{"id":13913,"date":"2020-06-15T12:21:49","date_gmt":"2020-06-15T10:21:49","guid":{"rendered":"https:\/\/www.hiberus.com\/crecemos-contigo\/?p=13913"},"modified":"2020-12-30T18:45:10","modified_gmt":"2020-12-30T16:45:10","slug":"caso-de-exito-henneo-inteligencia-artificial-aplicada-a-la-recomendacion-de-noticias","status":"publish","type":"post","link":"https:\/\/www.hiberus.com\/crecemos-contigo\/caso-de-exito-henneo-inteligencia-artificial-aplicada-a-la-recomendacion-de-noticias\/","title":{"rendered":"Caso de \u00e9xito: Henneo, inteligencia artificial aplicada a la recomendaci\u00f3n de noticias"},"content":{"rendered":"

Henneo es uno de los mayores grupos empresariales en Espa\u00f1a involucrado en el sector de comunicaci\u00f3n medi\u00e1tica y periodismo, due\u00f1o de varias empresas period\u00edsticas y webs, con millones de visitas diarias y usuarios de todas partes del globo. Entre los medios que forman parte del grupo, se incluyen peri\u00f3dicos como<\/p>\n

Henneo conf\u00edo en Hiberus Tecnolog\u00eda, para impulsar el proyecto de mejora de experiencia de usuario y de incremento de visitas, utilizando t\u00e9cnicas de inteligencia artificial.<\/strong><\/p>\n

El reto<\/u><\/strong>: Poner en producci\u00f3n un mecanismo de recomendaci\u00f3n de noticias, escalable, aut\u00f3nomo, capaz de incrementar visitas repetidas y fidelizar a los usuarios. <\/strong><\/p>\n

 <\/p>\n

Inteligencia artificial\u00a0en\u00a0medios de comunicaci\u00f3n<\/h2>\n

Uno de los problemas que m\u00e1s se est\u00e1n encontrando empresas, no solo del sector period\u00edstico, si no de cualquier otro sector, es maximizar los beneficios y optimizar sus inversiones en marketing e infraestructura. En este caso, al tratarse de un modelo de negocio cuyo producto principal es el contenido web, maximizar las ventas requiere maximizar lecturas del contenido<\/strong>.<\/p>\n

No obstante, para maximizar ventas eso no es suficiente<\/strong>. Necesitan ser capaces de presentar el producto perfecto a la persona m\u00e1s interesada, en el mejor momento de compra posible.<\/strong> Se trata de maximizar las ventas con un fit perfecto entre cliente, producto, y momento de compra.<\/p>\n

Una de las mejores herramientas que podemos aprovechar para optimizar esta relaci\u00f3n, es la inteligencia artificial aplicada a la recomendaci\u00f3n de productos<\/strong>.<\/p>\n

Henneo nos solicit\u00f3 un recomendador de noticias <\/strong>que mejorase las visitas recurrentes aprovechando datos obtenidos de los millones de impactos que generan diariamente, en una arquitectura de big data escalable y sostenible no solo dentro de la empresa, pero en el grupo empresarial.<\/p>\n

\u00a0<\/strong><\/p>\n

\"\"<\/p>\n

 <\/p>\n

\"\"<\/p>\n

 <\/p>\n

Nuestra metodolog\u00eda de trabajo para crear un recomendador de noticias<\/h2>\n

Utilizamos para organizar el proyecto y los objetivos del mismo metodolog\u00edas \u00e1giles, una mezcla de la casa entre Kanban y Scrum<\/strong>. Con ciclos de trabajo fijos, pero con una gesti\u00f3n del backlog m\u00e1s flexible a la hora de definir tareas e historias permitiendo cambiarlas seg\u00fan nuevos descubrimientos encontrados en nuestros experimentos de ciencia de datos, obst\u00e1culos a la hora de coordinarse con otros departamentos dentro del cliente, y en base a los cambios en nuestro conocimiento sobre el problema trabajado.<\/p>\n

 <\/p>\n

El proyecto se organiz\u00f3 principalmente en 5 fases<\/p>\n

1. Investigaci\u00f3n de problema de negocio, algoritmos, y dise\u00f1o de arquitectura<\/strong><\/h3>\n

Pues bien, una vez claro exactamente el data product<\/strong> que dese\u00e1bamos trabajar, y la soluci\u00f3n que buscar\u00edamos aportar, toc\u00f3 realizar labor de investigaci\u00f3n a varios niveles:<\/p>\n

 <\/p>\n

Cient\u00edfica:\u00a0<\/strong><\/p>\n

Nos toc\u00f3 revisar la documentaci\u00f3n cient\u00edfica existente sobre aplicaciones de machine learning aplicada a recomendaci\u00f3n, y m\u00e1s importante, aplicadas a recomendaci\u00f3n de contenido basado en noticias.<\/p>\n

Revisar cuales algoritmos eran m\u00e1s \u00fatiles \/ r\u00e1pidos para un primer prototipo, buscando la mayor probabilidad de \u00e9xito a la hora de elegir. Tuvimos que consultar varias docenas de papers y art\u00edculos, para poder entender todas las posibilidades, algoritmos que pod\u00edamos utilizar, etc.<\/p>\n

Con esta investigaci\u00f3n llegamos a varias hip\u00f3tesis. Varias aplicaciones de negocio que pod\u00edamos darle a la inteligencia artificial. Para facilitar la lectura del caso de \u00e9xito, nos centraremos en solo una de las que exploramos y pusimos en producci\u00f3n. La hip\u00f3tesis que pensamos era la siguiente:<\/p>\n

 <\/p>\n

\u201c\u00bfPuede un usuario, que lee un art\u00edculo en un momento dado, estar m\u00e1s interesado en ese momento de leer otros art\u00edculos de la misma tem\u00e1tica?\u201d\u00a0\u00a0 <\/em><\/p><\/blockquote>\n

 <\/p>\n

Es decir, si un usuario lee un art\u00edculo, por ejemplo de pol\u00edtica, s\u00ed le recomiendo otro de pol\u00edtica en ese mismo instante; \u00bfEse usuario estar\u00e1 m\u00e1s interesado en eso, que otros art\u00edculos m\u00e1s populares de otras tem\u00e1ticas<\/em>? \u00bfPuede que en ese momento, est\u00e9 m\u00e1s predispuesto a consumir pol\u00edtica, frente a otros momentos<\/em>?<\/p>\n

 <\/p>\n

Se nos ocurri\u00f3, que si esta hip\u00f3tesis era correcta, podr\u00edamos\u00a0 usar esto, por ejemplo aumentar las visitas de art\u00edculos nuevos que poca gente conoce, o art\u00edculos antiguos que normalmente no se consumen tanto<\/strong><\/em>. Este experimento mental nos aportar\u00eda informaci\u00f3n interesante que guiar\u00eda las siguientes fases de investigaci\u00f3n, por ejemplo la arquitect\u00f3nica que veremos en el siguiente p\u00e1rrafo.<\/p>\n

Hacer un\u00a0 algoritmo de esas caracter\u00edsticas, requerir\u00eda alimentar a nuestra inteligencia artificial de noticias<\/strong>, que fuese capaz de traducir el texto en la mismas a un lenguaje matem\u00e1tico (por ejemplo, a vectores) y que con eso, fuese capaz de detectar qu\u00e9 art\u00edculos son de tem\u00e1ticas parecidas, recomendando solo los m\u00e1s parecidos. Todo esto diariamente (publicamos nuevos art\u00edculos cada d\u00eda). Requerimos una procesamiento y entrenamiento constante, una base de datos conectada de poca latencia, entre otras cosas.<\/p>\n

Esta fue la primera hip\u00f3tesis que decidimos explorar e implementar. Encontramos otras, que tambi\u00e9n investigamos y pusimos en producci\u00f3n usando las fases sucesivas de refinamiento del mecanismo.<\/p>\n

Con nuestra investigaci\u00f3n, tambi\u00e9n descubrimos varios\u00a0 algoritmos matem\u00e1ticos concretos que podr\u00edamos usar para llevar a la realidad una prueba de esta hip\u00f3tesis, Latent Dirichlet Allocation (LDA), Latent systematic analysis (LSI, o LSA), y TF-IDF (Term frequency- Inverse Document Frequency)<\/strong>, entre otros.<\/p>\n

 <\/p>\n

Arquitect\u00f3nica:<\/strong><\/p>\n

En esta fase tambi\u00e9n toc\u00f3 investigar arquitecturas en la nube que pod\u00edan soportar un algoritmo funcionando en producci\u00f3n, principalmente en la herramienta en la nube que utilizaba nuestro cliente para su inteligencia interna, aprovechando as\u00ed la infraestructura existente.<\/p>\n

 <\/p>\n

2. Desarrollo de primer prototipo funcional<\/strong><\/h3>\n

Toda esta investigaci\u00f3n, nos permiti\u00f3 planificar con fundamento los hitos, tareas e historias a esperar durante todo el proyecto. Creamos as\u00ed un roadmap que nos permiti\u00f3 alinear expectativas, backlog y entregables.<\/p>\n

Con una idea fundamentada, lo siguiente es ponerse manos a la obra, y resolver lo antes posible una inc\u00f3gnita importante: tener un algoritmo que funcione con nuestros datos y nuestros objetivos<\/strong><\/em>.<\/p>\n

Dependiendo de la experiencia que se tenga, la documentaci\u00f3n cient\u00edfica existente, y las librer\u00edas disponibles ya desarrolladas, implementar un algoritmo de inteligencia artificial puede llevar mucha experimentaci\u00f3n, prueba y testeo de hip\u00f3tesis (por eso lo llaman ciencia de datos).<\/p>\n

Lo primero fue investigar qu\u00e9 librer\u00edas en python hab\u00eda ya creadas, con los algoritmos que nos interesaba implementar, nos preocupamos porque fuera:<\/p>\n