Mundo Tech

Google explica como funciona a IA de recomendações da Play Store

Google explica como funciona a IA de recomendações da Play Store - 1

A DeepMind, empresa britânica adquirida pela Alphabet, é uma das principais companhias do mundo no desenvolvimento de inteligências artificiais e algoritmos de aprendizado de máquina, e esse conhecimento já tem ajudado o Google a melhorar alguns de seus programas mais usados a nível mundial, como é o caso da Play Store, a loja de aplicativos dos celulares com sistema Android.

Em uma postagem no blog da empresa, a DeepMind explica como o uso de seus algoritmos ajudou a melhorar o sistema de recomendação de aplicativos da Play Store, e que a parceria do Google com a empresa especializada em IA fez com que as recomendações se tornassem muito mais personalizadas para as necessidades de cada usuário do que antes.

O sistema de recomendação desenvolvido pela DeepMind, que começou a ser usado pelo Google somente este ano, contém três modelos principais de comportamento: um gerador de candidato, um re-ranqueador e um modelo de IA usado para se otimizar objetivos múltiplos. Respectivamente, o primeiro destes modelos é usado para analisar mais de um milhão de apps e oferecer algumas dezenas que podem ser interessantes ao usuário, enquanto o segundo irá reorganizar esses apps na ordem que melhor condiz com as preferências do usuário. Já o terceiro modelo é o que realmente irá funcionar como o sistema de personalização da loja, que usará diversas variáveis para definir quais desses apps sugeridos pelos outros dois modelos realmente deverão interessar ao usuário.


Canaltech no Youtube: notícias, análise de produtos, dicas, cobertura de eventos e muito mais! Assine nosso canal no YouTube, todo dia tem vídeo novo para você!

Google explica como funciona a IA de recomendações da Play Store - 2
Esquema resume o funcionamento da IA de recomendação de apps da Play Store (Imagem: DeepMind)

Mas chegar neste algoritmo de recomendação não foi fácil, e a DeepMind teve outras duas tentativas fracassadas antes de desenvolver o modelo atual. Na primeira tentativa, a empresa implementou um modelo conhecido como LSTM (sigla para “long short-term memory”), que era capaz de aprender as dependências de longo prazo de um usuário. A aplicação deste modelo resultou em uma melhoria do sistema de recomendação, mas existia um delay até que essa recomendação personalizada começasse a aparecer para o usuário, e isso não acontecia desde a primeira visita.

Assim, a DeepMind substituiu esse modelo por um conhecido como Transformer, que melhorou a performance de execução mas também aumentou o custo do treinamento desta IA. E foi então que a empresa desenvolveu a “solução final”, que é a que hoje é utilizada na loja: um modelo de atenção aditiva que consegue aprender quais aplicativos tem mais chances de ser instalados pelo usuário através de uma análise do histórico de downloads dele na Play Store.

Para evitar que esse sistema crie qualquer tipo de viés (o que poderia influenciar nas recomendações), foi incorporado nele um sistema de “pesos”, que faz com que o algoritmo leve em conta a taxa de impressão-instalação (uma razão entre quantas vezes esse aplicativo é mostrado para os usuários da Play Store por quantas vezes é feito o download dele) de cada aplicativo, que é então comparada com a taxa de impressão-instalação média da loja. Essa comparação permite que o algoritmo ranqueie os aplicativos de maneira mais complexa do que apenas pelo número de downloads. Por exemplo: um app novo que tem apenas 500 downloads, mas que foi mostrado apenas 1.500 vezes para os usuários, irá aparecer na lista antes de um app com 1 milhão de downloads, mas com 1 bilhão de impressões, pois a taxa impressão-download do primeiro é bem melhor que a do segundo, e permite que aplicativos mais novos compitam de igual para igual com os mais antigos por um lugar de destaque.

Google explica como funciona a IA de recomendações da Play Store - 3

O segundo passo deste modelo é o re-ranqueador, que consegue entender qual é a importância relativa de um aplicativo para cada usuário ao compará-lo com outros apps que foram mostrados ao mesmo tempo para ele. Cada aplicativo é pareado com outro, e recebe resultados positivos e negativos para determinar qual foi a preferência do usuário em cada cenário.

Já o terceiro passo deste algoritmo, o de otimização, se baseia em outros dados secundários antes de finalizar a recomendação, e são esses dados secundários que fazem com que a recomendação seja cada vez mais personalizada para as necessidades de cada usuário. Por exemplo, o aplicativo percebe que nos últimos meses o usuário estava fazendo download de vários apps de procura de imóveis, e faz algumas semanas que ele não mais procura esses aplicativos. O sistema então estabelece que esse usuário estava procurando um novo lugar para morar e já encontrou, e então passa a sugerir para ele aplicativos que te ajudam a decorar sua casa. Ele então faz um balanço entre esses dados secundários e o histórico dos tipos de apps que esse usuário costuma baixar, e então cria uma lista de aplicativos que introduz esse objetivo secundário (apps de mobiliar casa) em meio à lista de aplicativos parecidos com aqueles que o usuário costuma instalar no aparelho.

Segundo a DeepMind, o principal aprendizado da empresa enquanto desenvolvia os algoritmos de recomendação para a Play Store foi que, quando se tenta implementar técnicas de aprendizado de máquina avançadas para uso no mundo real, é preciso aprender a trabalhar com diversas restrições de origem prática, e é preciso levar essas restrições em conta em todos os processos de desenvolvimento (programação do algoritmo, implementação e fase de testes) para que o resultado final seja um produto funcional.

Desde que foi comprada pela Alphabet em 2014, num negócio de US$ 400 milhões, esta não é a primeira vez que DeepMind e Google trabalham em parceria, e a empresa britânica também foi a responsável por desenvolver os sistemas de economia de bateria dos smartphones Android e as diferentes vozes utilizadas pelo Google Assistente.

Trending no Canaltech:

Fonte: Canaltech


Talvez você também goste