Fuente: Pixabay/CC0 Dominio público
Cuando busca un nuevo tipo de libro, película o restaurante, su búsqueda puede sugerir un título o un lugar que ya haya comprado o visitado. Esto se debe a que las herramientas de inteligencia artificial en las que confían muchas empresas empujan a los usuarios a una “burbuja de filtro”, lo que da como resultado recomendaciones que son idénticas o muy similares a las que compraron anteriormente.
Un equipo de científicos informáticos ha desarrollado ahora una forma de romper estas burbujas de búsqueda con el algoritmo Pyrorank, que se basa en el mundo natural, imitando las interacciones en un ecosistema. Para ello, reduce el impacto de los perfiles de usuario y amplía las recomendaciones que aún reflejan el propósito de la búsqueda, lo que genera resultados más diversos y útiles. El trabajo fue publicado en forma de documento de conferencia en Avances en inteligencia de enjambre.
“Cuando se trata de inspiración para soluciones a problemas informáticos, la naturaleza es el lugar perfecto para buscar”, explica Anasse Bari, profesor clínico en el Instituto Courant de Ciencias Matemáticas de la NYU y co-inventor del algoritmo. “Los fenómenos naturales, como las bandadas de pájaros en busca de comida, muestran que la naturaleza a menudo puede encontrar soluciones óptimas pero simples para satisfacer las necesidades”.
Los sistemas de recomendación, utilizados por Google, Netflix y Spotify, entre otros, son algoritmos que utilizan datos para sugerir o recomendar productos u opciones a los consumidores en función de las compras anteriores, el historial de búsqueda y la demografía de los usuarios. Sin embargo, estos parámetros distorsionan los resultados de búsqueda porque colocan a los usuarios en burbujas de filtro.
“La forma tradicional en que funcionan los sistemas de recomendación es basar las recomendaciones en la noción de similitud”, explica Bari, quien dirige el Laboratorio de Investigación y Análisis de IA de Courant. “Esto significa que verá productos similares en listas seleccionadas y recomendadas según los usuarios que son similares a usted o los artículos similares que ha comprado. Por ejemplo, si soy un usuario de productos Apple, veré más y más productos Apple en mis recomendaciones”.
Las limitaciones de los sistemas de recomendación existentes se han vuelto sorprendentemente obvias. Por ejemplo, los simpatizantes políticos pueden orientarse en gran medida hacia el contenido de noticias que se alinea con sus puntos de vista preexistentes. Más importante aún, los sistemas de recomendación mostraron videos de autolesiones a personas vulnerables.
Para resolver estos problemas, Bari y sus colegas crearon Pyrorank, un algoritmo que tiene en cuenta el contenido que busca un usuario, capturando una variedad de recomendaciones y reduciendo el enfoque en lo que el usuario ya compró o con lo que interactuó. Pyrorank funciona como un “complemento” algorítmico para los sistemas de recomendación existentes.
“Esto lo hace muy flexible en comparación con la sustitución de toda la canalización de recomendaciones para promover la diversificación, lo que podría ahorrar muchas horas de ingeniería”, explica Bari.
Para probar el rendimiento del algoritmo, los investigadores compararon los resultados de búsqueda generados por el complemento Pyrorank con los de los sistemas de recomendación tradicionales, utilizando tres grandes conjuntos de datos: MovieLens, que ofrece clasificaciones de películas generadas por los usuarios, y Good Books y Goodreads, que alberga las calificaciones de los libros de los lectores. Luego realizaron una serie de experimentos para determinar qué sistemas creaban una mayor variedad de contenido recomendado sin dejar de cumplir los objetivos de las recomendaciones principales.
En general, los sistemas que utilizan Pyrorank generaron recomendaciones más diversas que las existentes, lo que demuestra su valor para romper las burbujas de filtro.
Al mismo tiempo, la aplicación de Pyrorank a un sistema de recomendación existente convierte la precisión predictiva (el error al predecir cuánto le gustarán las recomendaciones a un usuario) en un aumento de la variedad de elementos recomendados. Sin embargo, esta compensación se puede adaptar fácilmente a casos de uso específicos, dicen los investigadores.
“Puede aplicar una cantidad muy pequeña de ajuste de diversidad y aun así obtener grandes ganancias de rendimiento mientras solo reduce ligeramente la precisión predictiva”, explica Bari. “Cada caso será diferente, dependiendo del contexto del sistema de recomendación. Si bien existe una diferencia entre diversidad y precisión, los sistemas de recomendación se pueden calibrar para mejorar la heterogeneidad en los resultados de búsqueda y minimizar la pérdida de precisión”.
“Los sistemas de recomendación efectivos deben ser capaces de reconocer y mitigar el sesgo del usuario, lo que genera recomendaciones más efectivas y la salud a largo plazo de estas plataformas”, agrega. “El desarrollo de algoritmos que prioricen recomendaciones y diversifiquen las búsquedas es un paso importante para combatir los efectos negativos y las limitaciones de los sistemas de recomendación existentes”.
Más información:
Doruk Kilitcioglu et al., Pyrorank: un nuevo algoritmo inspirado en la naturaleza para promover la diversidad en los sistemas de recomendación, Avances en inteligencia de enjambre (2023). DOI: 10.1007/978-3-031-36625-3_12