Artículo 4 Como los algoritmos influencian el comportamiento humano

Las famosas “ofertas” que hemos visto desde hace muchos años, cuando salimos de compras, en grandes anuncios publicitarios, en los medios escritos, televisivos o por radio y ahora los famosos “Ads” (abreviatura de la palabra inglesa “advertising”, en español “anuncio”) que las redes sociales y programas de internet que hoy en día nos invaden conocida como “publicidad invasiva” y la última moda sobre la creación de canales en redes sociales llamados “influncers” personas que expresan opinión sobre un tema concreto y ejercen una gran influencia sobre muchos seguidores.

Esta necesidad de llevar un mensaje en su mayoría de los casos, para comercializar algún bien o servicio, para incrementar ventas, captar o retener clientes, ofrecer experiencias personalizadas o sencillamente para dar a conocer mensajes de algo a alguien, toda esta necesidad del ser humano se ha fusionado con las nuevas tecnologías de la información por medio el uso de “algoritmos” cada vez más inteligentes y sofisticados que tratan de imitar el pensamiento del ser humano.

Algunos ejemplos donde podemos encontrar algoritmos inteligentes son los sistemas que usan Spotify, Disney+, YouTube, NETFLIX, Facebook, Instagram, Google y Amazon; ¿has recibido alguna recomendación? para escuchar una playlist (lista de canciones), ver una película o vídeo, hacerte amigo en la red o comprar por internet; hoy trataré de explicar un poco como funcionan estos algoritmos que nos impulsan a tomar decisiones y pueden alterar nuestro comportamiento.

Existen tres tipos métodos: 1. sistema de filtrado colaborativo, 2. sistema de recomendaciones por contenido y 3. sistemas híbridos; el método inicia creando un algoritmo para determinar la similitud entre dos elementos, personas o usuarios, para ello se usan métodos como el índice de Jaccard, similitud coseno, distancia Euclidiana, y correlación de Pearson.

Los algoritmos para crear los sistemas de inteligencia utilizan una matriz de utilidad que refleja la relación entre los elementos, productos y usuarios, que son los conjuntos principales de un sistema de recomendación.

Por otro lado, el método del sistema de filtrado conocidos como basado en memoria (usuario a usuario) o (producto a producto), la recomendación es más personalizado ya que las interacciones están basadas en usuarios similares al usuario de interés, sin embargo los productos recomendados suelen ser más diversos; si hablamos del método producto a producto la recomendación es más robusta, porque hay menor varianza por la cantidad de interacciones de usuarios, sin embargo puede haber sesgo por las interacciones que provienen de todo tipo de usuario.

El sistema de filtrado colaborativo basado en modelos, se basan en información de las interacciones entre el usuario y el elemento, este método hace menos complejo y denso el manejo de las matrices, los modelos usados habitualmente son el modelo de regresión, árboles de decisión, k-vecinos más cercanos y máquinas de vectores de soporte; este método combina una representación de interacciones usuario a producto, lo que permite generar recomendaciones a usuarios sin historial de interacciones, siendo siempre nuestro objetivo predecir datos muy cercanos a los valores verdaderos (conocido como BIAS).

Ahora hablaremos sobre los algoritmos para crear sistemas de recomendación por contenido, en el que perfilamos al usuario (región, edad, género, gustos, etc.) y el producto (si fuera películas serias algo como director, género, actores, año, etc.); se define el modelo centrado en los productos, el usuario o combinado; y se procede a entrenar el modelo lo que significa que tomamos una muestras de datos, según los resultados de las pruebas y entrenamientos se determina cuando es el error entre lo pronosticado y lo real, entonces usamos el ultimo conjunto de datos de validación para realizar el pronóstico.

Todo se escucha muy bien y puede que sea de mucha utilidad, sin embargo existe un debate ético sobre los sistemas de recomendaciones basados en algoritmos; Eli Parieser define el término “filtro burbuja” al estado de aislamiento intelectual que está influenciando el comportamiento humano, usando algoritmos inteligentes para personalizar el resultado de las búsquedas, es decir la misma búsqueda puede producir resultados distintos, esto tomando la información personal del usuario, ubicación o enlaces en los que hizo clic en el pasado; estos son aislados en sus burbujas ideológicas y culturales.

Algunos ejemplos que usualmente encontramos de filtros burbuja son: Google, filtra búsquedas de acuerdo con las otras consultas de usuarios, así como links que siguieron y muchas otras variables como la dirección IP, la marca del equipo, su ubicación, lo más relevante cuando la persona hace clic en el primer enlace.

Facebook ha explotado grandemente la interacción entre sus millones de usuarios, personalizando el contenido para proporcionar recomendaciones y sugerencias según el uso por medio de los clics, páginas visitadas, búsquedas realizadas y ahora usa motores de inteligencia artificial por medio de Deep Learning (algoritmos para reconocimiento de imágenes), es decir conocer tus gustos de vestir, lugares que has visitado, personas con las que socializas y con toda esta gama de información personaliza tu entorno.

Otro aspecto negativo de las recomendaciones y sesgos de información dentro del debate ético son las Fake News (noticias falsas) y radicalización; podemos citar la reciente pandemia de covid-19 sobre la reproducción de muchas noticias falsas, que la Organización Mundial de la Salud acuñó como “infodemia” a la sobre abundancia y multiplicación de noticias falsas en relación al brote epidémico.

He tratado de plantear por medio de estas nuevas modas tecnológicas que, si bien es cierto son activadores de más oportunidades en la economía mundial, también existen efectos negativos que debemos cuidar para tener una libertad intelectual en nuestras decisiones para un comportamiento equilibrado para nuestro bienestar y el de la sociedad.

Referencias

  • [1] [Wikipedia, the free encyclopedia][Recommender system]. Recuperado de: http://bitly.ws/pHQp. [Último acceso: febrero 2022].

  • [2] [Wikipedia, the free encyclopedia][Filtro burbuja]. Recuperado de: http://bitly.ws/pHQu. [Último acceso: febrero 2022].

  • [3] [JAYWRKR Tech][Guía para construir un sistema de recomendación (Parte 1)]. Recuperado de: http://bitly.ws/pHQx. [Último acceso: febrero 2022].

  • [4] [Adamczyk, Jakub][k nearest neighbors computational complexity]. Recuperado de: http://bitly.ws/pHQI. [Último acceso: febrero 2022].

  • [5] [Wikipedia, the free encyclopedia][Fake news]. Recuperado de: http://bitly.ws/pHQL. [Último acceso: febrero 2022].

  • [6] [Wikipedia, the free encyclopedia][Infodemia]. Recuperado de: http://bitly.ws/pHQW. [Último acceso: febrero 2022].