↓Ir al contenido
  1. Mis escritos/

Mejorando la Expresión del Usuario: Teclado de Pegatinas Vernáculas Impulsado por ML en Hike

3 mins
Inteligencia Artificial Aplicaciones Móviles Aprendizaje Automático Procesamiento Del Lenguaje Natural TensorFlow Lite Aprendizaje Federado Personalización
Tabla de contenido

Como líder del equipo de Aprendizaje Automático en Hike Limited, encabecé el desarrollo de un innovador teclado de pegatinas vernáculas impulsado por IA. Este proyecto tenía como objetivo revolucionar la expresión del usuario sugiriendo de manera inteligente pegatinas basadas en entradas multilingües, incluyendo Hinglish, Tamil English y varias otras combinaciones de idiomas.

Visión General del Proyecto #

Nuestro objetivo era crear un sistema inteligente de sugerencia de pegatinas que pudiera entender y responder a diversas entradas lingüísticas, mientras personalizaba las sugerencias basándose en las preferencias e interacciones individuales del usuario.

Enfoque Técnico #

Tecnologías Principales #

  • Python para desarrollo backend y entrenamiento de modelos
  • TensorFlow y TensorFlow Lite para desarrollo de modelos e inferencia en el dispositivo
  • Técnicas de Procesamiento del Lenguaje Natural (PLN) para comprensión del lenguaje
  • BigQuery para almacenamiento y análisis de datos
  • Airflow para orquestación de flujos de trabajo

Características Clave #

  1. Procesamiento de Entrada Multilingüe: Desarrollamos modelos de PLN capaces de entender e interpretar entradas en idiomas mixtos.

  2. Sugerencia Contextual de Pegatinas: Creamos un modelo de IA para sugerir pegatinas relevantes basadas en el texto de entrada y el contexto.

  3. Personalización en el Dispositivo: Implementamos modelos de TensorFlow Lite para aprendizaje y personalización en el dispositivo.

  4. Aprendizaje Federado: Desarrollamos un sistema para actualizar modelos globales manteniendo la privacidad del usuario.

Desafíos de Implementación y Soluciones #

  1. Desafío: Manejar con precisión diversas combinaciones lingüísticas. Solución: Entrenamos modelos en un vasto corpus de datos multilingües e implementamos técnicas avanzadas de tokenización.

  2. Desafío: Garantizar un rendimiento en tiempo real en dispositivos móviles. Solución: Optimizamos los modelos para móviles usando TensorFlow Lite e implementamos mecanismos eficientes de caché.

  3. Desafío: Equilibrar la personalización con la privacidad del usuario. Solución: Implementamos técnicas de aprendizaje federado, permitiendo mejoras en el modelo sin recolección centralizada de datos.

Proceso de Desarrollo #

  1. Recolección y Análisis de Datos: Recopilamos y analizamos datos de interacción del usuario utilizando BigQuery para entender los patrones de uso de pegatinas.

  2. Desarrollo del Modelo: Desarrollamos y refinamos iterativamente modelos de PLN y recomendación utilizando TensorFlow.

  3. Implementación en el Dispositivo: Optimizamos los modelos para dispositivos móviles utilizando TensorFlow Lite.

  4. Configuración de Aprendizaje Federado: Diseñamos e implementamos un sistema de aprendizaje federado para actualizaciones de modelos que preservan la privacidad.

  5. Pruebas y Refinamiento: Realizamos extensas pruebas A/B para optimizar el rendimiento del modelo y la satisfacción del usuario.

Resultados e Impacto #

  • Logramos un aumento del 40% en el uso de pegatinas en toda la plataforma.
  • Mejoramos la relevancia de las sugerencias de pegatinas en un 60% en comparación con el sistema anterior.
  • Manejamos con éxito entradas en más de 10 combinaciones de idiomas diferentes.
  • Mantuvimos la privacidad del usuario mientras lográbamos mejoras continuas del modelo a través del aprendizaje federado.

Conclusión #

El proyecto del teclado de pegatinas vernáculas impulsado por ML en Hike ejemplifica el potencial de la IA para mejorar la expresión y el compromiso del usuario. Al integrar con éxito técnicas avanzadas de PLN, aprendizaje en el dispositivo y aprendizaje federado, creamos un sistema que no solo entiende diversas entradas lingüísticas, sino que también personaliza la experiencia para cada usuario.

Este proyecto muestra el poder de combinar tecnologías de ML de vanguardia con una profunda comprensión de las necesidades del usuario y las preocupaciones de privacidad. A medida que continuamos refinando y expandiendo esta característica, sigue siendo una piedra angular del compromiso de Hike de proporcionar herramientas de comunicación innovadoras y centradas en el usuario.

↑