Nuestro Blog

Netflix es la red de televisión por Internet líder en el mundo con más de 160 millones de miembros en más de 190 países. Sus usuarios disfrutan de cientos de millones de horas de contenido al día, incluidas series originales, documentales y largometrajes. Es por ello, que para mejorar la experiencia de sus usuarios y optimizar sus servicios, Netflix invierte en la investigación y desarrollo de tecnología como el Machine Learning, utilizando en muchas áreas donde prototipan, diseñan, implementan, evalúan y producen modelos y algoritmos tanto a través de experimentos off line como con pruebas A-B on line.

Como hemos dicho, el Machine Learning tiene un impacto en muchas áreas de Netflix. Históricamente, la personalización ha sido el área más conocida, donde el aprendizaje automático impulsa algoritmos de recomendación para ofrecer a sus usuarios contenidos en base a sus perfiles. Sin embargo, también utilizan el aprendizaje automático con otras finalidades como:

• Ayudar a dar forma al catálogo de películas y programas de televisión al aprender las características que hacen que el contenido sea exitoso.
• Optimizar la producción de películas y programas de TV originales en el estudio de rápido crecimiento de Netflix.
• Optimizar la codificación de vídeo y audio, la selección de velocidad de bits adaptativa y su red de entrega de contenido interna que representa más de un tercio del tráfico de Internet de América del Norte.
• También, potencia el gasto en publicidad, mezcla de canales y creatividad publicitaria para que puedan encontrar nuevos miembros que disfrutarán de Netflix.

El uso generalizado del aprendizaje automático en Netflix presenta muchos desafíos nuevos en los que deben impulsar el estado de la técnica. Esto significa generar nuevas ideas y probarlas, ya sean nuevos modelos y algoritmos o mejoras a los existentes, mejores métricas o metodologías de evaluación, y abordar los desafíos de escala. Netflix presta especial atención a la investigación en esta área abarcando muchos enfoques algorítmicos diferentes que incluyen modelado causal, bandidos, aprendizaje por refuerzo, conjuntos, redes neuronales, modelos gráficos probabilistas y factorización matricial.

Fuente: Netflix Research