Cerrar panel

Cerrar panel

Cerrar panel

Cerrar panel

Ciencia y tecnología Act. 10 sep 2018

¿Qué es una recomendación en la era de la inteligencia artificial?

¿Qué sucede cuando se elige un restaurante por Internet? ¿O cuando se quiere comprar un libro? ¿O descubrir una canción? ¿O elegir una nueva serie que enganche? BBVA Data & Analytics, a través de una nueva pieza de divulgación, explica cómo funcionan los distintos sistemas de recomendación que utilizan plataformas como Amazon, Netflix o Spotify y cuál será su extensión a otros sectores de actividad más allá del ocio y el consumo.

Recsys Portada

Internet pone ante el usuario tantas opciones que ya no es suficiente con un buscador. La mente humana no está preparada para procesar el gran volumen de información al que tiene acceso y los usuarios buscan consejos en el mundo digital para descubrir nuevas posibilidades.

La inteligencia artificial (IA), a través del ‘machine learning’ y de la técnica conocida como ‘deep learning’, permite crear algoritmos que replican la lógica que se sigue en la vida antes de tomar una decisión y que lleva a preguntar a un amigo, con el que se comparten aficiones, o a un experto de confianza. La gran diferencia es que en lugar de preguntar a dos o tres personas, la inteligencia artificial nos permite hacer consultas que equivaldrían a hablar con una ciudad al completo.

“Los sistemas de recomendación están permitiendo dar el salto de organizar la información a llegar a hacer sugerencias o asesorar al usuario de manera personalizada según sus gustos o necesidades particulares de manera automatizada”, comenta Juan Murillo, responsable de Divulgación Analítica en BBVA Data & Analytics. Este es un camino que BBVA ya ha empezado a recorrer a través de servicios como Baby Planner, Bconomy o Commerce360, y cuyo potencial abre un nuevo mundo de servicios orientados a ayudarnos a organizar cualquier aspecto de nuestras vidas con decisiones contrastadas y basadas en datos.

Datos, el combustible

Los sistemas de recomendación, como todos los sistemas de inteligencia artificial, se alimentan de datos. El hecho de que hoy la IA sea más tangible que nunca se debe precisamente a que los usuarios generan una huella digital cada vez más completa. Cada interacción en las redes sociales, en la web o en los sistemas de mensajería aportan datos que permiten conocer gustos, tendencias, preferencias, etc.

Si el ‘big data’ permitía procesar esa gran cantidad de datos, el aprendizaje automático o ‘machine learning’ “dota a las máquinas de la capacidad de aprender y realizar tareas complejas sin haber sido programadas para ello de forma explícita”, explica Iskra Velitchkova, autora del estudio Recsys y especialista en Visual Thinking de BBVA Data & Analytics. “Así se crean motores que permiten tomar decisiones basadas en algún razonamiento concreto. Y es este razonamiento, cuando se automatiza, se llama algoritmo”, apunta Juan María Arévalo, Científico de Datos en BBVA Data & Analytics.

Los datos entrenan a esos algoritmos para que encuentren patrones, aprendan de ellos y sean capaces de hacer nuevas relaciones. En el caso de los sistemas de recomendación aprenden a encontrar y escoger una nueva propuesta para cada usuario.

Actualmente, la mayoría de las recomendaciones funcionan principalmente de acuerdo a tres modelos, que en Recsys se explican a través de un pequeño test basado en la entrevista de 109 personas sobre sus preferencias gastronómicas ante 30 platos internacionales.

Popularidad

La recomendación se realiza de acuerdo a lo que le gusta a la mayoría. Así, en el ejemplo del estudio, la comida que primero te recomiendan es la paella, y la segunda, la pizza, pues han sido las preferencias elegidas de manera mayoritaria por todos los encuestados.

Estos sistemas no tienen en cuenta al usuario o al producto.

Recomendación Popularidad

La recomendación se realiza de acuerdo a lo que le gusta a la mayoría.

Basado en el contenido

Este tipo de algoritmo sugiere recomendaciones basadas en el perfil del usuario o del producto (atributos, categorías, etc). “Estas recomendaciones usan por tanto palabras clave, atributos, etc. de los contenidos para hacer sus sugerencias” , comenta Marco Creatura, Científico de Datos en BBVA Data & Analytics.

Son frecuentemente usados cuando no existe un historial de compras, de visualizaciones, o uso, etc. por parte del cliente o del producto a recomendar. Así en el ejemplo de Recsys, “para la categoría comida china, selecciona algunos de los platos más populares dentro de este tipo de comida: pato laqueado, arroz tres delicias, rollitos de primavera, etc.”

En la actualidad, los métodos basados en contenido se combinan con algoritmos que usan filtrado colaborativo, que se explica a continuación.

KNN (K-Nearest Neighbor)

Las recomendaciones basadas en el histórico de los usuarios se conocen de forma general como "filtrado colaborativo". A partir de ese histórico, por ejemplo, se podría llegar a encontrar similaridades entre usuarios para generar una recomendación. Ésto es lo que hace KNN, que utiliza los (K) vecinos más similares a un usuario para sugerir un nuevo producto.

De este modo, si te gusta el guacamole, KNN te recomienda la tortilla de patata, la pizza y la pasta - preferencias de quien tiene gustos similares a los tuyos.

Recomendación KPNN

KNN utiliza los (K) vecinos más similares a un usuario para sugerir un nuevo producto.

Estas son las recomendaciones más sofisticadas y las que permiten ofrecer opciones más personalizadas. Este es el sistema que está detrás de las compras asociadas de Amazon, o al sistema de Netflix que propone nuevas series o películas.

La historia que cuenta BBVA Data & Analytics en su Recsys parte de la celebración de un cumpleaños y  resume estos modelos de recomendaciones en tres formas en las se podría haber elegido un restaurante para reunirse: por ser un sitio de moda (popular), por ser un lugar con el mismo tipo de comida al que sueles ir, o por ser uno al que va gente con un mismo perfil que el tuyo.

Pensamiento no lineal

El reto de la inteligencia artificial está ahora en desarrollar metodologías capaces de hacer asociaciones mucho menos lineales. Esas que llevan a encadenar pensamientos que nada tienen que ver con la lógica pero sí con las vivencias y las emociones.

Esos pensamientos que se desencadenan al probar una croqueta, que enciende el recuerdo de una abuela, y  de los veranos de infancia en ese pueblo, y que de pronto acaba en una propuesta para organizar un fin de semana de turismo rural. Todo en una cuestión de segundos: ¡Qué rica están las croquetas! ¿No os apetecería irnos este finde de turismo rural?

“La mente humana hace que dos canciones muy distintas le recuerden a un mismo momento vital o que un lugar le evoque a alguien muy concreto con el que nunca ha estado allí. Pero esto es un reto enorme para las máquinas”, comenta Velitchkova.

“Creemos que las recomendaciones tienen que ir mucho más allá, y modelar la relación entre una persona y los productos que utiliza. Hoy el "deep learning" empieza a permitirnos a encontrar espacios donde personas y productos conviven y tienen una relación entre sí, aunque esta se pueda escapar a la lógica inmediata”, añade Arévalo.

En Recsys, BBVA Data & Analytics se plantea si se pueden llegar a encontrar datos medibles que permitan crear estas relaciones implícitas para, mediante algoritmos, dar  recomendaciones aún más eficaces y personales en todos los aspectos vitales, incluido, por supuesto, los de la vida financiera.

Las nuevas tecnologías de IA tratan de acercarse a esta aproximación. Mientras, BBVA Data & Analytics se atreve a darle una forma gráfica que representa las interacciones organizadas en campos multidimensionales, que podrían llegar a poner orden a esa cadena de pensamientos que una magdalena desencadenó en Marcel Proust. Una abstracción a modo de cuento, con la que se puede jugar desde aquí.

Este proyecto se engloba dentro de las labores de divulgación de BBVA  dentro de sus esfuerzos para hacer más transparentes y comprensibles los algoritmos para las personas y la sociedad.