En un intento por renovar la forma en que organiza y gestiona la información de sus productos, Amazon ha desarrollado un innovador sistema de inteligencia artificial (IA) autoaprendizaje. Este sistema tiene como objetivo optimizar la extracción de atributos de productos, tales como dimensiones, materiales y especificaciones técnicas, al tiempo que genera títulos que se ajustan a los hábitos de búsqueda de los consumidores. Dada la magnitud de esta tarea, con millones de envíos diarios, es un campo de pruebas ideal para la IA de autoaprendizaje.
Sin embargo, la implementación de este sistema no ha estado libre de desafíos. Los modelos de IA, al gestionar millones de productos, se enfrentan inevitablemente a casos complejos y terminología cambiante, lo que puede afectar la precisión de la información. Históricamente, la solución ha sido que científicos analicen los errores para hacer ajustes manuales, lo cual es un proceso oneroso en términos de recursos y no siempre se adapta al ritmo dinámico de los datos actuales. En busca de una solución más eficiente, Amazon ha optado por una estrategia más automática y escalable.
La solución revolucionaria de Amazon consiste en emplear múltiples modelos más pequeños en lugar de depender de uno solo. Este enfoque crea un sistema de consenso donde, al coincidir los modelos, se procesa la información con confianza. Ante divergencias, un modelo supervisor más avanzado entra en acción para resolver disputas y generar aprendizajes reutilizables, que se almacenan en una base de conocimiento dinámica para evitar discrepancias similares en el futuro.
El flujo de datos en este nuevo sistema incluye retroalimentación de vendedores y clientes, lo que permite que la IA evolucione continuamente en función de las lecciones aprendidas. Esta estructura jerárquica permite mantener una base de conocimiento organizada y adaptable a nuevas tendencias sin perder su coherencia lógica.
Además de aumentar la calidad de los datos, este sistema busca reducir costos. Conforme el sistema acumula aprendizajes y las tasas de desacuerdo disminuyen, también lo hace la necesidad de intervenciones de modelos supervisores, mejorando así la eficiencia operativa. Desde su implementación, las tasas de error han disminuido, demostrando la eficacia del sistema para aprender tanto de errores como de divergencias en el proceso de extracción de información. El objetivo final es desarrollar un catálogo que sea no solo funcional, sino también un recurso confiable para consumidores y vendedores, mejorando la experiencia de compra en Amazon.
