Informes basados en aprendizaje automático
Netflix, Amazon y muchas otras empresas utilizan 'motores de recomendación'. Quizás hayas visto esto cuando compras algo en Amazon que generalmente te recomienda otros productos. Si ha visto Netflix, también le ofrecerá películas y programas de TV recomendados.
Hemos aplicado el mismo proceso al uso de tecnología premium en todo Internet. Esto nos permite predecir qué tecnologías un sitio web podría considerar usar en función de lo que están haciendo sitios web similares (por uso de tecnología premium).
Cómo funciona
- Para cada sitio web con un gasto sustancial en tecnología, encontramos qué tecnologías coinciden
- Utilizamos la cantidad de cruce para determinar el peso que tiene ese sitio web en sus recomendaciones. Por lo tanto, si un sitio web coincide con muchas tecnologías, cualquier tecnología premium que el sitio no utilice se recomienda con más fuerza que si los sitios web coinciden con menos tecnologías premium.
En este ejemplo, Overstock tiene recomendaciones para Arup y viceversa. La ponderación de las recomendaciones no es tan fuerte ya que el cruce de tecnologías coincidentes es bastante bajo (la mayoría de las tecnologías premium no se comparten).
¿Por qué no utilizamos un verdadero modelo de IA como Matrix Factorization para hacer esto?
Lo intentamos, pero los resultados del conjunto de datos fueron muy deficientes y los modelos de IA utilizan "números mágicos" sobre los que no tenemos control ni comprensión real de lo que hacen. Un buen ejemplo de esto se encuentra en el código de MatrixFactorizationTrainer aquí< /a> hay una referencia "Para obtener mejores resultados, utilice lo siguiente" y luego dos variables sin ninguna explicación de por qué producen mejores resultados.
El algoritmo que utilizamos tiene una metodología muy clara, entendemos cómo se implementa y por qué funciona.
¿Realmente funciona?
Sí, creemos que sí; por ejemplo, los 'futuros clientes' de Magento Enterprise generalmente ya utilizan 'Magento' como tecnología. No le dijimos al sistema que estas dos tecnologías están relacionadas o que los clientes de Magento Enterprise lógicamente comenzarían con Magento.
Punto final API de recomendaciones
Sí, puede acceder a los datos a través de un punto final API que proporciona respuestas JSON y XML: https://api.builtwith.com/recommendations-api.
Crea tus propios modelos
Necesitas usar BuiltWith Datasets para obtener los datos subyacentes para construir tu propios modelos.