¿Te gustan las lentejas? Quizá, son un plato muy común. Lo raro sería que te apetezcan un día caluroso de agosto, cuando optas por una ensalada fresca. Lo que nos gusta y lo que nos apetece no siempre coincide… y la inteligencia artificial aún tiene que encontrar la diferencia entre estos dos puntos.
No es fácil. Primero, porque los gustos son volátiles –piensa en esa canción que adorabas hace un año y ahora no soportas– y porque los gustos son caprichosos. La inteligencia artificial ya sabe interpretar, grosso modo, qué nos gusta. Por eso Netflix o Spotify aciertan… más o menos.
¿Cuántas veces has hecho scroll porque las películas que coinciden al 98% con tus gustos no te apetecen en ese momento? Con casi toda probabilidad, cada vez que entras a estas plataformas. Las máquinas aún necesitan mucho entrenamiento, solo así conseguirán diferenciar nuestros gustos de los caprichos del momento.
¿Cómo aprende YouTube Music?
Google es una de las compañías que más datos tiene de sus usuarios. A muchos lleva siguiéndonos desde el milenio pasado. Hace relativamente poco apareció en escena Google Home, enlazado a su vez al nuevo servicio YouTube Music (de pago). Uno puede decir en alto “Ok, Google, ponme música” y la máquina automáticamente elegirá una lista de reproducción. Pero ¿es al azar?
Conociendo a Google, es poco probable. En el caso de YouTube Music sabemos a ciencia cierta algunos mecanismos de su funcionamiento interno, otros los intuimos porque resultan evidentes y un tercer grupo de herramientas no ha saltado a la luz pero es probable que exista en el algoritmo.
Esto último será hipotético, pero es determinante para que la música que nos pongan sea de nuestro agrado en cada momento, incluso en “modo radio”, una herramienta que facilita la escucha de canciones que nos pueden gustar y relacionadas con la canción elegida. Veamos algunos ejemplos.
1. Cómo sabe la inteligencia artificial qué nos gusta
YouTube Music nos pregunta de manera abierta qué grupos nos gustan. Esto ocurre nada más darnos de alta en el servicio, que básicamente elimina la publicidad de YouTube. De modo que estamos diciendo, de entrada, “este grupo sí”. Es decir, muchas de las veces en que una inteligencia artificial sabe qué nos agrada es porque se lo hemos dicho de forma directa, sin algoritmos de por medio: son los datos de partida.
2. Cómo sabe qué no nos gusta
Todo lo que has escuchado previamente cuenta. YouTube Music bebe directamente del uso que le hayamos dado a YouTube. Quien escribe estas líneas lleva usándolo desde 2005, por lo que la máquina está bastante ‘entrenada’.
Los algoritmos basados en redes neuronales aprenden de los datos aportados y un servidor ha dado like a miles o decenas de miles de vídeos. Esto significa que no todos los usuarios de YouTube Music percibirán el mismo nivel de calidad a la hora de encontrar la siguiente canción. Alguien que se acabe de hacer una cuenta de Google tendrá mucha menos interacción que quien ha pasado los últimos 13 años entre dos y ocho horas con la música puesta a modo de radio.
Lo importante aquí es cómo sabe YouTube Music qué música (o canciones) no debe emitirnos. Cada vez que hemos pulsado “no me gusta” en el pasado, hemos ayudado a entrenar una máquina virtual sin saberlo. Y aquí hemos de tener en cuenta los datos desde el principio de YouTube. Es más, la IA no ha existido hasta ahora, cuando podemos disfrutar de los servicios.
3. Cómo sabe YouTube Music qué nos apetece
Muchísimo más difícil que saber qué nos gusta o qué nos desagrada es conocer qué nos apetece. Es decir, del conjunto de canciones que nos gustan y de las que podrían gustarnos en el futuro, el subconjunto que, en el momento en que pulsamos el botón “Tu mixtape”, querríamos escuchar. Hay mecanismos para afinar dicha selección. ¿Cómo? Cruzando más datos mediante sistemas de inteligencia artificial.
Hace tiempo hablamos sobre cómo nuestro comportamiento en Twitter cambia a lo largo del día. Ni escribimos igual ni escuchamos las mismas canciones por la mañana o por la tarde. O mientras trabajamos, viajamos en metro y entrenamos. Con esta información, ten en cuenta que Google sabe dónde estás o qué estás haciendo con una fiabilidad bastante elevada.
También sabe en qué momento de qué canción has pulsado sobre “me gusta” o “no me gusta” o siguiente canción. Además, por supuesto, de cuándo y dónde ha sido. Material suficiente para hacer unas primeras iteraciones y, por ejemplo, ofrecerte jazz por la mañana hasta que te detecta en el trabajo (música clásica), así como cambiar a drum and bass cuando percibe que estás entrenando.
¿Por qué el ejemplo de la música con la inteligencia artificial?
La diferencia entre que algo nos guste y nos apetezca la encontramos en un gran número de situaciones. Empezando al llegar a la oficina. Puede que alguien nos caiga bien pero no nos apetezca hablar en estos momentos. Y el matiz es importante porque determina el confort. Otro ejemplo: nos gusta el agua fría y el aire acondicionado, pero en invierno la tomamos del grifo y lo apagamos para no resfriarnos.
Si hemos usado la música es por la facilidad con la que esta se parametriza y segmenta. Casi todo lo que escuchamos está digitalizado. Radio incluida. Esto hace fácil clasificar y ponderar unos estilos frente a otros, o establecer relaciones entre artistas con distintas canciones parecidas.
También el entrenar redes neuronales que relacionen cinco o seis canciones en común de las que tú hayas escuchado solo la mitad. Si esa mitad te gusta, es muy probable que te guste el resto. Pero, curiosamente, solo una de ellas la escuchas mientras entrenas.
Por supuesto, esto podría llevarnos al problema de quedarnos atrapados en una burbuja musical. Si no acostumbramos a buscar nuevas canciones, acabaremos escuchando siempre las mismas.
Diseñar algoritmos que tomen en consideración este tipo de datos cruzados será, probablemente, el siguiente nivel de mejora de los servicios de ocio en streaming.
En Nobbot | Google lanza YouTube Music y Premium para competir con Spotify
Imágenes | iStock/Vasyl Dolmatov, iStock/fizkes