Saltar al contenido
Noticias de tecnologia

¡Ellos lo hicieron! One Team informa el éxito en el premio Netflix de $ 1 millón

Premio Netflix: ¿Se ganarán los $ 1 millón en 2009?

En octubre de 2006, la compañía de alquiler de películas en línea Netflix anunció un concurso llamado The Netflix Prize; cualquier equipo que pudiera superar su motor de recomendaciones interno en un 10% al predecir qué películas le gustaría a la gente ganaría un premio de $ 1 millón. Fue un gran desafío de ingeniería para el que se inscribieron más de 50.000 equipos de científicos informáticos. Hoy un equipo, una combinación de cuatro de los primeros equipos, anunció que ha construido un sistema que ofrece una mejora del 10,05%.

Si ese equipo soporta el período de escrutinio de un mes que comienza ahora, no solo significará fama y (algo) de fortuna para ellos y un gran impulso para Netflix, sino que podría marcar un punto de inflexión clave para la tecnología de recomendación en la web.

El equipo internacional, llamado BellKor’s Pragmatic Chaos, está formado por investigadores de AT&T, Yahoo! Research Israel, Commendo Research and Consulting en Austria y la teoría pragmática de Montreal.

En enero de este año, analizamos en profundidad el Premio Netflix, preguntando si 2009 podría ser el año en que se cumpliría la meta. En esa publicación también discutimos un perfil del concurso del New York Times, donde nos enteramos de que el motor de recomendación existente de la compañía llamado Cinematch tiene el crédito de impulsar el 60% de los alquileres de Netflix. Ese sistema es especialmente bueno para predecir películas de “cola larga”, títulos más antiguos y oscuros que son menos conocidos pero que constituyen el 70% de lo que eligen los clientes de Netflix. Las mejoras en la efectividad de Cinematch se estancaron en 2006 y la decisión de ofrecer un gran premio en efectivo a los innovadores externos ha capturado la imaginación de miles de ingenieros y sus fanáticos.

¿Como funciona?

¿Cómo valora las mejoras en las recomendaciones? Netflix proporciona a los participantes del concurso una gran cantidad de datos anónimos sobre las películas que ciertos clientes calificaron mejor, luego los equipos crearon algoritmos para predecir qué películas otros perfiles de clientes calificarían altamente en función de patrones pasados. Pragmatic Chaos de BellKor dice que ahora puede adivinar lo que le gustará a la gente con una mejora del 10% sobre la tasa de éxito de Cinematch.

Eso se vuelve difícil cuando películas como Napoleon Dynamite, que algunas personas amaban y otras odiaban, se mezclan. Es casi imposible predecir si a una persona le gustarán películas como esa.

Se informa que la mayoría de los sistemas de recomendación predictiva ingresados ​​en el Premio Netflix son bastante similares, por lo que preguntamos en enero si iba a tomar un avance radical para llegar al 10% superior en lugar de solo una iteración continua.

Ese avance puede haber llegado cuando los cuatro equipos unieron sus cabezas, o puede haber sido una victoria iterativa. El tiempo y la ciencia lo dirán.

Algunas personas creen que la recomendación como tecnología tiene el potencial de ser incluso mayor que la búsqueda. En nuestro artículo favorito sobre el tema, escrito hace ya ocho meses, el Dr. Rick Hangartner, científico jefe de motor de recomendaciones Strands, lo expresa así:

A corto plazo, los motores de búsqueda incorporarán cada vez más tecnologías de recomendación simples para manejar consultas aproximadas (por ejemplo, “Usted solicitó esto y, basándose en consultas / comportamientos similares de otros, es posible que esté buscando esto”). Pero a largo plazo, la industria de recomendaciones será más grande y las tecnologías de recomendación serán más generalizadas que la industria de búsqueda y la tecnología de búsqueda tal como la conocemos. [Because there will be recommendation going on all over the web.]