Algoritmos vs. Curaduría en las bibliotecas (for dummies). El mundo de las recomendaciones

Recomendar es poder sugerir algo a alguien, a través de lo que se conoce de ese alguien. ¿Por qué pongo esta frase? Porque lo que me gustaría, en este post, es describir, de manera fácil, cómo funcionan los algoritmos, cuáles son las diferencias con una curaduría humana y, en definitiva, cómo las bibliotecas funcionan y funcionarán, posiblemente, respecto a estos conceptos.

Varias cosas para reflexionar: el algoritmo es, resumiendo, una receta, una secuencia de instrucciones. Les dejo un video en el que explico el concepto, en el minuto 15. No necesitan ver toda la emisión porque habla de otro tema. Pero me parece que se entiende perfectamente el concepto: el algoritmo es una receta que se saca a través de patrones. Cuanto más patrones… mejor el resultado. Si hay veinte tipos que dicen que café se dice “coffee”, en inglés, seguramente, café en inglés se dice “coffee”. Ahora, si hay un solo tipo que dice que café se dice “pupuripu” en hawaiano… Y bue, es difícil de aseverar que así se dice. El parámetro, el referente, es solo el de UN patrón. Repito: cuanto más patrones, mejores resultados.

En el caso de los libros, que es lo que veremos en profundidad, los algoritmos conforman una receta apoyándose en las huellas que vamos dejando en Internet, a veces, sin siquiera darnos cuenta.

La primera vez que nos llamó la atención, un proyecto que nos recomendaba cosas (hasta ese momento no se entendía muy bien cómo lo hacía…) fue el de Amazon. Al principio, Amazon daba recomendaciones. Uno buscaba algo y, enseguida, nos aparecían cartelitos con algo similar, cercano, etc., pero estas “sugerencias” provenían de seres humanos: ávidos lectores.Después llegó Google, los demás buscadores, facebook y seguimos.

Volvamos a Amazon: esto no duró. Amazon necesitaba automatizar la cosa. Greg Linden, ingeniero, entonces, propuso algo diferente. Hasta el momento, Amazon consultaba el historial de compras y, a partir de allí, extrapolaba sugerencias. Para Linden, todo era cuestión de llegar a una ecuación a partir de los productos y la relación entre ellos. Entonces decía que si A fue comprado al mismo tiempo que B, ergo, existía una relación entre ambos. Una real estupidez, pensaría uno y, sin embargo, se comprobó que este mecanismo le permitió vender más libros. La versión automatizada ganó de manera contundente.

Amazon no sólo le añadió a la ecuación, los productos comprados sino, también, los productos que solo habían sido mirados. Es decir, le sumó el factor: deseo (o proyección). Y no se conformó. Sumó las recomendaciones, los consejos dejados en los comentarios, las intervenciones de los bloggeros, los mensajes dejados en las redes. Y los robots no hicieron más que aprehender toda esa información, tragar, integrar y sumar. Los algoritmos hicieron el resto. Los algoritmos son deglutidores seriales. Tragar para sumar.

¿Se acuerdan de lo que decíamos al principio? Pues bien, Amazon encontró una “receta”, una ecuación que le resultó, a través de ir recopilando huellas y patrones. A partir de allí, comenzó a sacar conclusiones de compra. Patrones de conducta de los usuarios.

Facebook hizo, de este modo, algo superior porque, en relación a Amazon u otros, tiene a su favor, mayor conocimiento de sus usuarios. ¡Hasta les conoce sus bombachitas! (en algunos casos…). Conoce la vida más íntima: paisajes favoritos, gente a resaltar, deseos, viajes pasados y futuros, etc.

Veamos un ejemplo de algo que sucedió, y que puede seguir visualizando cómo estos procesos de recomendación funcionan: en 1998, Joe Simpson escribió el libro “Touching the Void” sobre situaciones cercanas a la muerte. No tuvo mucho éxito. Sin embargo, diez años después, Jon Krakauer escribió “Into Thin Air”, otro libro sobre tragedias de escaladores que se convirtió en un éxito. De repente “Touching the Void” (el primero) empezó a venderse de nuevo.

¿Por qué?. Porque Amazon lo descubrió y lo recomendó: identificó el patrón de compra de sus usuarios, por ejemplo: historia de escaladores, historias en las montañas, etc. y empezaron las recomendaciones. Si te gustó este libro, te gustará este otro. Se dice que Amazon creó el fenómeno “Touching The Void”: logró vender un libro que estaba perdido en el pasado y en la memoria y, casi diríamos, en el fracaso, a partir de un nuevo libro con el que compartía simplemente, el tema.

Pero acá, se suma otro problemita: el hecho de que estos submundos creados a partir de los patrones, las recomendaciones, las inferencias, pueden llevarnos a un círculo un poco cerrado. Es lo que se llama la teoría de las burbuja de filtros: Eli Pariser, que podrán escucharlo en el siguiente video, cuenta acerca de este mecanismo facebookeano y explica, en síntesis, lo siguiente:

“Yo soy progresista, entonces, lo que me pasaba es que, de a poco, los conservadores iban desapareciendo de mis novedades. Esto quiere decir que facebook algoritmeaba las opiniones que yo valoraba más (supongamos que eran las de los conservadores) y empezó, directamente, a “evitarme” leer lo que pensaban los otros. Una selección ¿“natural”? que yo no pedí. Es decir que Facebook estaba controlando en qué enlaces hacía clic y se había dado cuenta de que hacía clic, con más frecuencia, en los enlaces de mis amigos progresistas que en los de mis amigos conservadores.

Google también lo hace: si googlean “Egipto”, depende de sus respectivos historiales, les llegará información sobre viajes o sobre protestas. No a todos nos llega la misma información, aún cuando googleemos lo mismo”.

Un modo de ver el recorte que hace Google, lo pueden entender mejor, con esta imagen:

Google da por sentado que si yo empiezo a escribir: “las mujeres necesitan”… estoy pensando en que las mujeres necesitan ser controladas, deben ser puestas en su lugar, etc. O sea, cosas siniestras. Ese es el problema de sacar inferencias ya sea por mi historial, ya sean culturales, ya sea por…

La burbuja de filtros es el universo propio, personal, único, de información que uno vive en la red. Mi burbuja depende de quién soy y de lo que hago (en la web). Aunque es personalizado, no es elegido. Es lo que otros (Google, Facebook, Amazon) «leen» que soy. Los algoritmos nos van a seleccionar el contenido, no comprenden el concepto de eticidad (y otros), sólo miran la relevancia. Y entonces, lo que puede suceder, como decía al principio, es que la personalización pueda terminar metiéndonos en guetos informativos.

Hubo un gran debate sobre este tema, en su momento, porque, de alguna manera, estas plataformas manipulan la información que me muestran. Y, en cierta medida, es lo que sucede con lo que me recomiendan, a nivel de las lecturas. El algoritmo automatizaría mis gustos y, aunque mis gustos me encantan, no estaría mal, de vez en cuando, probar otros gustos.

Les cuento que hace poco, igual, Amazon se escapó un poquito, y adquirió una de las plataformas de las que hablaremos más adelante, Goodreads, para “humanizarse” un poco. En Amazon Book Review, un grupo de editores y especialistas en diferentes temáticas y género seleccionan lo mejor para recomendar a los lectores. Nada especial. Lo especial es que funciona como una biblioteca, porque lo que se recomienda es, justamente, lo que se encuentra en el catálogo de amazon y no lo más vendido, sino, justamente, lo más desconocido. Ellos quieren vender pero esto favorece al lector que, en el camino, conoce autores nuevos.

Pero volvamos al mecanismo usual de los algoritmos. No sólo los usuarios particulares caemos en estas redes, ni sólo Amazon nos “pesca”. También lo hacen las editoriales, las bibliotecas, etc. A veces, para que compremos y otras, como es el caso que daré el ejemplo, para publicar (editar). A partir de lo que nos gusta, o de lo que dejamos huella de lo que nos gusta, las casas editoriales o librerías deciden editar tal o cual libro. Veamos este ejemplo:

Fundada en Berlín, la plataforma Inkitt, que se maneja a través de un software predictivo, basado en datos, alimentada por un algoritmo, ofrece que los autores puedan auto-editarse. La misma proclamó: “¿quiénes somos nosotros, o andá a saber qué editor del mundo, para juzgar si tu manuscrito vale la pena o no de ser publicado?”. Y empezaron a convocar para que los escritores pudieran compartir su trabajo y dejar que el algoritmo (y los lectores) hicieran lo suyo. A partir de allí, decidieron, junto a la editorial Tor Books, dar a conocer el primer libro seleccionado a través de un algoritmo, que sería publicado.

El algoritmo lo que hizo fue calcular los intereses que los lectores iban transmitiendo en línea (conformar patrones). Y así fue que el Señor A (algoritmo) seleccionó los textos más apreciados. La conclusión, en este caso, es que el resultado se basó en la “popularidad”, lo que, evidentemente, no asegura calidad “literaria”. Pero, en fin. Será cuestión de aceitar el mecanismo. La novela seleccionada, Bright Star, de Erin Swan, estará en los estantes, a la venta, en el 2017. El algoritmo puede leer más rápido, filtrar Big Data, archivar más rápido, etiquetar hasta el infinito y más allá, pero no puede ser siempre un intermediario tildado de crítico.

En Inkitt, lo que pasó es que contaron con una gran cantidad de contenido (patrones) dejados por más de medio millón de usuarios de todo el mundo. ¿Se acuerdan de lo que comentábamos al inicio de que si 20 tipos dicen que café se dice “coffee” en inglés…?. Como podrán ver, el factor humano sigue siendo imprescindible. Porque sin estos comentarios (café en inglés se dice “coffee”; este libro es brillante…), por más software que haya, éste no tendría material para analizar, comparar, algoritmear. ¿Se entiende?.

The Book Apothecary se maneja de manera similar: busca que sus usuarios puedan predecir el siguiente éxito editorial aún antes de que lleguen a las librerías. En ocasiones, antes de que estén terminados los libros, dando información sobre los autores y las historias que están escribiendo. La diferencia es el modo en que hacen la consulta: debemos señalar emociones que se muestran en la pantalla: “desanimado, valiente, aburrido, deprimido, agradecido, ansioso y cariñoso”. Una vez que se elige una, aparecen otro tipo de emociones más concretas, en relación a la primera elegida. Una vez que se escoge una de ellas, el buscador nos ofrece tres libros relacionados con la elección. Fácil, rápido y sencillo. O me compro el libro, o me suicido.

A veces la edición no es lo que está en juego, pero sí la recomendación en el ámbito de una red: la red de librerías Decitre propone algo bastante inusual: Entrée Livre es un espacio en el que se pueden recibir consejos o sugerencias sobre lectura, en tiempo real. Uno puede conversar con otros apasionados lectores que te aconsejan. Un intercambio a través del chat, de internautas que buscan un consejo, visitantes que están dispuestos a darlos, y expertos, libreros o “couchs” a tu disposición. Y el algoritmo, también está presente. Ya que los comentarios que vamos dejando… van marcando huella en este apartado, a través de estrellitas, puntuaciones, etc. Si un amigo o miembro de la comunidad señaló tal o cual libros, es posible que a ti también te guste…

Tekstum también es de aquellos que analizan las reseñas y luego, a través de los algoritmos, toma la data y “reflexiona” sobre los estados de ánimo de los lectores. Deduce conclusiones a partir de los comentarios dejados en las redes sociales. En general, trabaja para las editoriales, sin embargo, los lectores también sacan provecho ya que pueden ver los comentarios de sus pares. Sus creadores creen, evidentemente, en la analítica de los datos y, por eso, se decidieron por la tecnología para lograrlo.

Seguimos, en el próximo post, con estudios sobre cómo se eligen las próximas lecturas, cómo funcionan otras plataformas de recomendaciones que no tengan un perfil editorial, qué hicieron y hacen las bibliotecas y algunos temas más.

1 Comment

Leave a Reply