Empresas como Netflix y Amazon utilizan sistemas de recomendación para sugerir productos o contenido basándose en el comportamiento del usuario. Por ejemplo, al comprar un artículo en Amazon, se muestran otros productos que podrían interesarle. De forma similar, Netflix sugiere series y películas según lo que el usuario ha visto.
Hemos aplicado el mismo concepto a la adopción de tecnologías de vanguardia en internet. Nuestro sistema predice qué tecnologías podría utilizar un sitio web analizando el comportamiento de otros sitios web con perfiles tecnológicos similares.
Cómo funciona
- Identificamos los sitios web con una inversión significativa en tecnología y determinamos qué tecnologías utilizan.
- Medimos la superposición entre estas tecnologías para establecer el nivel de similitud entre sitios web.
- Cuanto mayor sea la superposición, más fuerte será la recomendación de utilizar tecnologías premium que un sitio esté utilizando y el otro no.
Por qué no utilizamos un modelo de IA tradicional
Quizás se pregunten por qué no utilizamos un enfoque de aprendizaje automático como la factorización de matrices para nuestro sistema de recomendaciones. Probamos varios modelos de IA, pero los resultados fueron deficientes. Además, estos modelos dependen de parámetros internos complejos, a menudo denominados «números mágicos», que son difíciles de interpretar o controlar.
Por ejemplo, la documentación de MatrixFactorizationTrainer incluye la frase «Para obtener mejores resultados, utilice lo siguiente», seguida de dos variables sin explicación. No hay claridad sobre por qué estos valores mejoran los resultados, lo que dificulta la validación y la confianza en el modelo.
Nuestro algoritmo, en cambio, sigue una metodología clara y bien definida. Sabemos exactamente cómo funciona, cómo se implementa y por qué produce resultados significativos.
¿Realmente funciona?
Sí. Por ejemplo, el modelo identifica que los sitios web con alta probabilidad de adoptar Magento Enterprise a menudo ya utilizan Magento. Esta relación no se definió ni se incorporó al sistema manualmente; se descubrió a través de los propios datos.
API de recomendaciones
Las recomendaciones se pueden consultar mediante programación a través de nuestra API, que proporciona respuestas en formato JSON y XML.
https://api.builtwith.com/recommendations-api Construye tus propios modelos
Puedes crear tus propios modelos utilizando los conjuntos de datos de BuiltWith, que proporcionan los datos subyacentes necesarios para el entrenamiento y la experimentación.