¿Eres de los que tienen cientos de pestañas abiertas y sufres para organizarlas? ¡Buenas noticias! Mozilla ha lanzado una función impulsada por IA en Firefox que promete revolucionar la forma en que gestionamos nuestras pestañas. Se trata de una herramienta que sugiere automáticamente nombres para los grupos de pestañas y también nos ayuda a identificar qué pestañas deberían ir juntas. Y lo mejor de todo: ¡funciona localmente, sin enviar tus datos a la nube!
Agrupación de pestañas con esteroides: la apuesta de Firefox
A principios de 2025, Mozilla introdujo la agrupación de pestañas, una función muy solicitada por los usuarios de Firefox. Sin embargo, encontrar las pestañas correctas para agrupar puede ser un desafío cuando tienes muchas abiertas. Para solucionar esto, Mozilla ha implementado una funcionalidad de IA que ofrece dos características principales:
- Sugerencia de títulos para los grupos de pestañas.
- Sugerencia de pestañas para añadir a un grupo existente.
La clave aquí es que todo el procesamiento se realiza localmente en tu dispositivo, utilizando el motor de IA de Firefox. Esto significa que no se envían datos de navegación a Mozilla, lo que garantiza la privacidad del usuario. La función es opcional y descarga dos pequeños modelos de aprendizaje automático la primera vez que se utiliza.
¿Cómo funciona la magia? Sugerencia de títulos
La sugerencia de títulos se basa en un análisis inteligente del contenido de las pestañas. El sistema genera un “resumen” del grupo de pestañas, combinando análisis de texto TF-IDF modificado con extracción de palabras clave. Esto identifica los términos más relevantes dentro de un grupo de pestañas en comparación con el resto. Luego, combina las tres palabras clave más importantes con los títulos completos de tres páginas seleccionadas aleatoriamente para crear un resumen conciso.
Este resumen se utiliza como entrada para un modelo generativo que devuelve la etiqueta final. Mozilla utilizó un modelo encoder-decoder basado en T5 (flan-t5-base) que se afinó con más de 10,000 ejemplos. Para generar estos datos de entrenamiento sin usar información del usuario, se definieron arquetipos de usuarios y se utilizó la API de OpenAI GPT-4 para crear páginas de ejemplo para diferentes tareas. Estos datos se complementaron con títulos de páginas reales del conjunto de datos Common Crawl.
Reduciendo el tamaño: De 1GB a 57MB
Para que el modelo de IA funcione fluidamente en la mayoría de los ordenadores, era crucial reducir su tamaño. Después del entrenamiento inicial, se aplicó un proceso de “destilación de conocimiento” para crear un modelo más pequeño. Se afinó un modelo t5-efficient-tiny utilizando las salidas de probabilidad de tokens del modelo original flan-t5-base. Además, se eliminaron dos capas transformer del codificador y dos del decodificador para reducir aún más el número de parámetros.
Finalmente, los parámetros del modelo se cuantificaron de punto flotante (4 bytes por parámetro) a entero de 8 bits. Todo este proceso de reducción logró disminuir el tamaño del modelo de 1 GB a 57 MB, con solo una ligera reducción en la precisión.
Sugerencia de pestañas: Encontrando la armonía entre tus webs
El sistema de sugerencia de pestañas se basa en la similitud semántica. Esto significa que se sugieren pestañas que son temáticamente similares. Para lograr esto, los títulos de las pestañas se convierten localmente en vectores de características utilizando un modelo de incrustación MiniLM. Estos modelos están entrenados para que el contenido similar produzca vectores cercanos en el espacio de incrustación.
Utilizando una medida de similitud, como la similitud del coseno, es posible determinar cuán similares son los títulos o las URL de las pestañas entre sí. La puntuación de similitud entre una pestaña “ancla” elegida por el usuario y otra pestaña es una combinación lineal de la pestaña candidata con el título del grupo (si existe) de la pestaña ancla, el título de la pestaña ancla y la URL ancla.
Con estos valores, se genera una probabilidad de similitud, y las pestañas que tienen un umbral de probabilidad alto se sugieren para formar parte del grupo.
Optimizando el rendimiento: Un modelo más ligero y rápido
Inicialmente, se utilizó un enfoque de clustering para establecer una línea de base, pero se cambió a una regresión logística al darse cuenta de que tratar las características de grupo, título y URL con diferentes importancias mejoraba las métricas. Este cambio resultó en una mejora del 18% en comparación con la línea de base.
Aunque el número medio de pestañas para las personas que utilizan la función es relativamente pequeño (~25), existen algunos usuarios “avanzados” cuyo número de pestañas alcanza los miles. Esto podría hacer que la función de agrupación de pestañas tardara demasiado. Esta fue una de las razones por las que se cambió de un enfoque basado en clustering a un modelo lineal. Según el marco de rendimiento de Mozilla, el percentil 99 de la ejecución de la regresión logística mejoró en un 33% en comparación con un método basado en clustering como KMeans.
El futuro de la organización de pestañas
Mozilla planea seguir mejorando esta función en el futuro. Algunas de las áreas de mejora incluyen la adición de un componente relacionado con el tiempo como parte de la inferencia (es más probable que agrupemos pestañas que hemos abierto al mismo tiempo) o el uso de un modelo de incrustación afinado para este caso de uso.
En resumen, la nueva función de agrupación de pestañas de Firefox impulsada por IA es un gran paso adelante para mejorar la experiencia de navegación. Al ofrecer sugerencias inteligentes y mantener la privacidad del usuario, Mozilla está demostrando que la IA puede ser una herramienta poderosa para hacer nuestras vidas digitales más fáciles y organizadas.
Si eres un desarrollador curioso, puedes explorar el código fuente del entrenamiento del modelo o ver el modelo de tema en Hugging Face. ¡No dudes en probar la función y compartir tus comentarios!
Fuente: Mozilla Blog
Leave a Comment