Meta, uma das líderes mundiais em sistemas de recomendação, publicou dois artigos que mostram como modelos generativos podem ser aplicados para entender melhor as intenções dos usuários e aprimorar as recomendações. Este novo enfoque, visto como um problema generativo, oferece soluções mais enriquecedoras e eficientes do que as abordagens clássicas, com importantes aplicações em diversas áreas.

Os sistemas de recomendação tradicionais baseiam-se em representações densas, o que requer armazenamento e capacidade computacional elevados à medida que aumenta o número de itens. Em contraste, a recuperação generativa busca entender a intenção do usuário por meio da previsão do próximo item em vez de realizar buscas em um banco de dados. Isso é feito através de 'semantic IDs' (SIDs) que contêm informações contextuais sobre os itens, permitindo um entendimento mais profundo das relações semânticas.

Apesar dos avanços, a recuperação generativa apresenta limitações, como o problema do 'cold start', que dificulta a recomendação de itens novos. Para contornar essas dificuldades, a Meta desenvolveu um sistema híbrido chamado LIGER, combinando as vantagens da recuperação generativa e densa, permitindo uma seleção mais eficaz de candidatos para recomendações.

1. Recuperação generativa reduz custos de armazenamento e inferência.

2. LIGER combina recuperação densa e generativa.

3. A tecnologia pode ser aplicada em diversos setores.

4. Modelos evolutivos possibilitam experiências mais personalizadas.

5. Mender, uma nova técnica, adapta-se às preferências dos usuários.

Com a eficiência fornecida pelos sistemas de recuperação generativa, empresas podem esperar benefícios práticos, como redução de custos de infraestrutura e aceleração na inferência. A capacidade de manter custos constantes à medida que o catálogo cresce torna essa tecnologia especialmente valiosa para empresas em expansão, abrangendo setores como e-commerce e busca empresarial.

O estudo da Meta destaca o potencial transformador dos modelos generativos em sistemas de recomendação, ao mesmo tempo que introduz inovações como LIGER e Mender. A evolução desses modelos promete não apenas melhorar a personalização das experiências do usuário, mas também garantir que as empresas se adaptem às novas demandas do mercado. Para continuar atualizado sobre as últimas inovações em AI, inscreva-se em nossa newsletter e descubra mais conteúdos diariamente.

FONTES:

1. VentureBeat

2. arXiv

3. BD Tech Talks

4. Wikipedia

5. arXiv