Optimizar metadatos de catálogo con IA

AI Optimization analiza el catálogo activo y crea recomendaciones con puntuación de confianza para metadatos descriptivos compatibles, como mood, genre, energy, keywords, instrumentation y sync use cases. CatalogIQOS genera sugerencias para revisión humana; no sobrescribe metadatos canónicos automáticamente. Un campo solo cambia cuando un usuario autorizado elige Apply Suggestion o confirma Apply Selected.

La página guía cada ciclo mediante Analyze → Review → Apply → Results y adapta la acción recomendada al último Optimization Run y sus sugerencias Pending, Applied y Rejected.

1. Elige el catálogo activo y ejecuta AI Optimization.
2. Espera a que termine el Optimization Run en segundo plano.
3. Compara Current Value y Suggested Value.
4. Aplica cambios compatibles o rechaza recomendaciones que no quieras usar.
5. Revisa Fields Improved, Optimization History y Optimization Runs.

Úsalo después de importar una hoja, después de Audio Intelligence, tras una limpieza manual, antes de Catalog Audit o Export, o después de cambios importantes. Termina las sugerencias Pending antes de repetir el análisis: un nuevo ciclo sustituye el conjunto pendiente anterior, por lo que la aplicación bloquea esa acción.

Workspace Context muestra el Workspace y Catalog activos. CatalogSwitcher recarga AI Optimization para otro catálogo autorizado. Runs, scores, sugerencias e historial pertenecen al catálogo; confirma el contexto antes de aplicar.

Cuando la guía indique Ready to optimize this catalog, usa Run AI Optimization. CatalogIQOS encola un trabajo AI_OPTIMIZATION y crea un Optimization Run. Mientras esté queued, processing o retrying, verás Optimization in progress y View Processing Queue, que abre /jobs. Puedes trabajar en otra sección mientras termina. Los runs duplicados quedan bloqueados.

El proceso analiza señales guardadas del catálogo y enrichment y crea recomendaciones, pero no las aplica. Un run fallido muestra un estado seguro y un enlace a detalles de procesamiento, sin revelar trazas internas del proveedor.

Si existen pendientes, Review Suggestions abre #suggestions. Cada fila muestra Track, Field, Current Value, Suggested Value, Confidence, estado y el Optimization Run de origen. Confidence expresa fuerza de inferencia, no verificación ni evidencia autorizada.

Filtra por status, confidence o field. Apply Suggestion escribe el valor compatible en Track o Track Enrichment y marca la sugerencia accepted. Reject Suggestion significa “no aplicar esta sugerencia”; no declara inválido el dato de origen. La sugerencia revisada desaparece del filtro Pending, pero sigue disponible bajo Accepted, Rejected o All statuses.

Para una sugerencia individual, compárala con una fuente autorizada y elige Apply o Reject. Para un grupo homogéneo de bajo riesgo, usa Select All, Select All Filtered y Apply Selected. Antes de aplicar en bloque, CatalogIQOS confirma la cantidad y advierte que actualizará metadatos canónicos. Los controles de mutación están desactivados para usuarios de solo lectura y Enterprise Demo Viewer.

Mood y genre pueden actualizar campos de Track. Mood, energy, instrumentation, keywords y sync use cases compatibles actualizan Track Enrichment; keywords también conecta tags. CatalogIQOS registra la aceptación y un evento de auditoría. Apply no significa que CatalogIQOS verificó el valor de forma independiente.

Fields Improved cuenta solo sugerencias accepted. Los rechazos no son mejoras. Optimization History distingue Applied de Rejected y muestra Track, field, previous value, reviewed value y source run. Optimization Runs muestra fecha de inicio, tracks procesadas, sugerencias generadas y status.

El modelo actual no guarda fecha de aplicación ni actor directamente en cada sugerencia. Los audit logs conservan detalles del actor, pero la página todavía no puede mostrarlos como columnas de primera clase. Tampoco existe un snapshot fiable de Optimization Score antes y después de cada run.

Repite el proceso después de completar la revisión y cuando hayan cambiado metadatos o análisis. En estado Complete, usa Run AI Optimization Again. Si hay sugerencias Pending, la página prioriza Review y tanto la interfaz como la API bloquean otro run. También se bloquea mientras exista un run queued, processing o retrying.

### ¿AI cambia mis metadatos automáticamente? No. El análisis crea sugerencias Pending. Solo Apply modifica campos compatibles.

### ¿Qué significa Confidence? Es una señal de fuerza de inferencia para priorizar, no una prueba ni verificación.

### ¿Por qué no tengo sugerencias? Quizá no se ejecutó el análisis, los campos compatibles ya contienen datos utilizables o las señales disponibles no producen una recomendación nueva. Revisa el último run y los filtros.

### ¿Puedo rechazar una sugerencia? Sí. Reject registra la decisión y no cambia los metadatos canónicos.

### ¿Puedo deshacer una sugerencia aplicada? AI Optimization no ofrece undo de un clic. Consulta Optimization History para identificar el valor anterior y edita deliberadamente el Track canónico.

### ¿Por qué Optimization Score sigue bajo? El score combina señales de enrichment y puede reflejar problemas distintos al campo aplicado. Revisa la pista y ejecuta análisis o Catalog Audit cuando corresponda.

### ¿Por qué siguen Pending las sugerencias? Generar un run nunca aplica recomendaciones. Un revisor autorizado debe aplicar o rechazar cada elemento.

• Run AI Optimization disabled: confirma rol editable y workspace no demo. Termina pendientes y espera que cualquier run activo finalice.
• Optimization remains processing: abre View Processing Queue. No envíes duplicados mientras esté queued, processing o retrying.
• No suggestions generated: confirma que terminó, elimina filtros restrictivos y revisa si los campos ya tienen valores o falta contexto de análisis.
• Bulk Apply disabled: selecciona filas Pending y confirma permisos. Filas revisadas y Demo Viewer no son seleccionables.
• Suggestion disappears: los elementos revisados salen del filtro Pending. Elige Accepted, Rejected o All statuses.
• Applied change not reflected: espera la actualización, elimina filtros y abre el Track canónico. Si persiste, revisa el error y no apliques dos veces.
• Failed optimization run: abre View Processing Details y usa Retry Optimization cuando ya no exista un trabajo activo ni pendientes.
• Score did not change: un campo puede no alterar el agregado y no hay snapshots por run. Revisa otros gaps y completa el ciclo antes de repetir.

AI Optimization ayuda a revisar el catálogo. Derechos, ownership, identificadores, clearance y hechos contractuales requieren fuentes autorizadas y aprobación humana.