Un sistema de recomendación, o sistema recomendador, es un software que predice las preferencias de un usuario y sugiere elementos, como productos, películas, música o artículos de noticias, que probablemente le interesen. Los sistemas de recomendación impulsan gran parte de la personalización de la internet moderna, desde las listas de productos en el comercio electrónico hasta los feeds de video y música en streaming y las líneas de tiempo de las redes sociales, y se encuentran entre las aplicaciones de aprendizaje automático con mayor relevancia económica.
Técnicas
Dos enfoques clásicos dominan el campo. El filtrado colaborativo infiere las preferencias de un usuario a partir del comportamiento de usuarios similares, sin necesidad de comprender directamente el contenido de los elementos. El filtrado basado en contenido, en cambio, recomienda elementos cuyos atributos son similares a los que el usuario ha preferido antes, utilizando las características de los propios elementos. La competencia abierta de Netflix entre 2006 y 2009 para mejorar la precisión de su filtrado colaborativo en un 10%, con un premio de 1 millón de dólares, fue un evento emblemático que popularizó las técnicas de factorización de matrices y atrajo la atención general hacia el campo; fue ganada en 2009 por un equipo que combinó múltiples modelos mediante ensamblaje. Los sistemas modernos recurren cada vez más al aprendizaje profundo, representando a usuarios y elementos como vectores, o incrustaciones, aprendidos de modo que usuarios y elementos similares queden cerca entre sí en un espacio compartido, que luego puede buscarse eficientemente mediante una base de datos vectorial y técnicas relacionadas con la búsqueda semántica. Arquitecturas de red neuronal como los modelos de dos torres y, desde la década de 2020, los modelos secuenciales basados en transformadores que tratan el historial del usuario como una secuencia para predecir la siguiente interacción probable, se han vuelto comunes en las grandes plataformas.
Aplicaciones e impacto empresarial
Los sistemas de recomendación son centrales para los modelos de negocio de Amazon, cuyas recomendaciones de productos impulsan una gran parte de las ventas; Netflix y YouTube, cuyas recomendaciones de contenido impulsan la mayor parte de la visualización; el descubrimiento musical de Spotify; y plataformas sociales como TikTok e Instagram, donde los algoritmos de clasificación de feeds son ampliamente reconocidos por impulsar la participación de los usuarios y los ingresos publicitarios.
Críticas
Los sistemas de recomendación han recibido críticas en varios frentes. Los algoritmos de clasificación de feeds optimizados únicamente para la participación se han relacionado con burbujas de filtro y polarización, ya que maximizar el tiempo de visualización o los clics puede favorecer contenido sensacionalista o extremo. Los críticos también han planteado preocupaciones sobre el sesgo algorítmico, donde los sistemas entrenados con datos históricos de interacción pueden reforzar las disparidades existentes en lo que se recomienda a cada persona, y sobre la opacidad de estos sistemas, un tema estudiado en la investigación de IA explicable e interpretabilidad, ya que los usuarios y los reguladores a menudo no pueden ver por qué se recomendó un elemento en particular. Las preocupaciones sobre la privacidad también son comunes, ya que una personalización efectiva suele requerir la recopilación de datos conductuales detallados. A medida que los grandes modelos de lenguaje han madurado, algunas plataformas han comenzado a explorar interfaces de recomendación conversacionales basadas en LLM que permiten a los usuarios describir lo que desean en lenguaje natural, en lugar de depender únicamente de señales conductuales implícitas.