Proyecto MLOps: Sistema de Recomendación de Videojuegos para Usuarios de Steam

Descripción del Proyecto

Este proyecto representa una pieza clave de la fase de LABS en el bootcamp de Henry, donde se enfoca en la práctica de habilidades técnicas y soft skills necesarias en el mercado laboral. Se desarrolló un caso de negocio real utilizando conjuntos de datos públicos de la industria de videojuegos, específicamente de la renombrada plataforma en línea STEAM.

Objetivo

El propósito central es la creación del primer modelo de Machine Learning (end to end) que resuelva un problema de negocio en Steam, a través de un enfoque que involucra tareas de Data Engineering (ETL, EDA, API) hasta la implementación del ML. Se busca lograr un rápido desarrollo y tener un Producto Mínimo Viable (MVP).

Etapas del Proyecto

1. Ingeniería de Datos (ETL y API)

• 1.1 Transformaciones de Datos: Inicialmente, recibí tres (3) archivos en formato JSON, los cuales están almacenados en la carpeta Input de un repositorio público en Google Drive. Realicé transformaciones esenciales para cargar los conjuntos de datos con el formato adecuado. Estas transformaciones se llevaron a cabo con el propósito de optimizar tanto el rendimiento de la API como el entrenamiento del modelo.
  

  • australian_user_reviews.json: Contiene las reseñas de juegos específicamente realizadas por usuarios australianos. Se puede hacer referencia al notebook ETL_user_reviews para obtener más detalles sobre cómo se procesaron las reseñas dando como resultado un nuevo archivo con datos limpios, user_reviews_cleaned.csv.
    
  • output_steam_games.json: Este archivo proporciona información detallada sobre los juegos disponibles en la plataforma Steam. Incluye datos como géneros, etiquetas, especificaciones, desarrolladores, año de lanzamiento, precio y otros atributos relevantes de cada juego. En el notebook ETL_steam_game puedes revisar el proceso de limpieza y transformación de datos, el cual culmina con la creación de un nuevo archivo llamado steam_games_cleaned.csv.
    
  • australian_users_items.json: El archivo australian_users_items.json contiene información sobre los ítems relacionados con usuarios australianos. Este conjunto de datos ha pasado por un proceso de Extracción, Transformación y Carga (ETL), que se detalla en el notebook ETL_user_items. Como resultado de este proceso, se generó un nuevo archivo user_items_cleaned.csv para facilitar su manipulación y análisis, brindando así una estructura más amigable y lista para su integración en el modelo.
    

• 1.2 Feature Engineering: Creé la columna sentiment_analysis aplicando análisis de sentimiento a las reseñas de los usuarios. Se optó por utilizar la biblioteca NLTK (Natural Language Toolkit) con el analizador de sentimientos de Vader, que proporciona una puntuación compuesta que puede ser utilizada para clasificar la polaridad de las reseñas en negativas (valor '0'), neutrales (valor '1') o positivas (valor '2'). A las reseñas escritas ausentes, se les asignó el valor de '1'. puede ver el detalle del desarrollo en el notebook ETL_user_reviews y profundizar un poco más en el análisis en el EDA_Análisis Exploratorio de Datos.
  

• 1.3 Desarrollo de API: Implementé una API con FastAPI y se deployó en Render, ésta proporciona cinco (5) consultas sobre información de videojuegos. Puede ver el detalle del código en los notebooks Funciones y Consultas.
  

  • Endpoint 1 (PlayTimeGenre): Devuelve año con mas horas jugadas para un género dado.
    
  • Endpoint 2 (UserForGenre): Devuelve el usuario que acumula más horas jugadas para el género dado y una lista de la acumulación de horas jugadas por año.
    
  • Endpoint 3 (UsersRecommend): Devuelve el top 3 de juegos MÁS recomendados por usuarios para el año dado.
    
  • Endpoint 4 (UsersWorstDeveloper): Devuelve el top 3 de desarrolladoras con juegos MENOS recomendados por usuarios para el año dado.
    
  • Endpoint 5 (sentiment_analysis): Según la empresa desarrolladora, se devuelve un diccionario con el nombre de la desarrolladora como llave y una lista con la cantidad total de registros de reseñas de usuarios que se encuentren categorizados con un análisis de sentimiento como valor.
    Para acceder a la funcionalidad completa de la API y explorar las recomendaciones de juegos, puedes visitar este enlace URL de la API. En este sitio, encontrarás las diversas funciones desarrolladas. ¡Disfruta explorando!.

2. Análisis Exploratorio de Datos (EDA)
Investigé relaciones entre variables, identifiqué outliers y busqué patrones interesantes en los datos. El notebook EDA_Análisis Exploratorio de Datos

3. Modelo de Aprendizaje Automático
Creé el sistema de recomendación con uno de los enfoques propuestos:

• 3.1 Sistema de Recomendación ítem-ítem: Desarrollé un modelo que recomienda juegos similares en base a un juego dado, utilizando similitud del coseno. Con CountVectorizer se convirtieron los textos de la columna 'specs' en vectores numéricos para posterior calcular la similitud del coseno.
  Se utilizó la métrica de similitud del coseno, ya que mide el coseno del ángulo entre dos vectores. Cuanto más cercano a 1, más similares son los vectores. Este método fue clave para determinar qué tan parecidos son los juegos entre sí. Esto se utiliza para generar recomendaciones, ya que los juegos con vectores similares son considerados como recomendaciones potenciales.
  

4. Implementación de MLOps
Deploy del Modelo: Desplegué el modelo de recomendación como parte de la API, la cual puedes consultar acá: URL de la API.

5. Video Explicativo
Grabé un video explicativo que muestra el funcionamiento de la API, consultas realizadas y una breve explicación de los modelos de ML utilizados Youtube.

Estructura del Repositorio

1. /Notebooks: Contiene los Jupyter Notebooks con el Código completo y bien comentado donde se realizaron las extracciones, transformaciones y carga de datos (ETL), análisis exploratorio de los datos (EDA), y el archivo con Diccionario de datos, MVP, Pautas del proyectoVarios.

2. /Datasets: Almacena los datasets utilizados en una versión limpia y procesada de los mismos. Las fuentes de datos iniciales se encuentra almacenadas en la carpeta input en el siguiente repositorio Google Drive

• 3.1 Archivos_API: Contiene los datasets en formato csv consumidos por la API.
  
• 3.2 Archivos_Limpios: Contiene los archivos depurados después de haber realizado el ETL.
  
• 3.2 Archivos_ML: Contiene los archivos consumidos por la API para hacer el sistema de recomendación.
  

3. /assets: Carpeta con imágenes y recursos utilizados en el desarrollo del proyecto.

4. /Video: Contiene el video explicativo del proyecto, el cual se encuentra publicado en Youtube.

Ejecutar la API (en su máquina local)

1. Clonar el repositorio
   

git@github.com:JohannaRangel/Proyecto_Individual_1_MLOps.git

2. Crear entorno virtual
   

python3 -m venv <nombre_del_entonto>

3. Vaya al directorio del entorno virtual y actívelo
   

• 3.1. Para Windows:

Scripts/activate

• 3.2. Para Linux/Mac:

bin/activate

4. Instalar los requerimientos
   

pip install -r requirements.txt

5. Ejecute la API con uvicorn
   

uvicorn main:app --reload

Autor

Johanna Rangel.

Para cualquier duda/sugerencia/recomendación/mejora respecto al proyecto con toda libertad puedes contactarme por LinkedIn