Tim van Kasteren, Adevinta: Sobre el uso de IA para mejorar los clasificados en línea

En medio de la turbulencia económica mundial, el uso de IA para mejorar las experiencias en línea y extraer el máximo valor de cada inversión es más importante que nunca.

La industria de la publicidad es pionera en IA y aprendizaje automático; aprovechar las tecnologías para ofrecer experiencias personalizadas que garanticen que el contenido correcto se presente a las personas adecuadas en el momento adecuado.

AI News se reunió con Tim van Kasteren, jefe de ingeniería de Adevinta, para obtener más información sobre cómo uno de los líderes de anuncios clasificados en línea de Europa está utilizando la IA.

Noticias de AI: Desde arriba, ¿cómo está mejorando AI los anuncios clasificados en línea? 

Tim van Kasteren: Los anuncios clasificados en línea son una forma de mercados de dos lados donde un comprador y un vendedor se unen para cerrar un trato. Históricamente, somos un grupo de mercados donde conectamos a personas que realizan transacciones fuera de nuestra plataforma. Ahora estamos agregando más y más servicios para permitir que las personas realicen transacciones de manera segura en nuestras plataformas (opciones de envío integradas, pagos a través de la plataforma, protección del comprador, etc.).

Aplicamos IA en muchas etapas de los viajes de usuario tanto del comprador como del vendedor.

Apoyamos a los compradores ofreciendo contenido relevante en forma de recomendaciones y resultados de búsqueda. Por ejemplo, cuando un usuario regresa a uno de nuestros mercados, se le presenta un feed de página de inicio personalizado que le brinda de inmediato una descripción general de los anuncios relevantes que se agregaron recientemente o que el usuario aún no ha visto. Esto lleva al usuario directamente a la experiencia de búsqueda. Al hacer clic en uno de los anuncios, se muestra al usuario una página de anuncios detallada con recomendaciones similares.

Para comprender la complejidad de una solución de este tipo, es importante comprender la diferencia entre los anuncios clasificados en línea y su empresa/plataforma típica de comercio electrónico. En un negocio/plataforma de comercio electrónico, normalmente tiene un stock de varios (quizás cientos) de artículos, mientras que en los anuncios clasificados en línea, cada artículo es único y, una vez vendido, se elimina del mercado. Esto significa que el inventario de un mercado es extremadamente volátil; como resultado, los algoritmos de recomendación tradicionales no funcionan muy bien en este contexto.

También apoyamos a los vendedores para que agreguen nuevos artículos a nuestros mercados y nos aseguremos de que sus anuncios funcionen bien. Agregar un artículo significa que el vendedor debe proporcionar imágenes, un título, categoría, precio y una descripción de un artículo. Utilizamos la visión por computadora para completar previamente algunos de estos campos y para proporcionar un rango de precios en el que creemos que se venderá el artículo.

Hacer estas cosas bien significa que el artículo se venderá rápidamente, brindando una buena experiencia de usuario tanto para el vendedor como para el comprador y mejorando lo que se llama la liquidez del mercado. También proporcionamos a los vendedores una variedad de estadísticas sobre el rendimiento de su anuncio y sugerencias sobre cómo pueden mejorar ese rendimiento.

Otras áreas en las que la IA juega un papel son más tras bambalinas. Por ejemplo, tenemos aplicaciones en publicidad (orientarnos al usuario correcto para un anuncio determinado), marketing (atraer a los usuarios con contenido relevante) y detección de fraudes (asegurarnos de que los anuncios fraudulentos o los anuncios que violan nuestras políticas no lleguen a la plataforma). ).

AN: ¿Cree que ayuda a mantener el flujo de bienes y servicios en tiempos de incertidumbre económica?

TvK: Los clasificados en línea son plataformas que ayudan a las personas a darle una segunda vida a sus productos.

Además de obtener algo de dinero a cambio de un artículo que el vendedor ya no usa, la naturaleza sostenible de la transacción (reutilizar un artículo en lugar de comprar un artículo recién fabricado) es un motivador importante para muchos de nuestros usuarios.

Además, nuestras plataformas reducen la brecha socioeconómica en la sociedad, ya que ciertos productos caros (por ejemplo, ciertos artículos tecnológicos) están disponibles a un precio más asequible.

AN: Un problema que Adevinta destacó en una publicación de blog que es específico de los sistemas de recomendación es el “problema de arranque en frío”. ¿Puede explicar qué es y cómo superarlo?

TvK: El problema de inicio en frío en los recomendadores se refiere a elementos para los que tiene muy pocos datos (es decir, clics) para aplicar su algoritmo basado en datos.

Como se describió anteriormente, debido a que nuestros mercados tienen un inventario altamente volátil en comparación con el comercio electrónico, este problema es muy relevante. Si no tenemos suficientes clics para recomendar un artículo, recurrimos a técnicas basadas en el procesamiento del lenguaje natural (NLP) para determinar qué artículos son similares.

Esto requiere una fuente de datos diferente (los metadatos de un anuncio) y un enfoque algorítmico diferente para calcular la similitud. Nuestros servicios de personalización determinan automáticamente si tenemos suficientes datos de clics para generar recomendaciones o si tenemos que recurrir al enfoque basado en NLP.

AN: ¿Cómo se asegura de que los datos que está utilizando para los modelos sean de una calidad suficientemente alta?

TvK: Todos nuestros mercados canalizan sus datos a un bus de datos creado centralmente, que es básicamente una solución de transmisión que nos permite procesar datos de comportamiento y otros tipos de datos en tiempo real.

Hemos recreado una plataforma de monitoreo de calidad de datos interna que verifica anomalías básicas en la calidad y permite reglas personalizadas para verificar si los niveles de calidad son los esperados. Cuando implementamos un producto de datos en uno de nuestros mercados, verificamos la calidad de los datos utilizando esta herramienta y colaboramos con el equipo de mercados para mejorar la calidad de los datos si es necesario.

Una vez que el producto está activo, un servicio de control de calidad controla si la calidad de los datos cae por debajo de los niveles aceptables.

AN: ¿Utiliza una plataforma de aprendizaje automático como SageMaker para sus modelos de PNL?

TvK: Hemos desarrollado una plataforma interna de aprendizaje automático (ML) basada en Kubeflow y Kubernetes en la que ejecutamos nuestros servicios y cargas de trabajo.

Esta plataforma ML nos permite tener una alta utilización de nuestros clústeres informáticos sin tener que pagar un margen adicional como lo haríamos con SageMaker. Además, la plataforma ML nos permite integrarnos a la perfección con el resto de nuestra canalización de CI/CD.

AWS SageMaker aún puede ser útil para la creación rápida de prototipos, pero nos costó aplicarlo con éxito en una configuración de producción debido al aumento del costo y las funciones de control de fuente limitadas.

AN: ¿Qué tan importante sigue siendo el elemento humano en las tareas creativas? ¿Prevé que eso cambie mucho en los próximos años?

TvK: El desarrollo de productos sigue siendo una tarea altamente creativa y perspicaz en la que están involucradas muchas partes de nuestra organización.

Los análisis nos ayudan a tomar decisiones basadas en datos, y los conjuntos de herramientas y las plataformas nos ayudan a aumentar el tiempo de comercialización al implementar un prototipo, MVP y, finalmente, la versión lista para producción, pero el proceso de desarrollo de productos en su conjunto todavía requiere mucho creatividad humana activa.

AN: Recientemente presentó una sesión en AI & Big Data Expo Europe de este año, ¿puede darnos una breve descripción general para los lectores que no pudieron asistir?

En mi charla en AI & Big Data Expo, expliqué algunos de los desafíos que enfrentan las empresas federadas en la creación de productos de datos. Hablé tanto de los desafíos como de cómo los resolvimos en las áreas de recopilación de datos, procesamiento de datos, privacidad y experimentación. Luego di ejemplos de productos de datos que construimos en el espacio de personalización y visión por computadora.

Puede ver una grabación de la sesión de Tim van Kasteren a continuación:

¿Quiere aprender más sobre IA y big data de los líderes de la industria? Eche un vistazo a AI & Big Data Expo que tendrá lugar en Ámsterdam, California y Londres.

Explore otros próximos eventos y seminarios web de tecnología empresarial impulsados ​​por TechForge aquí.

La publicación Tim van Kasteren, Adevinta: Sobre el uso de IA para mejorar los clasificados en línea apareció primero en AI News.