Casos de uso: Gen AI, Personalização
Setores: Telecomunicações, Mídia
Produtos e ferramentas: MongoDB Atlas, MongoDB Atlas Vector Search, MongoDB PyMongo Driver
Visão Geral da Solução
No cenário atual da mídia, a grande quantidade de conteúdo digital dificulta a captura da atenção do público. Ao mesmo tempo, o tráfego de referência das plataformas de mídia social está diminuindo, o que coloca pressão adicional nos meios de comunicação tradicionais para gerar engajamento. Como resultado, os editores estão procurando maneiras de estabilizar sua base de usuários e melhorar o engajamento do conteúdo.
Para superar esses desafios, os editores precisam usar os dados de forma eficaz para criar experiências mais envolventes e personalizadas para seus usuários. Com o MongoDB Atlas e o Atlas Vector Search, você pode construir uma plataforma de mídia orientada por IA que transforma a entrega de conteúdo aos usuários de plataformas de mídia e publicação de grande escala. Ao analisar interações e padrões de consumo, essa solução compreende qual conteúdo ressoa com os usuários e prenuncia com o que eles provavelmente se envolverão no futuro. Esses insights permitem que os editores construam uma viagem de conteúdo personalizada.
Arquiteturas de referência
A arquitetura abaixo mostra como você pode criar uma solução de mídia orientada por IA com o MongoDB que incorpora serviços avançados de personalização, como:
Sugestões de descoberta e conteúdo
Resumição e reforma de conteúdo
Extração de palavras-chave
Insights e automação de dossiês
figura 1. Arquitetura de mídia orientada por IA com o Atlas Vector Search
As seções a seguir descrevem esses serviços em mais detalhes.
Sugestões de descoberta e conteúdo
Essa solução sugere conteúdo com base nas preferências dos usuários e em interações anteriores, utilizando dados do usuário, análises comportamentais e vetorização de itens de mídia. Isso melhora o engajamento do usuário e aumenta a probabilidade de converter usuários gratuitos em assinantes pagantes. O Vector Search do MongoDB executa pesquisas kNN, otimizando a forma como o conteúdo é correspondido ao incorporar vetores diretamente nos documentos do MongoDB. Isso significa que você não precisa gerenciar vários aplicativos ou transferir dados entre diferentes sistemas de banco de dados , o que simplifica a arquitetura. Além disso, a escalabilidade e a resiliência do MongoDB permitem que as organizações dimensionem suas operações vertical ou horizontalmente. Você também pode dimensionar os nós de pesquisa independentemente dos nós do banco de dados operacional para se adaptar ao cenário de carga específico.
Sumarização e reformatação de conteúdo
Os usuários têm uma gama diversificada de comportamentos de consumo. Essa solução fornece resumos concisos e adapta a formatação de conteúdo com base nas preferências do usuário e nas especificações do dispositivo.
Extração de palavras-chave
Nos fluxos de trabalho de publicação tradicionais, a seleção de palavras-chave exige que os criadores de conteúdo identifiquem e incorporem cuidadosamente palavras-chave relevantes. Esse processo pode ser demorado e sujeito a erros humanos, pois palavras-chave significativas podem ser ignoradas, o que pode diminuir a visibilidade e o engajamento do conteúdo.
Com a ajuda do LLM subjacente, essa solução extrai informações essenciais por meio da extração de palavras-chave, permitindo que os usuários entendam as principais dimensões de notícias e melhore a capacidade de pesquisa de conteúdo dentro da plataforma. As palavras-chave influenciam significativamente o desempenho de SEO de conteúdo digital.
Automação de insights e dossies
Essa solução gera automaticamente insights e dossiês abrangentes a partir de vários artigos, o que é útil para usuários que desejam aprender em detalhes sobre tópicos ou eventos específicos. Esse recurso usa um ou mais LLMs para gerar saída de linguagem natural, derivada de vários artigos de origem. Você pode integrar qualquer modelo de idioma principal que atenda aos seus requisitos. Veja como esse processo funciona:
Integração com múltiplas fontes: O sistema utiliza o Atlas Vector Search para extrair conteúdo de uma variedade de artigos e fontes de dados. Esse conteúdo é então compilado em dossiês, que fornecem aos usuários uma Exploração detalhada e contextual dos tópicos e são selecionados para oferecer uma perspectiva Narrativa ou analítica além do conteúdo original.
Saída personalizável: você pode personalizar a saída do sistema definindo parâmetros com base nas preferências do público ou nos requisitos específicos do projeto . Isso inclui o ajuste do nível de detalhes, a quantidade de termos técnicos e a inclusão de elementos de mídia.
É possível reutilizar os conceitos centrais dessa solução em outros setores, como o varejo, onde apresentar os produtos certos aos usuários certos é essencial para manter as vendas altas.
Construir a solução
Você pode visualizar a demonstração da solução em https://ist.media, ou repita-a usando o README deste repositório do Github.
Figura 2. Interface da página inicial da plataforma de mídia
No modelo de dados subjacente, uma notícias representativa tem a seguinte estrutura:
Figura 3. Modelo de dados para um artigo de notícias
Você pode usar a IA do Voyage para gerar suas incorporações. Para executar a pesquisa vetorial, crie um índice vetorial no MongoDB Atlas com a seguinte configuração:
Figura 4. Índice vetorial para o modelo de embedding
Principais Aprendizados
Construa aplicativos orientados por IA: com o MongoDB Atlas, você pode criar uma solução de mídia baseada em IA que forneça conteúdo personalizado a seus usuários e automatize processos de backend, como a automação de palavras-chave.
Armazenar diversos tipos de dados: com o modelo de documento flexível do MongoDB, você pode armazenar uma ampla variedade de dados de mídia, incluindo dados do usuário, artigos de notícias e incorporações, o que simplifica o desenvolvimento de aplicativos orientados por IA.
Personalizar experiências de usuário: Com o MongoDB Atlas Vector Search, você pode criar uma rota de conteúdo personalizada, com base em preferências individuais e interações anteriores, que melhora o engajamento do usuário.
Autores
Benjamin Lorenz, MongoDB
Saiba mais
Para aprender como criar pesquisas mais inteligentes, visite o guia Início Rápido do Atlas Vector Search.