Apple Reescribió Su Motor de Búsqueda Musical para Entender lo Que Realmente Buscas

Puntos clave

• El nuevo modelo de búsqueda de Apple Music tiene 305 millones de parámetros y entiende consultas en múltiples idiomas simultáneamente.
• El sistema fue construido para solucionar un problema específico y medible: la mayoría de búsquedas en Apple Music son consultas raras o únicas que las herramientas antiguas de coincidencia de palabras clave manejan mal.
• Apple ajustó una base de IA multilingüe existente llamada GTE-multilingual-base en lugar de construir desde cero.
• Apple ML Research publicó los detalles técnicos, sugiriendo que el enfoque puede influir en cómo otras plataformas de transmisión manejan la búsqueda.

Escribe "Bohemian Rapsody" en Apple Music y probablemente sigas queriendo Queen. Escríbelo en una mezcla de letras árabes e inglesas, o en la ortografía fonética de una canción de película hindi que apenas recuerdas, y hasta hace poco, probablemente no obtendrías nada útil.

Apple ahora ha publicado los detalles de un sistema de IA diseñado para solucionar exactamente ese problema a una escala enorme. Apple Music opera en más de 150 países, añade cientos de miles de canciones cada día, y sirve a oyentes que buscan en docenas de idiomas. La gran mayoría de esas búsquedas son consultas raras o únicas, lo que significa que la coincidencia de palabras clave estándar, que busca coincidencias exactas o casi exactas, deja a muchos oyentes sin resultados útiles.

La solución es un sistema de recuperación semántica. Recuperación semántica significa que el motor de búsqueda intenta entender el significado o la intención detrás de una consulta, no solo las letras literales que escribiste. Piénsalo como la diferencia entre un bibliotecario que busca solo el título exacto que dijiste versus uno que pregunta de qué trata el libro y te encuentra tres buenas opciones de todas formas.

El modelo de IA que potencia esto tiene 305 millones de parámetros. Los parámetros son los números internos que un modelo de IA ajusta durante el entrenamiento; más de ellos generalmente significa que el modelo puede manejar patrones más complejos. Apple no construyó esto desde cero. Ajustó, lo que significa que tomó un modelo multilingüe existente llamado GTE-multilingual-base y lo entrenó más a fondo con los problemas de búsqueda específicos de Apple Music. El ajuste es más rápido y barato que empezar desde cero, y tiende a funcionar bien cuando ya existe una base general de propósito fuerte.

El proceso de entrenamiento utilizó algo llamado planificación curricular, donde el modelo aprende ejemplos más fáciles primero antes de abordar consultas más difíciles y desordenadas, de la misma manera que un estudiante revisa conceptos básicos antes de presentar un examen.

¿Qué cambia realmente para los oyentes?

Para la mayoría de las personas, no cambia nada visible. Sigues escribiendo en la barra de búsqueda. Lo que cambia es la tasa de éxito en búsquedas que solían fallar, particularmente búsquedas con errores tipográficos, palabras transliteradas (sonidos de idiomas extranjeros deletreados con letras latinas), o consultas que mezclan idiomas a mitad de la frase. Apple dice que estas "consultas de cola" constituyen la mayoría de búsquedas únicas que recibe la plataforma.

En términos simples: si alguna vez has buscado una canción por sonido en lugar de ortografía correcta, o buscaste en tu idioma nativo en una interfaz en inglés, este sistema está dirigido a ti.

Apple ML Research publicó el artículo técnico, lo cual es inusual para Apple y señala que la empresa está cómoda siendo vista como una institución seria de investigación de IA junto con su identidad de producto. Los detalles fueron lo suficientemente específicos como para que otros servicios de transmisión e ingenieros de búsqueda casi ciertamente estudien el enfoque.

Apple no ha dicho cuándo el sistema fue puesto en línea ni ha publicado cifras de precisión visibles para el público en general.