Tanto Alemby Personalize como la Universidad de Málaga, el núcleo del equipo de investigación y desarrollo de QueTVeo, han estado trabajando en diferentes funcionalidades de la aplicación combinada de “Tecnologías de Personalización Aplicada”, “Tecnologías de Machine Learning” e “Inteligencia Artificial” desde el año 2002.
Durante este período, se han generado toda una serie de trabajos, tesinas, tesis doctorales y materiales diversos de estudio publicados en algunos de los mejores congresos, tanto de tecnología y teoría pura, como en sectoriales e industriales. Habiéndose presentado hasta la fecha seis trabajos en los mejores congresos verticales internacionales.
En concreto, el equipo de desarrollo ha definido una nueva estrategia de recomendación que amplia y mejora las funcionalidades de los Recomendadores existentes de forma radical, desarrollando asimismo todos los componentes necesarios para su implementación.
El primer trabajo que ha articulado de manera definitiva la arquitectura de este nuevo concepto de recomendación se presentó de manera definitiva en el Workshop de la UMAP 2009 (International Conference on User Modeling, Adaptation, and Personalization). El artículo, comprimido a doce páginas, longitud máxima establecida por el congreso, es merecedor de una extensión mucho mayor.
A continuación establecemos una serie de gráficos comparativos entre tecnologías semejantes, indicando el nicho que a nuestro entender esta nueva tecnología de recomendación balanceada puede ocupar dentro del mercado de la recomendación.
Comparativa de técnicas de Recomendación -> Precisión vs. Sencillez
En donde se definen los siguientes conceptos:
- General Search Engine: Motor de búsqueda tradicional como en Google, Amazon …
- General Recommender Engine: Motor de recomendación tradicional ( Last.fm, Strands, …)
- Tweaked Recommender Engine: Motor de recomendación donde se ha producido un fuerte ajuste manual para corregir las limitaciones de las técnicas clásicas de inteligencia colectiva como puede ser la mejora en los algoritmos en Netflix desde el concurso lanzado: http://www.netflixprize.com/index
- Balanced Recommender Engine: Motor de recomendación que balancea técnicas de Inteligencia Artificial con técnicas de Personalización Aplicada, Taxonomía Avanzada, etc.
En la siguiente gráfica se compara la capacidad de proporcionar una buena recomendación de manera flexible. La capacidad de hacer “tweaking” sobre los diferentes aspectos que contribuyen a la recomendación, mejora radicalmente la efectividad de la misma. Asimismo, la posibilidad de “self fulfilling” es absolutamente clave en cualquier entorno que aspire a dar una personalización de calidad en un entorno de múltiples variables que contribuyen a la recomendación, la posibilidad que ofrecen los recomendadores balanceados contribuye a mejorar de manera notable la flexibilidad de los mismos.
Comparativa de técnicas de Recomendación -> Precisión vs. Sencillez
En donde se definen los siguientes conceptos:
- General Search Engine: Motor de búsqueda tradicional como Google, Bing …
- General Recommender Engine: Motor de recomendación tradicional ( Last.fm, Strands, …)
- Tweaked Recommender Engine: Motor de recomendación donde se ha producido un fuerte ajuste manual para corregir las limitaciones de las técnicas clásicas de inteligencia colectiva como puede ser la mejora en los algoritmos en Netflix desde el concurso lanzado: http://www.netflixprize.com/index
- Balanced Recommender Engine: Motor de recomendación que balancea técnicas de Inteligencia Artificial con técnicas de Personalización Aplicada, Taxonomía Avanzada, etc.
En la siguiente gráfica se compara la capacidad de proporcionar una buena recomendación de manera flexible. La capacidad de hacer “tweaking” sobre los diferentes aspectos que contribuyen a la recomendación, mejora radicalmente la efectividad de la misma. Asimismo, la posibilidad de “self fulfilling” es absolutamente clave en cualquier entorno que aspire a dar una personalización de calidad en un entorno de múltiples variables que contribuyen a la recomendación, la posibilidad que ofrecen los recomendadores balanceados contribuye a mejorar de manera notable la flexibilidad de los mismos.
Comparativa de técnicas de Recomendación -Precisión vs. Flexibilidad
