Las recomendaciones son una de las partes más importantes de la experiencia de Netflix. El motor original de recomendaciones de Netflix se construyó sobre miles de características hechas a mano en usuarios, elementos e interacciones. Aunque se han producido muchos cambios en esta pila a lo largo de los años, sigue siendo bastante compleja. Es costoso incorporar nuevos casos de uso.
Los grandes modelos de lenguaje (LLM) han avanzado mucho en su capacidad para recomendar cosas a un usuario. Debido a su conocimiento más amplio del mundo y su comprensión del lenguaje, los LLM hacen un buen trabajo al descubrir relaciones entre diferentes cosas. Sin embargo, no se puede simplemente tomar un LLM listo para usar para generar recomendaciones para una empresa como Netflix. Por eso el equipo de ingeniería de Netflix construyó Gen Rec.
La idea básica detrás de Gen Rec es usar un LLM para comprender mejor el historial de visualización de un usuario y asignar puntuaciones a las diversas películas y programas de TV que se transmiten en Netflix. Netflix tiene que hacer una serie de ajustes al modelo base para que funcione con su contenido y el comportamiento de los miembros.
Un sistema de recomendación debe responder una pregunta básica: ¿Qué debería aparecer primero en la lista de recomendaciones? El orden de las recomendaciones lo maneja un componente conocido como el clasificador. Asigna puntuaciones a varios elementos según lo adecuados que parezcan para un usuario particular en una situación particular. Cuanto mejor sea la puntuación de un elemento, más arriba aparecerá.
Fuente: ByteByteGo · Resumido por HeadlinesBriefing