Fiabilidad

¿Cómo se utiliza la IA en los sistemas de recomendación?

Resumen

Los sistemas de recomendación se utilizan en todas partes para ofrecer una mejor experiencia al cliente. Se han potenciado con herramientas y tecnologías de IA para hacerlos más eficaces. Por otro lado, están surgiendo problemas legales y de privacidad de los datos, ya que los sistemas de recomendación se basan en los datos de los usuarios. Los sistemas de recomendación basados en IA evolucionan continuamente, ya que la psicología y el comportamiento humanos son extremadamente complejos de comprender.

Descripción general

Cuando navegas por diferentes vídeos en YouTube, ¿ves que, al cabo de un rato, YouTube muestra contenidos que coinciden con los que habías visto antes?

Por ejemplo, has estado viendo vídeos de TedX sobre los efectos de la IA en los mercados de empleo. Al cabo de un rato, YouTube podría mostrar varios vídeos relacionados con el impacto de la IA en el empleo. Sin que lo sepas, el sistema de recomendación de YouTube basado en IA ha estado trabajando mientras navegabas por los vídeos.

¿Qué es lo que ocurre? La IA acepta un volumen masivo de datos basados en el comportamiento de navegación, las preferencias y el historial de navegación e intenta darles sentido. Encuentra patrones y similitudes en los datos y, basándose en ellos, te ofrece lo que te puede gustar. Los sistemas de recomendación se utilizan en todas partes para ofrecer una mejor experiencia al usuario o cliente. Todas las grandes organizaciones lo utilizan. Naturalmente, sus críticos señalan que se está sacrificando la privacidad y confidencialidad individuales.

¿Qué es un sistema de recomendación?

Un sistema de recomendación, en términos sencillos, es un software de IA que recomienda productos y servicios al usuario del producto o de los servicios basándose en las preferencias y elecciones del usuario.

¿Cómo hace lo que hace? Bueno, a medida que tú, el usuario del software, lo utilizas durante algún tiempo, el software de IA consume una gran cantidad de datos sobre tus hábitos de navegación, preferencias, productos o servicios navegados e historial de navegación.

A continuación, crea patrones o hábitos a partir de esos datos y, cuando vuelves a visitar el producto o servicio, te recomienda ofertas basadas en lo que ha aprendido. Por ejemplo, si ves muchas películas sobre exorcismo en Netflix, puede que te recomiende películas de un género similar. Amazon, Netflix, Spotify, Pandora, Apple Music y muchas otras organizaciones utilizan sistemas de recomendación.

En las próximas secciones se explicará cómo utilizan los sistemas de recomendación algunas de las organizaciones de renombre.

¿Cómo funciona el sistema de recomendación de Netflix?

El sistema de recomendación de Netflix se conoce como algoritmo de recomendación de Netflix o algoritmo Netflix. Aunque todos los sistemas de recomendación tienen su propia forma de funcionar debido a la naturaleza del negocio, hay ciertos puntos en común. En los siguientes apartados se describe su funcionamiento.

Filtrado colaborativo

Ha sido uno de los métodos más eficaces que se emplean en los sistemas de recomendación. Analiza el comportamiento de los usuarios y encuentra patrones y similitudes en sus elecciones.

Por ejemplo, si muchos usuarios han visto una determinada película de acción muchas veces o han visto un programa de televisión, el sistema de recomendación podría recomendarle el mismo programa. El filtrado colaborativo se basa en el concepto de que las personas que mostraron comportamientos o preferencias similares en el pasado tienen más probabilidades de mostrar comportamientos o preferencias similares en el futuro.

Filtrado basado en el contenido

Vamos a explicar el sistema de filtrado basado en el contenido con un ejemplo. Has visto Narcos y la serie web Narcos México. ¿Qué hace aquí el sistema de recomendación de Netflix? Toma y enumera los atributos de cada elemento del sistema (como el género, el director, el reparto, el argumento, etc.) y los compara con los atributos de otras series web. Dependiendo de lo bien que coincidan los atributos, el sistema de recomendación te ofrecerá series similares. Por ejemplo, si los atributos coinciden con los de El Chapo, Netflix te la recomendará.

Aprendizaje profundo

¿Cómo sabe el motor de recomendación que si has visto Narcos -una serie web sobre cárteles de la droga para principiantes-, entonces El Chapo puede ser otra serie web que te guste? Para saberlo, utiliza técnicas de aprendizaje profundo. Se trata de una técnica profunda y avanzada que utiliza redes neuronales artificiales para estudiar todo tipo de datos relacionados con películas, series web y todas las demás ofertas de Netflix. A partir de los resultados de su estudio, los compara con los datos del usuario, como preferencias, vistas históricas, patrones y comportamientos, y ofrece recomendaciones.

Aprendizaje por refuerzo

El aprendizaje por refuerzo es lo mismo que ofrecer incentivos a los seres humanos para que se sientan motivados a rendir más. Un empresario diseña diversos incentivos para motivar a sus empleados a rendir mejor. Del mismo modo, el sistema de recomendación también incentiva a sus sistemas para que recomienden mejores ofertas a los usuarios. Por ejemplo, si un usuario ve una película recomendada y le gusta, el sistema recibe una recompensa.

Preocupaciones en torno a los sistemas de recomendación

Puesto que los sistemas de recomendación se basan en la premisa de recopilar datos de los usuarios, se plantean, y con razón, cuestiones de confidencialidad y legalidad. Por ejemplo, Google lleva mucho tiempo recopilando tus datos, la mayoría de los cuales son personales. Existen preocupaciones y críticas válidas en torno al uso que Google ha estado haciendo de los datos. Los que critican esta práctica afirman que detrás de la jerga legal se está sacrificando la privacidad y la confidencialidad. A grandes rasgos, las preocupaciones pueden describirse de la siguiente manera:

  • ¿Cómo garantizan las organizaciones que los datos recogidos no se utilizan para fines distintos de los declarados? ¿Qué vigilancia se ejerce y cómo se controlan las acciones de las organizaciones en torno a los datos?
  • ¿Cuáles son las sanciones por el uso indebido de los datos? ¿Existe algún precedente de que una organización haya sido sancionada?
  • ¿Cómo garantizan las organizaciones que los grandes volúmenes de datos que están recopilando no acaben en manos equivocadas? ¿Qué medidas han tomado?
  • ¿Cómo garantizan las organizaciones que las recomendaciones no sean sesgadas o discriminatorias? Por ejemplo, los algoritmos deben ser extremadamente sensibles a las recomendaciones sobre violencia racial, películas y discriminación.

A pesar de los problemas de seguridad, los sistemas de recomendación están aquí para quedarse y prosperar. Forman parte integral de las estrategias empresariales de las organizaciones porque, ante los enormes volúmenes de datos que necesitan procesar, no hay mejor solución que los sistemas de recomendación basados en IA.

También hay que señalar que los sistemas están en constante evolución porque sigue habiendo muchos casos en los que no pueden predecir con exactitud qué es lo siguiente que le puede gustar al usuario de un producto o servicio.

La psicología humana es extremadamente compleja y puede mostrar comportamientos que no siguen un patrón. Es en estos ámbitos donde los motores de recomendación tienen su tarea por delante y no va a ser nada fácil.

Temas relacionados

Kaushik Pal
Editor

Kaushik es un arquitecto técnico y consultor de software con más de 23 años de experiencia en análisis de software, desarrollo, arquitectura, diseño, pruebas e industria de capacitación. Tiene interés en nuevas tecnologías y áreas de innovación, centrándose en arquitectura web, tecnologías web, Java/J2EE, código abierto, WebRTC, big data y tecnologías semánticas. Ha demostrado su experiencia en análisis de requisitos, diseño e implementación de arquitecturas, preparación de casos de uso técnico y desarrollo de software. Su experiencia ha abarcado diferentes sectores como seguros, banca, aerolíneas, envíos, gestión de documentos y desarrollo de productos, entre otros. Ha trabajado con una amplia…