Construye un sistema MAML para personalizar recomendaciones en streaming

Recibes histórico de 60.000 usuarias con sus interacciones (canción, like, skip, completed). Define cada usuaria como tarea de clasificación binaria 'le va a gustar la siguiente canción'. Implementa MAML de primer orden (FOMAML) sobre un encoder pequeño de canción + cabeza por usuaria. Compara contra un modelo global y contra fine-tuning ingenuo desde el modelo global, todos con el mismo presupuesto de adaptación (5 pasos sobre 5 interacciones). Éxito: MAML supera ambos baselines en accuracy promedio cuando la usuaria nueva tiene ≤10 interacciones.