Tailorcast: la radio del futuro llega a PRISA.

Una nueva experiencia en la escucha de podcasts

El mundo de los medios de comunicación está cambiando a pasos agigantados. Cada vez más usuarios prefieren escuchar contenidos bajo demanda y adaptados a sus gustos frente a los sistemas tradicionales. A la hora de escuchar podcasts, lo difícil es descubrir nuevos contenidos que podrían gustarles, por eso es tan importante un recomendador.

¿Cómo dar una respuesta personalizada a cada oyente? En este contexto surge Tailorcast, un recomendador de podcast capaz de sugerir nuevos contenidos basándose en los gustos de cada usuario o en los contenidos, teniendo en cuenta las características y el contenido de cada episodio y las configuraciones de cada canal de recomendación.

PRISA nos presentó esta idea conceptualizada y en Paradigma hemos recorrido el camino con ellos, aconsejándoles sobre las decisiones técnicas y adaptándonos a los cambios del proyecto, trabajando juntos como un único equipo.

La solución de Tailorcast consta de dos partes principales: un preprocesado de los audios, donde se pasan a texto y son clasificados dentro de las categorías; y una API que permite, desde cualquier frontal o sistema, obtener las recomendaciones en forma de episodios y listados de podcasts personalizados.

Tailorcast está conectado con el repositorio de contenidos del grupo, de esta forma la metainformación de los audios es enriquecida y almacenada en un único lugar, facilitando las sinergias y el uso del recomendador entre los distintos departamentos de la compañía.

Necesitábamos un sistema marketplace que permitiera a los generadores de contenido subirlo a la plataforma y configurarlo. También era necesario que los publicadores pudieran configurar sus canales, indicando de manera dinámica sobre qué podcasts quieren hacer playlists.

Otro punto a tener en cuenta era la necesidad de tener un SDK que permitiera a las aplicaciones móviles de los publicadores la conexión con el sistema de recomendación Tailorcast.

Piezas principales de la arquitectura

Después de definir el alcance del MVP, nos pusimos manos a la obra montando las distintas partes de la arquitectura:

• Microservicio backoffice API con el API que da servicio al front.
• Microservicio SDK- API para atender a las llamadas no solo desde los SDK móviles, sino desde cualquier frontal.
• Librerías SDK integrables con apps iOS y Android para hacer uso del recomendador.
• Apps de demo con la librería integrada.
• Un motor de recomendación de podcasts, basado en contenido, y los datos de escucha para clusterizar a los usuarios y poder generar las recomendaciones.

Para poder realizar las recomendaciones montamos un pipeline de procesamientos de audios que valida, analiza y extrae la información de los audios gracias al uso de las APIs de IA de GCP.

Realizamos este proyecto en Google Cloud, usando servicios gestionados y serverless como son App Engine, Cloud Run, PubSub, BigQuery, Cloud SQL o AI training. Además, usamos las APIs de ML para transcribir los audios, extracción de entidades y obtención del sentimiento. También entrenamos un modelo de extracción de entidades usando el sistema de etiquetado del grupo mediante el servicio Auto ML

Los microservicios se realizaron con Nodejs, añadiendo Swagger y haciendo el desarrollo front con React. Usamos IaC para poder desplegarlo fácilmente con Terraform.

Tailorcast ofrece múltiples beneficios. Con el motor de preprocesado y recomendación independiente, las empresas de PRISA pueden cargar y procesar sus audios y obtener recomendaciones del contenido para sus usuarios.

El preprocesado proporciona la transcripción, análisis de sentimiento, clasificación y validación de los audios ingestados en el sistema. Al guardar la información en una base de datos analítica, los sistemas aprovechan esta meta información de manera separada a la recomendación.

Además, permite crear playlists personalizadas para cada usuario y, por su enfoque multicanal, mezcla contenido de diferentes creadores para dar servicio a los clientes desde diferentes medios.

Gracias a la recomendación inteligente y personalizada los usuarios tendrán contenido más cercano a sus gustos y disfrutarán de una mejor experiencia descubriendo nuevos podcasts.