Kumo utiliza uma abordagem única que combina dados estruturados e não estruturados de um data warehouse, permitindo a construção de modelos preditivos altamente precisos em poucos dias. Employing embedding tuning, a Kumo consegue unir LLMs pré-treinados com modelos de Graph Transformer para otimizar a precisão das recomendações em até dois dígitos.

Recentemente, a equipe de ciência de dados da Kumo realizou experimentos focados em tarefas de recomendação de produtos, onde o objetivo era prever quais produtos um cliente estaria propenso a comprar nos próximos sete dias. Para que o sistema de recomendação funcione com precisão, é essencial que ele entenda detalhadamente tanto as propriedades dos produtos quanto as preferências dos clientes.

A equipe experimentou quatro variantes de como a informação textual pode ser processada para tarefas de recomendação, revelando que os LLMs sozinhos apresentaram um desempenho insatisfatório, enquanto combiná-los com a abordagem Graph da Kumo levou a melhorias significativas na precisão.

1. Os LLMs sozinhos não foram eficazes em capturar comportamentos sutis dos clientes.

2. Os modelos baseados em grafos como Kumo mostraram uma precisão 15 vezes superior em comparação aos LLMs.

3. A combinação de Kumo com LLMs melhorou ainda mais a precisão em 4% a 11%.

4. Kumo utiliza embeddings gerados por LLMs para enriquecer suas análises.

5. A análise de dados não estruturados é crucial para uma recomendação eficaz.

Os resultados mostram que a Kumo, ao unir capacidades de processamento de texto e aprendizado de grafos, consegue criar um entendimento mais profundo das preferências dos consumidores, permitindo recomendações personalizadas baseadas em interações diretas e indiretas.

As descobertas da Kumo enfatizam a importância da combinação de diferentes tecnologias para otimizar sistemas de recomendação. A evolução constante dos LLMs indica um futuro promissor para a personalização em serviços e venda. Para se manter atualizado sobre essas inovações, assine nossa newsletter e descubra mais conteúdos relevantes diariamente.

FONTES:

1. Kaggle H&M Dataset

2. BERT

3. sentence transformers

4. OpenAI

5. Hugging Face