Shaped

Shaped es una API especialmente diseñada para desarrolladores que desean implementar funciones como feed, alertas y recomendaciones. Para usarla y obtener los mejores y más atractivos resultados, debes simplemente configurar un modelo Shaped a partir de la línea de comandos.

En este artículo te damos información veraz y completa acerca de cómo comenzar a utilizar Shaped. Primero te proporcionaremos una descripción general y, a continuación, nos iremos a la introducción del programa y el inicio rápido de la API.

¿Cómo funciona Shaped?

Antes de entrar en el funcionamiento de Shaped definamos lo que significa clasificación; se trata de la disposición óptima de los elementos que se encuentran expuestos a los usuarios. Cuando hablamos de elemento nos referimos a cualquier cosa que desees que los usuarios vean en tu sitio web.

Puede ser una publicación, una imagen, un video, música, documentos, notificaciones, productos o incluso otro usuario. Ahora sí vamos directamente a cómo funciona Shaped:

1. Establece una conexión de la pila de datos: Shaped puede conectarse a tu base de datos de forma segura e importar regularmente los datos necesarios para entrenar modelos de clasificación.
2. Crea esquemas de usuarios, funciones e interacciones: una vez conectada, Shaped importa datos de usuarios, características e interacciones usuario-característica para el entrenamiento.
   • Los usuarios deben proporcionar resultados personalizados. Una vez que recibe las clasificaciones, especifica qué resultados de usuario deseas y la API devuelve la mejor clasificación.
   • Los elementos son, como se mencionó anteriormente, lo que se quiere mostrar al usuario. Para un producto como TikTok, podrían ser los vídeos del canal; para Airbnb, podrían ser los anuncios mostrados a cada usuario.
   • Las interacciones son aquellos eventos que conectan a los usuarios y los elementos. Contienen información de comportamiento sobre qué usuarios prefieren qué artículos. Si el tipo de interacción es «clic», la IA aprende qué usuarios son propensos a hacer clic en qué contenido.
3. Formación y aplicación del modelo: Shaped introduce datos de usuario, objeto e interacción basados en un esquema especificado y comienza a entrenar un modelo de clasificación totalmente personalizado. En función del tipo y formato específicos de Shaped, se determina el tipo de modelo.
4. Inicio de la búsqueda de resultados de calificación: transcurridas unas horas, el nuevo modelo de calificación se implementa en el punto personalizado, desde el que se pueden recuperar los resultados. Se proporciona una API que puede integrarse con tu producto de forma directa para que los usuarios puedan ver qué artículos se adaptan a ellos.
5. Formación continua: el modelo de clasificación se está entrenando de forma continua (con una frecuencia de hasta cuatro horas) para garantizar que sigue adquiriendo conocimiento de las últimas interacciones. De este modo se evita la desviación de los datos debida a tendencias estacionales.

Diseño de Shaped

La misión de Shaped es poner la inteligencia artificial al alcance de todos. Esto se logra creando un software distinguido que elimina la complejidad de las tareas de aprendizaje y fomenta la adquisición de conocimiento automático. A continuación encontrarás las principales directrices, decisiones y limitaciones que se han creado para hacer realidad esta visión:

Una potente y elegante API

Shaped tiene un equipo que se esfuerza para que la API sea lo más sencilla posible de utilizar. Se trata de un equipo de desarrolladores que extiende el poder de disolver infraestructuras complejas con una elegante API.

Con el tiempo, se ha ido mejorando constantemente los puntos finales para que aquellos interesados puedan empezar a usarla de forma más sencilla y sin complicaciones. El resultado es lo que Shaped es hoy. Se trata de un conjunto mínimo de API que promueve el crecimiento de una empresa en tan solo horas.

Sistema de recomendación en cuatro etapas

Shaped es un sistema de recomendación de canales de cuatro niveles (utilizado por las principales empresas tecnológicas):

1. Búsqueda de candidatos: una etapa de alto rendimiento en la que se buscan todos los candidatos que clasifican. Una de nuestras lo hace fuera de línea, utilizando un modelo ligero de filtrado colaborativo que detecta similitudes entre los usuarios y objetos basándose únicamente en las interacciones.
2. Filtrado de candidatos: en este paso, los elementos que se inventariarán posteriormente (por ejemplo, si el usuario ya ha visto el objeto o si el inventario se ha actualizado recientemente) se filtran del conjunto de candidatos. Esto se hace durante la evaluación.
3. Puntuación: el modelo de puntuación determina el nivel de confianza con el que cada usuario interactúa con un elemento. Una de las políticas es tener en cuenta el contexto del usuario y del artículo para proporcionar una puntuación mejor que la del paso de búsqueda de información.
4. Clasificación: los resultados finales de la clasificación se ordenan por orden de rango. Se añade cierta incertidumbre a la clasificación final para evitar burbujas de filtro que puedan distorsionar el algoritmo.

Inteligencia artificial basada en datos

Los sistemas se diseñan en torno a la filosofía de «dime dónde están los datos y podré empezar a entrenar«. Esto puede considerarse un enfoque de la inteligencia artificial basado en los datos.

Se basa en la premisa de que la modelización está resuelta y que el principal problema para generar aprendizaje automático es capturar y organizar los datos. Estamos hablando de uno de los elementos diferenciadores clave de la API y una de las razones por las que los clientes la adoran.

Tipos de datos en la API

Los métodos modernos de clasificación necesitan todos los datos posibles para sacarle el máximo partido a los datos. Además de la comprensión de los datos tabulares tradicionales, como enumeraciones y escalares, Shaped también entiende datos como las imágenes, audios, lenguajes de distintos tipos y vídeos.

Esto se consigue utilizando modelos de comprensión preentrenados para procesar estos tipos de datos en conjunto. Estas incrustaciones se introducen en un modelo de clasificación para un mejoramiento del rendimiento de la comprensión de la entrada y la clasificación final.

Por ejemplo, cuando se crean modelos de recomendación para publicaciones en redes sociales, el contenido es crucial para comprender su relevancia para el usuario. Estos modelos integrados pueden entonces comprender ese contenido.

Esto es aún más importante cuando no hay datos de interacción para una entrada determinada (por ejemplo, para una entrada que se ha creado recientemente en la plataforma). La comprensión de todo tipo de datos se basa en inteligencia artificial: Shaped entiende tus datos, independientemente de su formato.

Aprendizaje automático continuo

Shaped entrena sus modelos de clasificación de forma continua basándose en los datos más recientes. Así se evita la desviación de los datos causada por la estacionalidad o tendencias esporádicas en los datos. Una vez entrenados, sólo se introduce un nuevo modelo si funciona mejor que el anterior. Todo esto garantiza que siempre se utilice el mejor de los modelos y se proteja contra las regresiones causadas por nuevos modelos o nuevas limpiezas de datos.

Problema del arranque en frío

Los modelos de clasificación pueden saber cómo es la asociación entre usuarios y elementos basándose en los datos de interacción que los conectan. Pero, ¿qué ocurre cuando aparecen nuevos usuarios o nuevos elementos? Este altercado se conoce como el problema del arranque en frío. La IA aborda esta cuestión de tres maneras:

1. Utilizando la funcionalidad de contexto de elementos y usuarios. El contexto permite a la aplicación Shaped ordenar los resultados del mismo modo que ordena usuarios y objetos similares. En el caso de los usuarios, estos atributos podrían ser datos demográficos o de intereses que se especificaron en el registro. En el caso de los artículos, estos atributos pueden ser metadatos o contenido del artículo.
2. Optimización de datos en frío. El paso de pedido se introducen elementos inteligentes de «arranque en frío» para que el usuario los vea. El porcentaje de elementos de arranque en frío que deben introducirse puede seleccionarse mediante un argumento en la API.
3. Recomendaciones basadas en sesiones. Los puntos finales utilizan las interacciones recientes del usuario (que se denominan constantemente sesiones) y devuelven las recomendaciones más pertinentes para el contexto actual. De esta manera se puede garantizar que las recomendaciones van de acuerdo a las intenciones del usuario.

Funcionamiento en tiempo real

Es necesario que las recomendaciones de hoy en día sean en tiempo real. La personalización se optimiza mediante datos actualizados de los usuarios, por lo que los terminales pueden captar y llevar a cabo el procesamiento de datos en el momento.

Los modelos de la API tienen en cuenta los datos más recientes a la hora de hacer recomendaciones, aunque no formen parte del conjunto de datos entrenados originalmente.

Esto también sirve como medida para contrarrestar la frescura y da la impresión de que el algoritmo está aprendiendo de tus interacciones en tiempo real. También son posibles las recomendaciones basadas en la sesión.

Filtrado y búsqueda

La búsqueda también es compatible. Se ha creado una serie de indicadores inversos para todas las categorías, números y atributos binarios utilizados para crear el modelo Shaped. Al clasificar, puedes buscar metadatos utilizando idiomas y filtrar por cualquier elemento.

Muchos clientes lo utilizan para dar a los usuarios más control sobre la clasificación. También se puede utilizar para obtener diferentes resultados de clasificación para distintas áreas del sitio o productos. Por ejemplo, filtra diferentes categorías para cada evento destacado que estés pensando crear.

Lenguaje para la consulta de metadatos

Se trata de una serie de operadores de consulta de MongoDB. Estos filtros pueden combinarse con los operadores $or y $and para tener una flexibilidad completa.

API de modelo

La API de modelos permite gestionar modelos de clasificación. Proporciona puntos finales para la creación, la modificación y eliminación de modelos. Puede activarse simplemente enviando una petición curl desde la línea de comandos, sin colocar ningún código explícito.

Por ejemplo, supongamos que necesitas llevar a cabo la creación de un modelo de recomendación de vídeos y tienes tres tablas relacionadas guardadas en el almacén de datos BigQuery.

• Usuario: aquí están contenidos las filas de usuarios y los atributos de cada una.
• Video: contiene filas de vídeo con los respectivos atributos de metadatos.
• Evento: aquí están contenidos los eventos de impresión y clic del usuario para cada uno de los videos.

En este ejemplo, lo primero que hacemos es crear el modelo partiendo directamente de la tabla de interacciones. Los usuarios suelen empezar así y enriquecer el esquema con atributos de usuario y de elemento.

Al enviar esta petición a curl, el modelo es creado. Dependiendo del número de interacciones que proporcione, pueden ser necesarias varias horas de formación antes de empezar a obtener resultados de clasificación de la API.

API de clasificación

La API de clasificación es la utilizada para recuperar resultados del modelo de clasificación. Se trata de una API en tiempo real diseñada para ser integrada de forma directa en las aplicaciones de los clientes. La Rank API responde en un plazo de 200 milisegundos para el este de EEUU.

Por otro lado, Shaped requiere acceso a todos los datos asociados al esquema. Diferentes plataformas en nube y pilas de datos comparten este acceso de distintas maneras. Para conectarse a BigQuery, se necesita acceso de lectura a la cuenta de datos de Shaped.

Si tu pila de datos se encuentra detrás de un cortafuegos, necesitarás poner en lista blanca las direcciones IP públicas de los ordenadores que componen el modelo. Estas direcciones IP se te enviarán junto con tu clave API cuando te registres.

Preguntas frecuentes

Hemos decidido dedicar una sección a las preguntas y respuestas más comunes sobre la API:

¿Cómo obtengo una clave API?

Para esto, puedes ponerte en contacto con el equipo a través de hello@shaped.ai. Se te enviará una clave API que podrás utilizar para crear tu modelo y recibir tus resultados.

¿Cuánto dura la integración para hacerse efectiva?

Los modelos pueden crearse en pocas horas. La integración de un modelo de este tipo suele llevar entre 2 y 4 días.

¿Puedo implementar múltiples modelos con Shaped?

Claro que sí. De hecho, te apoyamos. Las empresas tecnológicas modernas están implementando cientos de modelos de clasificación que son únicos para abordar diferentes casos de uso. Cada uno de los modelos suele requerir un equipo para su creación y mantenimiento.

¿Por qué no construir los modelos internamente?

El coste de contratación de ingenieros de aprendizaje automático sería muy alto. Además, habría largos tiempos de construcción y mantenimiento constante la totalidad del tiempo.

¿Cuánto cuesta Shaped?

Los precios son fijos y dependen del consumo mensual. Si se conoce el número aproximado de usuarios y artículos, el equipo puede hacerte un presupuesto personal.

¿Cómo maneja la API mis datos?

Shaped no suele almacenar tus datos. Se busca, se elabora y se elimina inmediatamente. Se pone especial atención en esto mucho cuidado en esto para garantizar seguridad.

Conclusión

Shaped es lo que mejor en aplicaciones para desarrolladores basadas en inteligencia artificial. Gracias a la tecnología de aprendizaje automático más avanzada, se pueden entrenar los modelos de forma constante y brindar mejores resultados con el paso del tiempo. por este motivo, los clientes no necesitan tantos datos para empezar.