En un intento por perfeccionar su extenso catálogo y elevar la calidad de la información sobre productos, Amazon ha puesto en marcha un innovador sistema de inteligencia artificial (IA) autosuficiente, que promete cambiar radicalmente la gestión de datos en su plataforma. Este sistema se especializa en extraer atributos estructurados de productos, tales como dimensiones, materiales y especificaciones técnicas, al mismo tiempo que genera títulos optimizados para los hábitos de búsqueda de los consumidores. La magnitud de esta tarea, implicando millones de interacciones diarias, convierte al enriquecimiento del catálogo en un campo excelente para aplicar IA de autoaprendizaje.
Implementar este sistema no ha estado exento de retos. Los modelos de IA ocasionalmente enfrentan casos complicados o se encuentran con terminología cambiante, provocando bajadas en la precisión. Tradicionalmente, resolver estos problemas requería la intervención de científicos de datos, un proceso costoso en términos de tiempo y recursos, a menudo insuficiente ante la variedad y volumen de información en tiempo real. Por tanto, Amazon ha perseguido una solución más automatizada y escalable.
La solución innovadora de Amazon emplea múltiples modelos de menor tamaño en lugar de uno solo, así conformando un sistema de consenso. Cuando estos modelos coinciden en sus resultados, se procesan con confianza, pero si hay desacuerdos, un modelo más avanzado actúa como supervisor. Este agente no solo arbitra discrepancias, sino que también genera aprendizajes que se guardan en una base de conocimiento activa, diseñada para evitar discrepancias futuras similares.
En este nuevo esquema, el flujo de datos se enriquece con la retroalimentación de vendedores y clientes, lo que permite al sistema evolucionar de manera constante a partir de las experiencias previas. La estructura jerárquica asegura que la base de conocimiento permanezca ordenada y se adapte a las nuevas tendencias sin perder su cohesión lógica.
Además de perfeccionar la calidad de los datos, este sistema también busca optimizar costos. A medida que se acumulan aprendizajes y disminuyen las tasas de desacuerdos, la cantidad de intervenciones requeridas de los modelos supervisores se reduce, aumentando así la eficiencia operativa.
Desde su implementación, el sistema ha mostrado una disminución en las tasas de error, lo que ilustra su capacidad para aprender no solo de los errores, sino también de las diferencias surgiendo durante el proceso de extracción de información de productos. A medida que el sistema continúa desarrollándose, el objetivo final es construir un catálogo que no solo sea funcional, sino que también se consolide como una fuente confiable para consumidores y vendedores, mejorando la experiencia global de compra en Amazon.
