DeepMind explica cómo funciona el sistema de recomendaciones de Google Play Store

DeepMind es una de las compañías referentes cuando ponemos en nuestra boca la inteligencia artificial. Se creó en 2010, y fue adquirida por Google en el año 2014. Así, todo el potencial y experiencia en IA de DeepMind se aplica a varios de los productos de Google, como lo es su tienda de aplicaciones.

Desde la propia página de DeepMind han explicado cómo el aprendizaje automático se aplica a las recomendaciones de aplicaciones en Play Store, unos datos interesantes que nos ayudan a comprender por qué vemos unas aplicaciones y no otras cuando navegamos por esta tienda.

Así se vale Google de DeepMind en Play Store

registradas.

Desde DeepMind explican que las recomendaciones de Play Store son personalizadas para cada usuario y para que las aplicaciones que se muestren sean de su interés, lo que exige registrar las preferencias del mismo. En este punto, garantizan que estas preferencias de usuario se rigen por las políticas de privacidad de Google.

Primero se generan los candidatos, después se analizan las preferencias del usuario, y por último se generan las recomendaciones en base a estos datos

Según explican, el sistema de recomendaciones de Play Store tiene tres modelos principales: un generador de candidatos, un re-clasificador y un modelo para optimizar. El primer modelo, el generador de candidatos, es el encargado de analizar los millones de aplicaciones de Play Store, y generar una primera selección de candidatos.

El segundo modelo, el re-marcador, predice las preferencias del usuario, que posteriormente son optimizadas por el tercer modelo, que ofrece las aplicaciones más adecuadas, según las preferencias del usuario.

Esto suena bastante fácil y sencillo pero, ¿cómo aprende el algoritmo de nuestras preferencias? ¿Cómo sabe el modelo generador qué aplicaciones pueden valer y cuáles no? DeepMind explica que, en primer lugar, se utilizaron modelos LSTM (long short-term memory). No obstante, tuvieron problemas por las limitaciones de dichos modelos (tienen problemas a la hora de procesar secuencias largas), por lo que añadieron un modelo Transformer. Aparte de ser una gran serie de robots un modelo que procesa mejor la información de secuencia a secuencia, interpreta mejor el lenguaje natural que introduce el usuario en la búsqueda. Para reducir el costo computacional del algoritmo, introdujeron un tercer modelo de atención aditiva.

Google quiere que su modelo aprenda de la importancia que le da el usuario a las aplicaciones que se le muestran

Toda esta información relativa a modelos y algoritmos se traduce en una idea más simple: Google quiere que su modelo aprenda de la importancia que le da el usuario a las aplicaciones que se le muestran. Si a un usuario se le muestran dos aplicaciones y solo instala una, la aplicación que instala es más relevante que la que no ha instalado, lo que permite asignar etiquetas a dicha app según el comportamiento del usuario.

Estructura de un modelo Transformer.

Del mismo modo, es importante atender a parámetros como la popularidad de las apps y las preferencias personales del usuario. Para resolver esta cuestión utilizan un modelo online, que analiza nuestro comportamiento en Play Store. Como ejemplo, nos indican que un a usuario que previamente ha descargado una aplicación para buscar piso, puede estar interesado en apps de decoración, por lo que se le mostrarían este tipo de apps.

En resumidas cuentas, la tienda de aplicaciones de Google aprende de lo que instalamos y de lo que no, tratando de mostrar aquellas aplicaciones que nos pueden interesar en base a nuestros intereses actuales, e incluso a aquellas preferencias futuras dadas por nuestros comportamientos (instalación de aplicaciones) pasados.

Más información | Deepmind

Imagen | Medium

Ver todos los comentarios en https://www.xatakandroid.com

VER 0 Comentario

Portada de Xataka Android