Este documento describe Azure Personalizer, un servicio de IA de Microsoft que ofrece experiencias personalizadas a los usuarios. Personalizer utiliza aprendizaje por refuerzo para mejorar continuamente las recomendaciones en tiempo real sin necesidad de reentrenamiento. El documento incluye ejemplos de casos de uso, instrucciones para desarrolladores, y detalles sobre precios y recursos de aprendizaje adicionales.
2. Ofreciendo experiencias de
valor inteligentes y a la
medida con Azure
Personalizer
Luis Beltrán
https://www.theurlist.com/warmiintechpersonalizer
3. Luis Beltrán
• Investigador en Tomas Bata
University in Zlín, República
Checa.
• Docente en Tecnológico
Nacional de México en
Celaya, Mexico.
• Xamarin, Azure e
Inteligencia Artificial
@darkicebea
m
luis@luisbeltran.mx
luisbeltran.mx
10. ROI probado
Transformar
la experiencia
del cliente
rinde frutos
Fuente: McKinsey, Microsoft Services
Before After
Incrementa
Satisfacción del
Cliente por un
20 %
Before After
Incrementa el
Crecimiento de
Ingresos por un
10-15 %
Before After
Disminuye el
Costo de Servicio
por un
15 a 20 %
Las marcas que se destacan en la personalización ofrecen entre
5 y 8 veces más el ROI de marketing e incrementan sus ventas
por más de 10% sobre compañías que no personalizan
11. Experiencia y Resultados de Microsoft
Xbox Home
RESULTADOS
+40% aumento en la intereacción con los artículos
+2.5% incremento en interacción mezclada
MSN News
RESULTADOS
+25% mejora en clicks de Noticias
Personalización: contenido
de noticias en la parte
superior de la página en
MSN.com
Qué se recompensa: haga
clic en el contenido en el
primer espacio
Modelo actualizado cada 5
minutos
Personalizado:
tipo de
contenido en
posición de
héroe, un premio
en un lugar
secundario.
Recompensa: clic
e interacción
12. Personaliza experiencias
Campañas de Correo Contenido Creativo,
Diseño del Contenido
Sugerencias del Menú
Alertas, Listas de
reproducción,
Contenidos
(artículos, tips, publicaciones de blog...)
Sugerencias de
Contenido
14. Reinforcement Learning
• RL se refiere a una rama de IA / ML, que
está dirigidas a problemas orientados a
objetivos.
• Los algoritmos RL pueden lograr
objetivos complejos maximizando una
función de recompensa en muchos
pasos, por ejemplo, los puntos ganados
en un juego de muchos pasos.
• La función de recompensa funciona de
manera similar a incentivar a un niño
con dulces y castigos, de modo que el
algoritmo se penaliza cuando toma una
decisión incorrecta y se recompensa
cuando toma la correcta; esto es un
refuerzo.
15. Reinforcement Learning en Sistemas de
Recomendación
• Recomendadores: dado un perfil de
usuario y contenido categorizado, el
sistema hace una recomendación
basada en popularidad, intereses,
demografía, frecuencia y otras
características.
• El aspecto de refuerzo de RL le permite
adaptarse más rápidamente a los
cambios en tiempo real en el
sentimiento y el perfil del usuario, sin
necesidad de (re) entrenamiento
explícito.
• La adopción empresarial también parece
estar ganando impulso con la reciente
disponibilidad de APIs de nube como
Azure Personalizer y RecSim de Google.
16. Formulación en Reinforcement Learning
• Recompensa (𝑟): se refiere a la
retroalimentación mediante la cual
medimos el éxito o el fracaso de la
acción recomendada por un
agente.
• Política (𝜋): es la estrategia que
emplea el agente para seleccionar
la siguiente mejor acción.
17. Ejemplo de Arquitectura de app con
refuerzo
• Recomendador + Chatbots: una aplicación envía notificaciones push a los usuarios, en las
que se envían recomendaciones personalizadas relacionadas con la salud, el estado físico, la
actividad, etc. así como chats interactivos donde la aplicación reacciona en respuesta a la
consulta de un usuario.
• Canal de retroalimentación múltiple, con retroalimentación capturada desde dispositivos
o sensores del teléfono/tablet que aloja la aplicación del usuario (cámara web, termostato,
reloj inteligente, micrófonos, acelerómetros).
• Por ejemplo, se captura la expresión facial del usuario por medio de la cámara junto con una respuesta de
texto del usuario para calcular el sentimiento del usuario sobre una acción recomendada.
18. Otro ejemplo de implementación
Múltiples canales de comentarios:
corresponden a una transmisión de
video en vivo y la interacción del
usuario con un artículo.
Dada una fotografía del usuario, la
puntuación de opinión se calcula
mediante la API de Azure Face.
Por ejemplo, artículos trágicos, tristes,
deprimentes, etc., no se muestran a
menos que el usuario esté "feliz".
20. Azure Cognitive Services
Percepción Comprensión
Visión Voz Lenguaje Decisión
Computer Vision
Face API
Custom Vision
Text-to-Speech
Speech-to-Text
Speech Translator
Speaker Recognition
Language Understanding
Translator
Text Analytics
QnA Maker
Anomaly Detector
Content Moderator
Personalizer
microsoft.com/cognitive
21. Decisión
• Anomaly Detector – identifica problemas potenciales en tus
datos.
• Content Moderator – detecta contenido potencialmente
ofensivo o no deseado.
• Personalizer – crea experiencias enriquecidas y personalizadas
para cada usuario.
24. Azure Personalizer
• Microsoft es la primera empresa que convierte el uso empresarial del
aprendizaje de refuerzo en una posibilidad gracias a Personalizer.
• Su ciclo de aprendizaje se ejecuta a una velocidad digital y aprende de
una puntuación de compensación sencilla que se optimiza para alcanzar
los objetivos empresariales.
• Permite ofrecer experiencias más inteligentes para cada usuario que
mejoran con el tiempo.
• A diferencia de los motores de recomendaciones que adoptan algunas
características y sugieren elementos de un amplio catálogo, Personalizer
adopta algunos elementos con características sofisticadas y predice el
mejor resultado para el usuario específico en ese dispositivo y en ese
mismo momento.
25. Ejemplo de implementación
Have Fun!
…
We think you’ll like
?
Watch
Play
Join
Personalizer
Watch Action 2 Info
Action 3 Info
User & Context
Info
Action 1 info
Your Users
Your business
logic observing &
evaluating user
behavior
Reward Score
Reward (r)
Personalizer
Service
Rank (..)
Join
Play
Join
Watch
Play
Join
27. Typical training now has new patterns
Ranking
Aprovecha los datos del motor de recomendaciones
existente, los perfiles del usuario aprobado o fuentes de
datos de contexto
Efecto de Retroalimentación
Descubra nuevos patrones y vuelva a entrenar en modelos
existentes, mejorar los frameworks con el tiempo
Product /
Media Catalog
e.g. 500,000 items
User
30 Items
Personalizer
Top contextual &
personalized
products
Recommendation Engine
Existing Personalization
Existing Segmentation,
Collaborative Filtering, Etc.
Editorial Team
Editorial Team creates content
Typical training now has new patterns
29. • Envía información (funciones) sobre tus usuarios y el contenido
(acciones) a personalizar.
• Personalizer responde con la acción superior.
• Retroalimentación: envía comentarios a Personalizer sobre qué
tan bien funcionó la clasificación (un valor entre 0 y 1).
32. Personalizer SDK
• Microsoft.Azure.CognitiveServices.
Personalizer (Nuget Package)
• APIs:
• Rank API – Elige el mejor item (desde
las acciones) basada en información en
tiempo real, proporcionando contenido
y context
• Reward API – Determina el puntaje
basado en tus necesidades de negocio y
envía esta retroalimentación a
Personalizer (1 – bien, 0 – mal)
44. Casos de uso
• Personaliza qué artículo(s) se destaca(n) en un sitio web de
noticias.
• Determina cuál artículo recomendado debe aparecerle al
usuario en una tienda en línea.
• Sugiere elementos de la interfaz de usuario, como filtros, para
aplicar a una foto.
47. Gratis por 12 meses
• El nivel gratis es ideal para empezar a
utilizar el servicio y para aprender a
usarlo en una aplicación.
• Una transacción es una solicitud para
crear una clasificación personalizada de
elementos. En términos de
interacciones con la API, son las
llamadas HTTP para obtener las
recompensas de la IA.
• La característica del modo aprendiz no
tiene ningún costo adicional en la
versión Preview. El precio se actualizará
cuando el modo aprendiz esté
disponible de forma General.