento de modelos de IA para recomendadores: tanto el procesador Habana® Gaudi® como la GPU de Intel® serie Max son compatibles con una alta paralelización para cargas de trabajo de entrenamiento de modelos de IA rápidas.
- Entrenamiento e inferencia de modelos de IA para recomendadores: los procesadores escalables Intel® Xeon® son las mejores CPU para el entrenamiento y la inferencia de IA1, y están disponibles en la nube pública.
- Aceleración de IA del recomendador: los procesadores escalables Intel® Xeon® de última generación también cuentan con Intel® AI Engines integrados para ayudar a acelerar el tiempo de obtención de resultados sin hardware adicional. Estos motores pueden ayudar a aumentar el desempeño en la IA al mismo tiempo que reducen los requisitos de hardware y, por lo tanto, reducen el TCO. La guía de ajuste de IA ofrece un recorrido útil para aprovechar estos aceleradores de IA integrados.
- Características de seguridad integradas para cargas de trabajo de recomendadores: solo Intel ofrece capacidades de seguridad innovadoras, como Intel® Software Guard Extensions (Intel® SGX), que ayudan a salvaguardar los datos en la memoria, lo que le ofrece una mayor protección, especialmente para sistemas de recomendadores en entornos de nube multiusuarios. Una perspectiva de seguridad que comience desde la capa de hardware en adelante ayudará a las organizaciones a proteger datos y modelos confidenciales, a la vez que cumple con las regulaciones de privacidad.
Cree sistemas de recomendación con software de canalización de IA de extremo a extremo
Las optimizaciones de Intel de los marcos de IA populares como PyTorch y TensorFlow, ofrecen un desempeño mejorado en la arquitectura Intel® que supera las implementaciones de stock y acelera el tiempo que le lleva entrenar e implementar. Los desarrolladores pueden acceder a la guía rápida de inicio para ver las instrucciones sobre cómo implementar estas potentes herramientas en tan solo unas pocas líneas de código.
Para casos de uso minorista, Intel también ofrece un kit de referencia para recomendadores que incluye datos de entrenamiento, modelos y bibliotecas para poner en marcha su proyecto. Este kit refleja las lecciones aprendidas en implementaciones exitosas combinadas con paquetes de software preconfigurados para cargas de trabajo de aprendizaje automático con hardware Intel®. Los desarrolladores pueden acceder al kit en GitHub.
Intel también trabaja con varios proveedores de software de IA para optimizar su desempeño en las arquitecturas Intel®. Para obtener una solución de baja interacción, visite el perfil de Intel en Hugging Face o Intel® Solutions Marketplace.
Lleve los sistemas de recomendación de IA a todas partes con Intel
Intel ofrece centros de la comunidad y liderazgo en el sector para que pueda acelerar la innovación para sus iniciativas de diseño y desarrollo de sistemas recomendadores de IA. Acceda a códigos y optimizaciones, y obtenga consejos sobre soluciones de hardware relevantes con características clave que ayudan a garantizar el éxito de sus implementaciones de IA.
Únase a la Intel® Developer Zone, una comunidad llena de recursos, software, entrenamiento y debates