Lógicas de los algoritmos

 En la columna pasada revisamos los resultados de audiencia de Netflix a partir de sus propias métricas y dejamos planteado que reflejan una tendencia respecto a la tipología de contenidos de producción colombiana que más horas de visualización han alcanzado. 

 

Cada que vemos un producto en una plataforma de streaming dejamos una huella digital: a qué horas se consume; la manera en que se hace, si es en maratón o dosificado; las pausas o abandonos, y, por supuesto, la tipología de contenido. Por eso el algoritmo de la plataforma suele hacer recomendaciones e indicar el porcentaje de afinidad de sus títulos sugeridos con nuestros gustos. 

 

Para seguir en esa línea, quiero presentarles una breve reseña de un artículo académico escrito por Mariano Zelcer, titulado: “Sistemas de recomendación en plataformas de streaming audiovisual: las lógicas de los algoritmos”. El texto profundiza en el funcionamiento de los algoritmos de aprendizaje automático empleados en plataformas digitales para ofrecer recomendaciones a los usuarios y examina cómo estos algoritmos identifican similitudes, correlaciones y patrones de consumo para personalizar y mejorar las sugerencias de contenido a los usuarios en plataformas de streaming y otros servicios digitales.

 

Zelcer destaca cómo emplean una combinación de lógicas abductivas e inductivas para identificar afinidades entre textos, etiquetas y comportamientos de usuarios. Explica, por ejemplo, que el algoritmo se vale del gusto, “si el usuario 1 ve el video A, es porque le  gusta  (puesto  que  no  habría  razón  para  que  lo  hiciera  si  no  fuera  así).” Pero también de las propiedades o categorías de las piezas audiovisuales consumidas “de aquí se desprende como corolario que las  recomendaciones que se realicen deberían ser de otros textos que compartan algunas propiedades”. 

 

De lo anterior se desprende la percepción común de que los algoritmos pueden ofrecer contenido repetitivo, el clásico “más de lo mismo”, pero Zelcer desafía esta noción al evidenciar la capacidad de los sistemas de sugerir novedades a través de una amplia diversidad en las recomendaciones. Por ejemplo: La combinación de categorías con etiquetas, sumadas a la extracción de información específica del propio contenido como: estilo de autor, época, lenguajes narrativos, etc. 

 

Otra alternativa para salir del molde es la correlación con los gustos de otros usuarios mediante redes neuronales y Deep learning que entrelazan los consumos, incluso, de otros tipos de contenido en variedad de plataformas —puede sonar a espionaje, hay que ver qué acceso se le dio a la aplicación—.

 

En todo caso queda claro que las recomendaciones que recibimos son excluyentes con algunos contenidos que podrían ser de nuestro interés, por lo que en la próxima columna exploraremos algunas joyas ocultas en Netflix. 

 

Nos vemos en la red (0)