Explora las siguientes opciones.
Imagina que una tienda de calzado en línea quiere crear un modelo de AA supervisado que proporcione a los usuarios recomendaciones personalizadas sobre calzado. Es decir, el modelo recomendará ciertos pares de zapatos a Marty y diferentes pares de zapatos a Janet. El sistema utilizará los datos anteriores del comportamiento del usuario para generar datos de entrenamiento. ¿Cuáles de las siguientes afirmaciones son verdaderas?
El "tamaño del calzado" es una función útil.
El “tamaño del calzado” es un indicador cuantificable que probablemente tenga un fuerte impacto en el hecho de que al usuario le gusten los zapatos recomendados. Por ejemplo, si María usa la talla 9, el modelo no debería recomendar zapatos de talla 7.
La belleza del calzado es útil.
Los buenos atributos son concretos y cuantificables.
La belleza es un concepto demasiado impreciso como un atributo útil.
La belleza probablemente sea una combinación de ciertas características concretas, como estilo y color. El estilo y el color serían mejores atributos que la belleza.
"El usuario hizo clic en la descripción del zapato" es una etiqueta útil.
Es probable que los usuarios solo quieran leer más sobre esos zapatos que les gustan. Por lo tanto, los clics por usuario son una métrica observable y cuantificable que podría funcionar como una buena etiqueta de entrenamiento. Debido a que nuestros datos de entrenamiento derivan del comportamiento anterior de los usuarios, nuestras etiquetas deben derivar de comportamientos objetivos, como los clics, que se relacionan estrechamente con las preferencias del usuario.
"Zapatos que adora un usuario" es una etiqueta útil.
La adoración no es una métrica observable y cuantificable. Lo mejor que podemos hacer es buscar métricas del proxy observables para la adoración.