caso de uso: Gen IA, Personalización
Industrias: Telecommunications, medios
Productos y Herramientas: MongoDB Atlas, Búsqueda Vectorial de MongoDB Atlas, MongoDB PyMongo Driver
Descripción general de la solución
En el cambiante panorama de los medios de hoy, la gran cantidad de contenido digital dificulta captar la atención de la audiencia. Al mismo tiempo, el tráfico de referencia procedente de las plataformas de redes sociales está disminuyendo, lo que ejerce una presión adicional sobre los medios tradicionales para impulsar la interacción. Como resultado, los editores buscan formas de estabilizar su base de usuarios y mejorar la interacción en los contenidos.
Para superar estos desafíos, las editoras deben utilizar eficazmente los datos para crear experiencias más atractivas y personalizadas para sus usuarios. Con MongoDB Atlas y Atlas búsqueda vectorial, puedes compilar una plataforma de medios impulsada por IA que transforma la entrega de contenidos para usuarios de plataformas de medios y publicaciones a gran escala. Al analizar las interacciones y los patrones de consumo, esta solución comprende qué contenido resuena con los usuarios y predice con qué es probable que interactúen en el futuro. Estas perspectivas permiten a los editores construir un recorrido de contenido personalizado.
Arquitecturas de Referencia
La arquitectura que se muestra a continuación es una forma de crear una solución de medios impulsada por IA con MongoDB que incorpore servicios avanzados de personalización, como:
Discovery y sugerencias de contenido
Resumen de contenido y reformateo
Extracción de palabras clave
Automatización de perspectivas y dosieres
Figura 1. Arquitectura de medios impulsada por IA con Atlas Vector Search
Las siguientes secciones describen estos servicios con más detalle.
Descubrimiento y Sugerencias de Contenido
Esta solución sugiere contenido basado en las preferencias y las interacciones pasadas de los usuarios, utilizando datos de usuario, análisis conductual y vectorización de elementos de medios. Esto mejora la interacción del usuario y aumenta la probabilidad de convertir usuarios gratuitos en suscriptores de pago. La búsqueda vectorial de MongoDB realiza búsquedas kNN, optimizando cómo se empareja el contenido al incrustar vectores directamente en los documentos de MongoDB. Esto significa que no necesitas administrar múltiples aplicaciones ni transferir datos entre diferentes sistemas de bases de datos, lo que simplifica la arquitectura. Además, la escalabilidad y resiliencia de MongoDB permiten a las organizaciones escalar sus operaciones tanto vertical como horizontalmente. También puedes escalar nodos de búsqueda de forma independiente de los nodos de bases de datos operacionales para adaptarte al escenario de carga específico.
Resumen y reformateo de contenido
Los usuarios tienen un arreglo diverso de hábitos de consumo. Esta solución proporciona resúmenes concisos y adapta el formato del contenido según las preferencias del usuario y las especificaciones del dispositivo.
Extracción de palabras clave
En los flujos de trabajo de publicación tradicionales, la selección de palabras clave requiere que los creadores de contenidos identifiquen e incorporen meticulosamente las palabras clave relevantes. Este proceso puede llevar mucho tiempo y ser propenso a errores humanos, ya que se pueden pasar por alto palabras clave importantes, lo que puede disminuir la visibilidad y la interacción del contenido.
Con la ayuda del LLM subyacente, esta solución obtiene información esencial a través de la extracción de palabras clave, permitiendo a los usuarios comprender las dimensiones clave de las noticias y mejorando la capacidad de búsqueda del contenido dentro de la plataforma. Las palabras clave influyen significativamente en el rendimiento de SEO del contenido digital.
Automatización de Perspectivas y Dossiers
Esta solución genera automáticamente perspectivas comprensivas e informes a partir de múltiples artículos, lo que es útil para las personas que desean aprender en profundidad sobre temas o eventos específicos. Esta capacidad utiliza uno o más LLM para generar salidas en lenguaje natural, derivadas de múltiples artículos fuente. Puede integrar cualquier modelo líder de lenguaje que se ajuste a sus requisitos. Así es como funciona este proceso:
Integración con múltiples fuentes: El sistema utiliza Atlas búsqueda vectorial para extraer contenido de una variedad de artículos y fuentes de datos. Este contenido se compila luego en expedientes, que brindan a los usuarios una exploración detallada y contextual de los temas, y se curan para ofrecer una perspectiva narrativa o analítica más allá del contenido original.
Salida personalizable: puedes personalizar la salida del sistema configurando parámetros según las preferencias de tu público objetivo o los requisitos específicos de tu proyecto. Esto incluye ajustar el nivel de detalle, la cantidad de términos técnicos y la inclusión de elementos multimedia.
Puedes reutilizar los conceptos básicos de esta solución en otras industrias como la venta minorista, donde presentar los productos adecuados a los usuarios adecuados es fundamental para mantener altas las ventas.
Compilar la solución
Puede ver la demostración de la solución en https://ist.media, o replicarlo utilizando el README de este repositorio de GitHub.
Figura 2. Interfaz de la página de inicio de la plataforma de medios
En el modelo de datos subyacente, un artículo de noticias representativo tiene la siguiente estructura:
Figura 3. Modelo de datos para una noticia
Puede utilizar Voyage IA para generar sus embeddings. Para realizar una búsqueda vectorial, cree un índice vectorial en MongoDB Atlas con la siguiente configuración:
Figura 4. Índice vectorial para el modelo de embedding
Lecciones clave
Compilar aplicaciones impulsadas por IA: Con MongoDB Atlas, puedes compilar una solución de medios impulsada por IA que ofrezca contenido personalizado a los usuarios y automatice los procesos de backend, como la automatización de palabras clave.
Almacene diversos tipos de datos: Con el modelo orientado a documentos flexible de MongoDB, puedes almacenar un amplio rango de datos de medios, incluidos datos de usuarios, artículos de noticias y vectores de embeddings, lo que simplifica el desarrollo de aplicaciones impulsadas por IA.
Personaliza las experiencias para el usuario: Con MongoDB Atlas búsqueda vectorial, puedes crear una experiencia de contenido personalizada según las preferencias individuales y las interacciones anteriores para mejorar la interacción del usuario.
Autores
- Benjamin Lorenz, MongoDB
Obtén más información
Para aprender a compilar búsquedas más inteligentes, visita la guía de inicio rápido de Atlas búsqueda vectorial.