El proceso es similar al modelo de aprendizaje autom\u00e1tico<\/a> que estudiamos anteriormente. Primero, la m\u00e1quina toma caracter\u00edsticas de los modelos de usuario y video proporcionados por el programador. Aprende de los datos de entrenamiento, qu\u00e9 peso dar a cada caracter\u00edstica para predecir correctamente el tiempo de visualizaci\u00f3n. Y luego, una vez probado y encontrado que funciona, puede comenzar a predecir y recomendar.<\/p>\r\n\r\n\r\n[caption id=\"attachment_891\" align=\"aligncenter\" width=\"363\"] Durante el entrenamiento, se dan millones de ejemplos tanto positivos como negativos al sistema. Un ejemplo positivo es cuando un usuario hizo clic en un video y lo vio durante cierto tiempo. Un ejemplo negativo es cuando el usuario no hizo clic en el video o no lo vio durante mucho tiempo2<\/sup>.<\/p>\r\n La red toma las caracter\u00edsticas de usuario y video discutidas en la secci\u00f3n de modelos de C\u00f3mo Youtube te Conoce Parte 1<\/a>. Ajusta la importancia dada a cada caracter\u00edstica de entrada comprobando si predijo correctamente el tiempo de visualizaci\u00f3n para un video y usuario dados.<\/p>\r\n Hay aproximadamente mil millones de par\u00e1metros (peso de cada caracter\u00edstica) que se deben aprender en cientos de miles de millones de ejemplos2<\/sup>. La red tambi\u00e9n puede aprender a ignorar ciertas caracter\u00edsticas y les dar\u00e1 cero importancia. As\u00ed, la incrustaci\u00f3n, o el modelo que crea el algoritmo, puede ser muy diferente de lo que los desarrolladores imaginaron.<\/p>\r\n\r\n Una vez que la red ha sido entrenada, se prueba con datos ya disponibles y se ajusta. Aparte de la precisi\u00f3n de la predicci\u00f3n, el resultado del sistema debe ser ajustado por el programador, basado en varios juicios de valor. Mostrar videos que son demasiado similares a los videos ya vistos no ser\u00e1 muy atractivo. \u00bfQu\u00e9 significa realmente que una recomendaci\u00f3n sea buena? \u00bfCu\u00e1ntos videos similares mostrar y cu\u00e1nta diversidad introducir - tanto con respecto a los otros videos como con respecto al historial del usuario? \u00bfCu\u00e1ntos de los intereses del usuario cubrir? \u00bfQu\u00e9 tipo de recomendaciones conducen a la satisfacci\u00f3n inmediata y cu\u00e1les conducen al uso a largo plazo1,3<\/sup>? Estas son todas preguntas importantes a considerar.<\/p>\r\n Despu\u00e9s de esta prueba, se realiza una evaluaci\u00f3n en tiempo real de las recomendaciones. Se mide el tiempo total de visualizaci\u00f3n por conjunto de videos predichos2<\/sup>. Cuanto m\u00e1s tiempo pasa un usuario viendo el conjunto recomendado de videos, m\u00e1s exitoso se considera el modelo. Note que solo mirar cu\u00e1ntos videos fueron cliqueados no es suficiente para la evaluaci\u00f3n. Youtube eval\u00faa sus recomendadores bas\u00e1ndose en cu\u00e1ntos videos recomendados fueron vistos por una porci\u00f3n sustancial del video, la longitud de la sesi\u00f3n, el tiempo hasta la primera visualizaci\u00f3n larga y la fracci\u00f3n de usuarios registrados con recomendaciones1<\/sup>.<\/p>\r\n\r\n Ahora exploraremos c\u00f3mo se presentan las recomendaciones al espectador. \u00bfCu\u00e1ntos videos se deben mostrar? \u00bfDeber\u00edan presentarse las mejores recomendaciones todas de una vez, o algunas deber\u00edan guardarse para m\u00e1s tarde3<\/sup>? \u00bfC\u00f3mo se deben mostrar las miniaturas y los t\u00edtulos de los videos? \u00bfQu\u00e9 otra informaci\u00f3n se debe mostrar? \u00bfQu\u00e9 configuraciones puede controlar el usuario1<\/sup>? Las respuestas a estas preguntas determinan c\u00f3mo Youtube logra mantener enganchados a dos mil millones de usuarios.<\/p>\r\n\r\n\r\n 1 Davidson, J., Liebald, B., Liu, J., Nandy, P., & Van Vleet, T.<\/strong> (2010). The YouTube video recommendation system. Proceedings of the 4th ACM Conference on Recommender Systems<\/em> (pp. 293\u2013296). Association for Computing Machinery. https:\/\/doi.org\/10.1145\/1864708.1864770<\/a><\/sup><\/p>\r\n 2<\/sup> Covington, P., Adams, J., & Sargin, E.<\/strong> (2016). Deep neural networks for YouTube recommendations. Proceedings of the 10th ACM Conference on Recommender Systems<\/em> (pp. 191\u2013198). Association for Computing Machinery. https:\/\/doi.org\/10.1145\/2959100.2959190<\/a><\/p>\r\n 3 Konstan, J. A., & Terveen, L. G.<\/strong> (2021). Human-centered recommender systems: Origins, advances, challenges, and opportunities. AI Magazine, 42<\/em>(3), 31\u201342. https:\/\/doi.org\/10.1609\/aimag.v42i3.18142<\/a><\/sup><\/p>\r\n 4 Spinelli, L., & Crovella, M.<\/strong> (2020). How YouTube leads privacy-seeking users away from reliable information. Adjunct Publication of the 28th ACM Conference on User Modeling, Adaptation and Personalization (UMAP \u201920 Adjunct)<\/em> (pp. 244\u2013251). Association for Computing Machinery. https:\/\/doi.org\/10.1145\/3386392.3399566<\/a><\/p>","rendered":" En Google, las redes neuronales profundas<\/a> ahora se utilizan para el aprendizaje autom\u00e1tico2<\/sup>. Basado en el modelo de video, la red neuronal de Youtube toma videos similares a los que el usuario ya ha visto. Luego intenta predecir el tiempo de visualizaci\u00f3n de cada nuevo video para un modelo de usuario dado, y los clasifica bas\u00e1ndose en la predicci\u00f3n. La idea es entonces mostrar los diez a veinte videos (dependiendo del dispositivo) con las mejores clasificaciones.<\/p>\n El proceso es similar al modelo de aprendizaje autom\u00e1tico<\/a> que estudiamos anteriormente. Primero, la m\u00e1quina toma caracter\u00edsticas de los modelos de usuario y video proporcionados por el programador. Aprende de los datos de entrenamiento, qu\u00e9 peso dar a cada caracter\u00edstica para predecir correctamente el tiempo de visualizaci\u00f3n. Y luego, una vez probado y encontrado que funciona, puede comenzar a predecir y recomendar.<\/p>\n Durante el entrenamiento, se dan millones de ejemplos tanto positivos como negativos al sistema. Un ejemplo positivo es cuando un usuario hizo clic en un video y lo vio durante cierto tiempo. Un ejemplo negativo es cuando el usuario no hizo clic en el video o no lo vio durante mucho tiempo2<\/sup>.<\/p>\n La red toma las caracter\u00edsticas de usuario y video discutidas en la secci\u00f3n de modelos de C\u00f3mo Youtube te Conoce Parte 1<\/a>. Ajusta la importancia dada a cada caracter\u00edstica de entrada comprobando si predijo correctamente el tiempo de visualizaci\u00f3n para un video y usuario dados.<\/p>\n Hay aproximadamente mil millones de par\u00e1metros (peso de cada caracter\u00edstica) que se deben aprender en cientos de miles de millones de ejemplos2<\/sup>. La red tambi\u00e9n puede aprender a ignorar ciertas caracter\u00edsticas y les dar\u00e1 cero importancia. As\u00ed, la incrustaci\u00f3n, o el modelo que crea el algoritmo, puede ser muy diferente de lo que los desarrolladores imaginaron.<\/p>\n Una vez que la red ha sido entrenada, se prueba con datos ya disponibles y se ajusta. Aparte de la precisi\u00f3n de la predicci\u00f3n, el resultado del sistema debe ser ajustado por el programador, basado en varios juicios de valor. Mostrar videos que son demasiado similares a los videos ya vistos no ser\u00e1 muy atractivo. \u00bfQu\u00e9 significa realmente que una recomendaci\u00f3n sea buena? \u00bfCu\u00e1ntos videos similares mostrar y cu\u00e1nta diversidad introducir – tanto con respecto a los otros videos como con respecto al historial del usuario? \u00bfCu\u00e1ntos de los intereses del usuario cubrir? \u00bfQu\u00e9 tipo de recomendaciones conducen a la satisfacci\u00f3n inmediata y cu\u00e1les conducen al uso a largo plazo1,3<\/sup>? Estas son todas preguntas importantes a considerar.<\/p>\n Despu\u00e9s de esta prueba, se realiza una evaluaci\u00f3n en tiempo real de las recomendaciones. Se mide el tiempo total de visualizaci\u00f3n por conjunto de videos predichos2<\/sup>. Cuanto m\u00e1s tiempo pasa un usuario viendo el conjunto recomendado de videos, m\u00e1s exitoso se considera el modelo. Note que solo mirar cu\u00e1ntos videos fueron cliqueados no es suficiente para la evaluaci\u00f3n. Youtube eval\u00faa sus recomendadores bas\u00e1ndose en cu\u00e1ntos videos recomendados fueron vistos por una porci\u00f3n sustancial del video, la longitud de la sesi\u00f3n, el tiempo hasta la primera visualizaci\u00f3n larga y la fracci\u00f3n de usuarios registrados con recomendaciones1<\/sup>.<\/p>\n Ahora exploraremos c\u00f3mo se presentan las recomendaciones al espectador. \u00bfCu\u00e1ntos videos se deben mostrar? \u00bfDeber\u00edan presentarse las mejores recomendaciones todas de una vez, o algunas deber\u00edan guardarse para m\u00e1s tarde3<\/sup>? \u00bfC\u00f3mo se deben mostrar las miniaturas y los t\u00edtulos de los videos? \u00bfQu\u00e9 otra informaci\u00f3n se debe mostrar? \u00bfQu\u00e9 configuraciones puede controlar el usuario1<\/sup>? Las respuestas a estas preguntas determinan c\u00f3mo Youtube logra mantener enganchados a dos mil millones de usuarios.<\/p>\n 1 Davidson, J., Liebald, B., Liu, J., Nandy, P., & Van Vleet, T.<\/strong> (2010). The YouTube video recommendation system. Proceedings of the 4th ACM Conference on Recommender Systems<\/em> (pp. 293\u2013296). Association for Computing Machinery. https:\/\/doi.org\/10.1145\/1864708.1864770<\/a><\/sup><\/p>\n 2<\/sup> Covington, P., Adams, J., & Sargin, E.<\/strong> (2016). Deep neural networks for YouTube recommendations. Proceedings of the 10th ACM Conference on Recommender Systems<\/em> (pp. 191\u2013198). Association for Computing Machinery. https:\/\/doi.org\/10.1145\/2959100.2959190<\/a><\/p>\n 3 Konstan, J. A., & Terveen, L. G.<\/strong> (2021). Human-centered recommender systems: Origins, advances, challenges, and opportunities. AI Magazine, 42<\/em>(3), 31\u201342. https:\/\/doi.org\/10.1609\/aimag.v42i3.18142<\/a><\/sup><\/p>\n 4 Spinelli, L., & Crovella, M.<\/strong> (2020). How YouTube leads privacy-seeking users away from reliable information. Adjunct Publication of the 28th ACM Conference on User Modeling, Adaptation and Personalization (UMAP \u201920 Adjunct)<\/em> (pp. 244\u2013251). Association for Computing Machinery. https:\/\/doi.org\/10.1145\/3386392.3399566<\/a><\/p>\n","protected":false},"author":3,"menu_order":4,"template":"","meta":{"pb_show_title":"on","pb_short_title":"","pb_subtitle":"","pb_authors":[],"pb_section_license":""},"chapter-type":[],"contributor":[],"license":[],"part":98,"_links":{"self":[{"href":"https:\/\/aiopentext.itd.cnr.it\/IAparaprofesores\/wp-json\/pressbooks\/v2\/chapters\/112"}],"collection":[{"href":"https:\/\/aiopentext.itd.cnr.it\/IAparaprofesores\/wp-json\/pressbooks\/v2\/chapters"}],"about":[{"href":"https:\/\/aiopentext.itd.cnr.it\/IAparaprofesores\/wp-json\/wp\/v2\/types\/chapter"}],"author":[{"embeddable":true,"href":"https:\/\/aiopentext.itd.cnr.it\/IAparaprofesores\/wp-json\/wp\/v2\/users\/3"}],"version-history":[{"count":11,"href":"https:\/\/aiopentext.itd.cnr.it\/IAparaprofesores\/wp-json\/pressbooks\/v2\/chapters\/112\/revisions"}],"predecessor-version":[{"id":893,"href":"https:\/\/aiopentext.itd.cnr.it\/IAparaprofesores\/wp-json\/pressbooks\/v2\/chapters\/112\/revisions\/893"}],"part":[{"href":"https:\/\/aiopentext.itd.cnr.it\/IAparaprofesores\/wp-json\/pressbooks\/v2\/parts\/98"}],"metadata":[{"href":"https:\/\/aiopentext.itd.cnr.it\/IAparaprofesores\/wp-json\/pressbooks\/v2\/chapters\/112\/metadata\/"}],"wp:attachment":[{"href":"https:\/\/aiopentext.itd.cnr.it\/IAparaprofesores\/wp-json\/wp\/v2\/media?parent=112"}],"wp:term":[{"taxonomy":"chapter-type","embeddable":true,"href":"https:\/\/aiopentext.itd.cnr.it\/IAparaprofesores\/wp-json\/pressbooks\/v2\/chapter-type?post=112"},{"taxonomy":"contributor","embeddable":true,"href":"https:\/\/aiopentext.itd.cnr.it\/IAparaprofesores\/wp-json\/wp\/v2\/contributor?post=112"},{"taxonomy":"license","embeddable":true,"href":"https:\/\/aiopentext.itd.cnr.it\/IAparaprofesores\/wp-json\/wp\/v2\/license?post=112"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}![\"\"](\"http:\/\/aiopentext.itd.cnr.it\/spanishwithchatgpt\/wp-content\/uploads\/sites\/20\/2024\/02\/Espanol-ES-9.2-1-1024x858.jpg\")
Imagen Una m\u00e1quina aprende, adaptada de AI\u202fOpen\u202fText\u202fLab (2022). Traducci\u00f3n Rodriguez Enr\u00edquez del texto incluido en la imagen. Fuente: AI\u202fOpen\u202fText\u202fLab. Licencia: CC\u202fBY\u2011SA\u202f4.0. https:\/\/creativecommons.org\/licenses\/by-sa\/4.0\/<\/a>[\/caption]\r\nEntrenamiento<\/h3>\r\n
Pruebas<\/h3>\r\n[caption id=\"attachment_440\" align=\"alignright\" width=\"300\"]
![\"\"](\"http:\/\/aiopentext.itd.cnr.it\/spanishwithchatgpt\/wp-content\/uploads\/sites\/20\/2024\/02\/Espanol-EN-9.4-300x251.jpg\")
Imagen entre, prueba y usa, adaptada de AI\u202fOpen\u202fText\u202fLab (2022). Traducci\u00f3n Rodriguez Enr\u00edquez del texto incluido en la imagen. Fuente: AI\u202fOpen\u202fText\u202fLab. Licencia: CC\u202fBY\u2011SA\u202f4.0. https:\/\/creativecommons.org\/licenses\/by-sa\/4.0\/<\/a>[\/caption]\r\nLa interfaz<\/h3>\r\n
\r\nEl proceso<\/h3>\n
Entrenamiento<\/h3>\n
Pruebas<\/h3>\n
La interfaz<\/h3>\n
\n