¿Nos lee la mente Internet?

Organizar la información y personalizar la experiencia son los dos grandes cometidos de la materia gris de las máquinas, lo más parecido al cerebro que tiene Internet. La inteligencia artificial trabaja concienzudamente para poner orden en una descomunal y caótica maraña de datos y alternativas, pero la cosa no queda ahí: desde hace años hila fino, afina el tiro para darle al internauta no solo exactamente lo que quiere, sino también lo que no sabía que quería y que, al final, acaba necesitando.

¿Cómo ordena Google sus resultados, cómo sabe qué le interesa al vecino del quinto y qué le apetece leer a esa mujer que consulta el móvil desde la parada del bus? ¿Por qué Amazon es capaz de adivinar que tu compañero de trabajo está pensando en comprarse una tele, Netflix de saber cuál es la serie que más enganchará a tu madre, Spotify qué próxima canción obsesionará a tu hermana y Twitter qué chiste te alegrará hoy la mañana? El truco tiene que ver con imitar el funcionamiento de uno de los engranajes más perfectos que existen, el cerebro humano, con replicar la lógica que siguen los individuos al tomar decisiones. Y todos -tiendas online, plataformas de consumo de contenidos y servicios- lo hacen principalmente a través del machine learning -la capacidad de la informática de «aprender» a golpe de reglas y patrones-, sobre todo del deep learning, una técnica más detallada y profunda que se acerca todavía más a las conclusiones humanas. Así se crean los famosos algoritmos: pautas de comportamiento que permiten pulir hasta límites insospechados los sistemas de recomendación. No, Internet no nos lee la mente: estudia y asimila nuestros movimientos. Nos conoce porque, sin darnos cuenta, le hemos contado quiénes somos, qué queremos.

Cuando el usuario hace un movimiento en la Red, por ejemplo, comprar unas deportivas o ver una película de acción, estas fórmulas matemáticas recogen primero el «contenido de ese producto»: el color de las zapatillas, la marca, el género cinematográfico, los actores. A continuación se fijan en los gustos y las características del individuo: si le da a «Me gusta» en alguna página, qué edad tiene, la talla, en qué rango de edad está, si detiene el visionado o si se traga tres capítulos del tirón. «Se generan perfiles para usuarios y productos y, posteriormente, se buscan similitudes entre los perfiles -explica Antía Fernández López, directora de Servicios y Aplicaciones del Centro Tecnológico de Telecomunicaciones de Galicia (Gradiant)-. Con toda esta información, y según el enfoque del sistema de recomendación, se aplican algoritmos para obtener sugerencias de contenidos de potencial interés».

El fin último es la adaptación, la personalización del servicio: la economía inteligente. Así, se elabora un retrato robot de gustos, aficiones y necesidades del usuario tan perfeccionado que, en ocasiones, incluso roza la prescripción: los algoritmos miran atentos al pasado para predecir el futuro. «Las variables a tener en cuenta son numerosas: perfil de usuario (edad, sexo, lugares que visita, horas, rutinas), perfil de producto (características, audiencia objetivo, escenarios de aplicación), contexto de uso, cruce de información entre perfiles de distintos usuarios con características comunes, cruce de productos similares que se venden a perfiles diferentes...», continúa Fernández López. Y ahí, en lo que la experta expone, en toda esa información que es el combustible está la debilidad, el punto flaco: ¿hasta qué punto pueden/deben «entrometerse» estos sistemas? «El debate está en que para poder hacer recomendaciones personalizadas acertadas se necesitan datos privados, algo que es muy sensible. Los algoritmos están sesgados en base a la información de la que dispongan. Si tengo interés en recomendaciones de películas, me interesa que disponga de mis gustos, pero quizás prefiera no indicarles mi edad». Y, entonces, la probabilidad de éxito mermará.

Hay, además, otro dolor de muelas: se conoce como «el filtro burbuja» y tiene que ver con la capacidad de decisión -de este tipo de compañías en particular y de la Red en general- en lo que leemos y, por lo tanto, en lo que acabamos pensando. Los más críticos con estos algoritmos defienden que esta selección de la realidad puede acabar atrapando al usuario en su propio «capullo de información», que la criba es complaciente, que el individuo acaba creyendo que el mundo es solo como él lo ve. «La tendencia actual va sobre usar más tipos de datos de contexto, como localización (país o región), tiempo (día, estación, hora) dispositivo o lenguaje», añaden desde Gradiant. Pero la evolución pasará por la deducción, por el autodidactismo de la máquina: el reto está en el desarrollo de sistemas que hagan asociaciones más complejas, menos relacionadas con la lógica y más con las experiencias. Con la emoción.