En un esfuerzo por optimizar su catálogo y mejorar la calidad de la información de productos, Amazon ha desarrollado un sistema de autoaprendizaje basado en inteligencia artificial (IA) que promete revolucionar la forma en que se gestionan los datos dentro de su plataforma. Este sistema se centra en la extracción de atributos estructurados de los productos, como dimensiones, materiales y especificaciones técnicas, mientras genera títulos que se alineen con los hábitos de búsqueda de los consumidores. La complejidad de esta tarea, que implica millones de envíos diarios, hace del enriquecimiento del catálogo un campo de prueba ideal para la IA autoaprendizaje.
La implementación de este sistema no ha estado exenta de desafíos. A medida que los modelos de IA procesan millones de productos, es inevitable que enfrenten casos complejos o terminología en evolución que pueden llevar a disminuciones en la precisión. Tradicionalmente, la solución ha consistido en que científicos analicen fallos y realicen ajustes manuales, un proceso que consume muchos recursos y puede quedar rezagado frente a la variedad y volumen de datos en tiempo real. Por lo tanto, Amazon ha buscado una solución más automática y escalable.
La propuesta innovadora de Amazon consiste en utilizar múltiples modelos más pequeños en lugar de uno solo, creando un sistema de consenso. Cuando estos modelos están de acuerdo, los resultados son procesados con confianza, pero cuando existen divergencias, se activa un modelo más capacitado que actúa como un agente supervisor. Este agente no solo resuelve disputas, sino que genera aprendizajes reutilizables almacenados en una base de conocimiento dinámica diseñada para prevenir futuros desacuerdos similares.
En este nuevo paradigma, el flujo de datos incluye señales de retroalimentación tanto de vendedores como de clientes, lo que permite que el sistema evolucione continuamente a partir de las lecciones aprendidas. Esta estructura jerárquica permite que la base de conocimiento se mantenga organizada y capaz de adaptarse a las nuevas tendencias sin perder su esencia lógica.
Además de mejorar la calidad de los datos, este sistema busca optimizar costos. A medida que el sistema acumula aprendizajes y las tasas de desacuerdo disminuyen, la necesidad de intervenciones por parte de modelos supervisores también disminuye, generando una mejora en la eficiencia operativa.
Desde su implementación, se ha observado que las tasas de error han disminuido, lo que refleja la efectividad del sistema para aprender no solo de los errores, sino también de las divergencias que surgen durante el proceso de extracción de información de productos. A medida que el sistema continúa evolucionando, el objetivo final es construir un catálogo que no solo sea funcional, sino que también se convierta en un recurso confiable para consumidores y vendedores, mejorando la experiencia general de compra en Amazon.
vía: AWS machine learning blog
