Facebook anunció el día de ayer (2 de Julio) su Modelo de Recomendación de Aprendizaje Profundo “DLRM” (por sus siglas en inglés “Deep Learning Recommendation Model”) como Open Source. Este es un modelo de Inteligencia Artificial de última generación para ofrecer resultados personalizados en entornos de producción. DLRM se puede encontrar en GitHub, y las implementaciones del modelo están disponibles para PyTorch, que es el framework de Machine Learning de Facebook.

Los motores de recomendación deciden mucho de lo que la gente ve hoy en día, ya sea contenido en sitios de redes sociales como Facebook, sitios de comercio electrónico como Amazon o incluso las primeras opciones que ves en una consola de juegos como el Xbox. Recordemos que el mes pasado, Amazon puso a disposición su sistema de Inteligencia Artificial para recomendaciones de compras personalizadas llamado Perzonalize, como un servicio más en AWS.

Un documento creado por más de 20 investigadores de Inteligencia Artificial de Facebook ha sido publicado en arXiv a fines de mayo explica cómo el modelo utiliza tablas embebidas para asignar representación a los mapas de categorías de datos. La función predictiva multicapa de perceptrones (MLP) lleva a cabo la mayoría de los cálculos.

El director de estrategia tecnológica de Facebook, Vijay Rao, detalló el enfoque para trabajar con redes neuronales con un gran número de incorporaciones en una presentación sobre proyectos de código abierto a principios de este año en la Conferencia Open Compute Project.

Facebook AI Research (FAIR) abre una gran parte de su trabajo, pero su empresa matriz está ofreciendo DLRM de forma gratuita para ayudar a la comunidad más amplia que desea usar está herramienta de Inteligencia Artificial para enfrentar los desafíos presentados por los motores de recomendación, como la necesidad de que las redes neuronales asocien datos categóricos con ciertos atributos de nivel superior.

Los fabricantes de DLRM sugieren que se utilice el modelo para evaluar la velocidad y la precisión del rendimiento de los motores de recomendación. El punto de referencia DLRM para la evaluación de la experimentación y el rendimiento está escrito en Python y admite entradas aleatorias y sintéticas.

Los resultados de rendimiento de un sistema DLRM optimizado se compartirán públicamente en una fecha futura, dijeron en un post de su blog las investigadoras de Facebook Dheevatsa Mudigere y Maxim Naumov.

Otros modelos o frameworks de Inteligencia Artificial de código abierto de Facebook en las últimas semanas incluyen PyRobot, un framework de robótica que funciona con PyTorch y PyTorch Hub, un workflow y API destinados a fomentar la reproducibilidad de los modelos de AI.

Ax y BoTorch, son herramientas para la experimentación de Machine Learning y la optimización del modelo bayesiano, se presentaron en mayo junto con PyTorch 1.1.

Las herramientas de recomendación de Facebook han sido controvertidas en el pasado, por decir lo menos. El creador de la biblioteca de aprendizaje profundo de Keras, François Chollet, el año pasado, proclamó en un extenso post de Medium y en una serie de tweets que los investigadores de Inteligencia Artificial con conciencia no deberían trabajar en Facebook, en parte debido a la forma en que funcionan los motores de recomendación de Facebook en la actualidad.