motores de recomendación

Guerra con los motores de recomendación

Luchar contra los anuncios de productos constantes es frustrante, pero no tiene por qué sentir que cada compra será una batalla.

He estado trabajando incansablemente las veinticuatro horas del día y finalmente no puedo soportarlo más, simplemente siguen ganando. 

He estado luchando contra el enemigo durante años, pero todavía tengo problemas. Haga clic en la x. ¡Auge! Me niego a caer en sus trampas, que están perfectamente diseñadas para reducir mis defensas a escombros y mi cerebro a gelatina. Y, sin embargo, continúan su implacable ataque en todos los frentes, sacando sus armas donde Pero soy un soldado obstinado y en esta guerra lucharé hasta el final.

Sí, esto es una guerra. Una guerra contra las recomendaciones y los motores que las impulsan.

¿Que son los motores de recomendación?

Un motor de recomendaciones es básicamente un conjunto de algoritmos o sistemas que impulsan el tipo de recomendaciones que ve en muchos servicios populares. Estos sistemas recopilan datos sobre las personas y cómo interactúan con el contenido. Luego usan estos datos para predecir qué otro contenido podría desear cualquier usuario individual.

Los motores de recomendación funcionan para aumentar el compromiso con el contenido. Estos sistemas son fundamentales para la forma en que interactuamos con los medios y productos en línea porque reducen enormes listas de contenido (por ejemplo, videos, canciones, juegos, productos) que de otro modo serían incomprensibles para los usuarios. Sin embargo, esto también puede ser una intrusión en su privacidad (aunque proporciona mucha información interesante). Y cuando las cosas se ponen feas, no hay nadie que te ayude.

Mirar YouTube crea un ciclo interminable de reposiciones de la teoría del Big Bang. Ya sabes, esos físicos geek son bastante divertidos, pero no lo hagas demasiado repetitivo. Spotify también recomienda canciones relajantes después de poner un poco de música de meditación. Amazon es frustrante porque lanza los mismos productos. La gente compra una cosa y empieza a venderse por otra.

Me resulta frustrante ver el mismo contenido una y otra vez. Lo que lo empeora es que estos sistemas manipuladores juegan con mis debilidades, por lo que realmente odio los algoritmos de recomendación.

Por favor, deje de intentar venderme asientos para inodoro.

Sería genial si los algoritmos de recomendación me presentaran nuevos productos y contenido que me guste. Entonces, podrían ayudarme a desarrollar nuevas ideas. Podrían hacerme sentir inspirado. Desafortunadamente, son mi peor enemigo en este momento porque me están contando «sus nuevas cosas favoritas».

¿Por qué no podemos ser amigos?

Los algoritmos de recomendación tienden a mostrar los elementos más populares. Intentan generar muchos clics. A veces, estos algoritmos están diseñados para que las personas pasen más tiempo en un sitio, no por otras razones. A muchas personas les encantaría cambiar sus vidas, ¡para mejorarse a sí mismas! Pero dentro de estos marcos, se vuelve difícil hacerlo ya que estos algoritmos refuerzan continuamente nuestro mal comportamiento (a veces con fines de lucro, a veces para la participación e interacción del usuario). Me gusta el hecho de que la aplicación Google Fit hace ajustes en mi objetivo cuando no los cumplo y no me obliga a cumplir mis propósitos de Año Nuevo todos los años.

¡No es del todo malo! Hay muchos buenos servicios por ahí. He tenido suerte con este asunto de Yelp. Recibo recomendaciones de nuevos restaurantes que giran en torno a los que me gustaban antes, así como alimentos más nutritivos que puedo usar para mantenerme saludable durante la guerra. Evidentemente, esto es muy importante para mí. Cuando se trata de comidas durante la batalla, me gusta asegurarme de comer lo mejor que puedo.

Siempre es bueno recibir recomendaciones sobre lo que la gente realmente está comprando. Cuando hago un pedido de comestibles en línea, el artículo más popular es el papel higiénico. No estaba buscando un gran secreto de vida ni nada, pero tiene sentido que este sea un artículo que se compra a menudo. El usuario final no parece verse afectado por la monopolización de los productos básicos.

Las recomendaciones no son responsabilidad del programa, sino del programador.

Ellos toman tu historial y encuentran lo que les gustó a otros usuarios con un historial similar, ¡y luego te lo muestran! No es solo una recomendación, es el efecto acumulativo lo que es realmente bueno. Encuentran productos que son similares en función de cómo los vieron los usuarios. Encuentran elementos con mucho contenido similar, según lo que usan normalmente las personas en su área. Los mejores incluso agregan su propia magia basada en su experiencia en la industria para ayudar a los usuarios en el camino. Estos sistemas híbridos son potentes y un alivio bienvenido frente a competidores homogéneos.

El motor de recomendaciones de Netflix es un buen ejemplo de sistema híbrido. El paso final es averiguar cómo medir y predecir qué contenido querrá el individuo a continuación, pero ¿cómo podemos entender lo que está viendo ahora? Comenzamos con el contenido que ve un usuario y luego identificamos contenido similar aplicando el procesamiento del lenguaje natural (NLP) en las descripciones del programa y el género. Netflix luego combina esto con técnicas de filtrado colaborativo como la descomposición de valor singular (SVD) o la factorización de matriz probabilística (FAQ) en las que las preferencias de otros usuarios se convierten en un proxy de las preferencias de un usuario dado, lo que nos da otro conjunto de puntajes. Los algoritmos de Netflix se complementan con su propia información sobre qué programas actuales son populares. La compañía otorga a cada programa una puntuación simple basada en el total de vistas en los últimos siete días.

Los algoritmos de recomendación están por todas partes en nuestros dispositivos, y por una buena razón. Es posible que estén influyendo en sus hábitos de consumo sin que usted se dé cuenta, pero no es culpa suya. Estos sistemas simplemente le recomiendan cosas en función de lo que creen que le podría gustar. Los creadores deben pensar más en la experiencia del usuario y en lo que realmente quiere el usuario. Quienes implementan estos sistemas deben pensar de manera más crítica sobre cómo sus productos impactan en la vida de los usuarios.

No existe una respuesta única para esto, pero los ingenieros y diseñadores pueden tomar ciertos pasos para crear mejores sistemas. En su mayor parte, los ingenieros pueden centrarse más en el diseño centrado en el usuario. ¡Deberían hacer eso!

Negociar un acuerdo de paz

Primero, las recomendaciones necesitan una explicación. Por ejemplo, «Te encantará esta nueva canción porque escuchaste el álbum de Taylor Swift en repetición la semana pasada» (ejem). Al comprender por qué puede estar inclinado a hacer clic en ciertas cosas, puede ayudar a comprender mejor el contenido que desea consumir.  

Un sitio web de viajes puede incentivar a las personas a publicar reseñas. Estos pueden incluir el número de viajeros, idealmente dos. Es una estrategia eficaz.

Seguiré esperando a que aparezca un ejército de ingenieros nerds y arregle estos algoritmos para que puedan recomendar algunas cosas que me encantarán.

La creación de recomendaciones basadas en diferentes criterios es lo que distingue a estos modelos. Por ejemplo, los libros no son solo unas pocas etiquetas; están escritos con cierto estilo, voz, tono, estructura … la lista continúa. Las recomendaciones deben adaptarse a las preferencias de la persona. Provocan estados de ánimo específicos del lector. Por ejemplo, si alguien dice que está interesado en algo, significa que es más probable que interactúe con ese contenido.

Suena complicado, pero ya tenemos la tecnología. Una interfaz de usuario simple puede permitirle ajustar sus propias recomendaciones. Si empoderamos al usuario, puede hacer lo que mejor sabe hacer: encontrar lo que ama. Estos datos se retroalimentan en algoritmos para mejorar el sistema.

Las empresas pueden tener dificultades para complacer a todos, por lo que deben esforzarse más para mejorar sus algoritmos. Perseveraré hasta que lo hagan. Seguiré haciendo lo mismo de siempre hasta que empiece a recibir mejores sugerencias. Sé que los ingenieros están trabajando en esto.