Cómo funcionan los algoritmos de recomendación: la IA que moldea tu feed

Cada vez que alguien abre YouTube, TikTok o una aplicación similar, el software clasifica miles de videos, canciones o publicaciones posibles en una fracción de segundo y decide qué puñado mostrar primero. Este es un sistema de recomendación: un conjunto de algoritmos diseñados para predecir qué elementos un usuario específico es más probable que desee, de un catálogo demasiado grande para que cualquier persona lo explore manualmente.

Las dos ideas básicas detrás de todo recomendador

Según el glosario técnico de NVIDIA sobre sistemas de recomendación, la mayoría de los motores combinan dos enfoques básicos. El filtrado colaborativo asume que si las personas hicieron elecciones similares en el pasado, probablemente estarán de acuerdo en futuras decisiones también, por lo que el sistema busca usuarios con patrones de comportamiento coincidentes y recomienda lo que esos usuarios similares gustaban. El filtrado basado en contenido, en su lugar, examina los atributos de los elementos mismos — género, actores, características de audio, etiquetas — y sugiere elementos similares a aquellos con los que un usuario ya interactuó.

El glosario de NVIDIA añade una tercera capa utilizada por algunas plataformas: filtrado de contexto, que tiene en cuenta detalles situacionales como tipo de dispositivo, hora del día o ubicación. Como ejemplo, cita la práctica de Netflix de ponderar el país, dispositivo, fecha y hora cuando se vio un título, junto con la visualización misma.

Los sistemas modernos reemplazan o complementan cada vez más estos enfoques con aprendizaje profundo. NVIDIA describe métodos como Filtrado Colaborativo Neural, que combina factorización de matriz con redes neuronales multicapa para capturar relaciones no lineales entre usuarios y elementos, y modelos basados en secuencias que utilizan redes recurrentes o Transformers para aprender patrones en el orden en que un usuario ve o escucha cosas.

Lo que las plataformas dicen que sus propios algoritmos optimizan

Las empresas rara vez publican su código de clasificación completo, pero algunas describen los objetivos y señales detrás de él. La sala de prensa de TikTok afirma que su feed Para Ti clasifica videos usando tres categorías de señales: interacciones del usuario (likes, compartidos, seguimientos, comentarios, y lo que una persona crea), información del video (títulos, sonidos, hashtags) y configuraciones de dispositivo o cuenta (idioma, país, tipo de dispositivo). TikTok dice que estas señales se ponderan de manera diferente — una señal fuerte, como ver un video más largo hasta el final, cuenta más que una débil, como compartir una geografía general con otros espectadores.

TikTok afirma explícitamente que el número de seguidores y el historial de videos con alto rendimiento de un creador no son factores directos en si un video dado recibe recomendación. La empresa también dice que deliberadamente mezcla contenido fuera de los intereses expresados de un usuario y evita mostrar videos consecutivos del mismo creador o usando el mismo sonido, describiendo esto como una forma de dar a las personas "oportunidades adicionales para descubrir nuevas categorías de contenido" en lugar de estar confinadas a un feed estrecho.

El sitio "Cómo funciona YouTube" oficial de YouTube enmarca el objetivo del sistema de recomendación como entender lo que un espectador necesita y entregar una experiencia de visualización que lo deje satisfecho, en lugar de simplemente maximizar el tiempo de visualización. Enumera las entradas que alimentan las recomendaciones como comportamiento de visualización e historial de vista, compromiso explícito como likes y dislikes, suscripciones y retroalimentación directa, la reputación y calidad de un canal, y tendencias más amplias entre la audiencia más general, no solo el historial de una persona. YouTube dice que complementa datos de comportamiento con encuestas de satisfacción y equipos de evaluadores externos para verificar si el contenido recomendado es genuinamente de alta calidad, y que para temas sensibles como noticias, finanzas, salud o ciencia, coloca peso extra en fuentes autorizadas.

Por qué dos personas nunca ven el mismo feed

Porque el filtrado colaborativo compara el comportamiento de un usuario con otros usuarios, y el filtrado de contenido compara elementos con el historial propio de una persona, ninguna dos cuentas llevan una mezcla idéntica de señales — diferentes historiales de visualización, diferentes seguimientos, diferentes dispositivos y ubicaciones. TikTok afirma directamente que no dos usuarios verán la misma combinación de videos en su feed Para Ti. YouTube y TikTok también dicen que el sistema sigue actualizándose con cada nueva interacción, por lo que un feed observado por la mañana ya puede verse diferente por la noche según lo que se vio, se omitió o se marcó como "no interesado" entre tanto.

¿Qué tan precisos creen que son estos sistemas?

La investigación sobre cómo las personas realmente perciben la personalización algorítmica es más limitada que la literatura de ingeniería. Una encuesta del Centro de Investigación Pew publicada el 16 de enero de 2019 preguntó a usuarios de Facebook sobre las categorías de interés y rasgos que la plataforma les había asignado para dirigirse a anuncios. Encontró que el 74% de los usuarios no sabía que esta lista de rasgos existía hasta que la encuesta los señaló, y solo el 12% estaba consciente de ello de antemano. Una vez mostradas sus propias categorías, el 59% dijo que las etiquetas reflejaban sus intereses en la vida real de manera razonable o muy exacta, mientras que el 27% no estaba de acuerdo; el 51% dijo que se sentía incómodo con la plataforma compilando tales listas incluso cuando consideraba que eran exactas. La encuesta cubrió a 963 usuarios de Facebook estadounidenses, de 18 años o más, encuestados del 4 de septiembre al 1 de octubre de 2018.

¿Pueden los usuarios influir o limitar el algoritmo?

Ambas empresas describen controles para el usuario. La página oficial de YouTube señala que los usuarios con sesión iniciada pueden pausar, editar o eliminar su historial de búsqueda y visualización en cualquier momento, que se alimenta directamente de lo que aprende el sistema de recomendación. TikTok dice que likes, seguimientos, comentarios, exploración de hashtags y toques explícitos de "No interesado" ajustan futuras recomendaciones, además de las categorías de interés que una persona puede seleccionar al configurar una cuenta por primera vez.