Hay un estado de confusión más que un estado de la técnica 🙂
El problema con los sistemas de recomendación como 2016 es que son sistemas muy complejos, donde predecir las recomendaciones o lo que a los usuarios les puede gustar o no es solo la punta del iceberg. Hay demasiadas cosas para considerar al mismo tiempo, como el problema del arranque en frío, cómo clasificar las recomendaciones, cómo hacer que las recomendaciones sean diversas, cómo mezclar factores sociales, factores temporales, etc.
Si piensas en Netflix, te darás cuenta de que todas esas cosas son críticas, y ahora podemos agregar cómo medir lo que le gusta o no al usuario. ¿Le gusta una serie si solo vio el primer episodio? Tal vez no, tal vez le gustó tanto que lo dejó para pasarlo mejor. En Netflix, las revisiones son muy raras hoy en día, la gente simplemente mira cosas sin tomarse el tiempo de revisarlas, por lo que decidir qué le gusta o no a un usuario es un problema nuevo.
- ¿Qué trabajos actuales estarán a salvo de la automatización y la inteligencia artificial?
- ¿Por qué la NASA desarrolló el corazón artificial?
- ¿Debería AI convertirse en un jugador político? Por ejemplo, en el futuro, ¿deberían los políticos tener que debatir con AI que calcula presupuestos y políticas?
- ¿Cómo podemos usar Machine Learning para escribir software?
- ¿Cuál es la diferencia entre inferencia y aprendizaje?
Si me preguntas acerca de un algoritmo para predecir clasificaciones, creo que las máquinas de factorización son lo último en la actualidad, en la mayoría de los concursos de Kaggle en los que estaba involucrado algo así, los FMs funcionaron muy bien.
Pero como dije antes, eso es solo la punta del iceberg, los recomendadores no son como problemas de clasificación o agrupación en los que tienes que elegir un algoritmo para resolver tu problema, un recomendante es un ecosistema completo de algoritmos que trabajan juntos y cómo funcionan juntos es más importante que las piezas individuales.
TL; DR: Es complicado.