En el mundo de la inteligencia artificial y el aprendizaje automático, existen una amplia variedad de técnicas que permiten que las máquinas «aprendan» de los datos y mejoren con el tiempo. Estas técnicas están siendo aprovechadas por grandes empresas para ofrecer experiencias personalizadas y mejorar la toma de decisiones en áreas clave como el comercio electrónico, las redes sociales y los servicios de entretenimiento. Una de las metodologías más destacadas en este campo es el Filtrado Colaborativo (Collaborative Filtering), que se ha convertido en una de las estrategias más eficaces para la creación de sistemas de recomendación.
¿Qué es Collaborative Filtering?
El Collaborative Filtering es una técnica utilizada en sistemas de recomendación para predecir las preferencias de un usuario basándose en las preferencias de otros usuarios similares. Imagina que te gusta una película y a tu amigo también le gusta esa película y otras más. El Collaborative Filtering asumiría que es probable que también te gusten las otras películas que le gustan a tu amigo.
¿Cómo funciona?
- Recopilación de datos: Se recopilan datos sobre las preferencias de los usuarios, como calificaciones de películas, «me gusta» en redes sociales, etc.
- Identificación de usuarios similares: Se identifican usuarios que tienen preferencias similares a las del usuario objetivo.
- Recomendaciones: Se recomiendan elementos que han gustado a usuarios similares pero que aún no ha probado el usuario objetivo.
Tipos de Collaborative Filtering
- Basado en usuarios: Se encuentran usuarios similares y se recomiendan elementos que les hayan gustado a ellos.
- Basado en elementos: Se encuentran elementos similares a los que le han gustado al usuario y se recomiendan esos elementos.
Ejemplos de uso
- Netflix: Te recomienda películas basándose en lo que has visto y en lo que han visto otros usuarios con gustos similares.
- Amazon: Te recomienda productos basándose en tu historial de compras y en lo que han comprado otros usuarios con intereses similares.
Ventajas
- Personalización: Las recomendaciones son específicas para cada usuario.
- Descubrimiento: Puede ayudar a descubrir elementos que no habrías encontrado de otra forma.
Desventajas
- Problema del «cold start»: Es difícil hacer recomendaciones para usuarios nuevos o elementos poco conocidos.
- Escalabilidad: Puede ser computacionalmente costoso para grandes conjuntos de datos.
Imagina que tienes un montón de productos y quieres saber cuáles le gustarán más a cada persona. Un sistema de recomendación es como un «adivino» que predice qué productos son más útiles o valiosos para cada usuario.
Para ilustrar este método nos vamos a basar en un sistema de recomendación de IAs. Tenemos diferentes IAs, como ChatGPT, Gemini, Claude, etc. y queremos saber cuál de ellas es la mejor para cada persona. Para ello, les pedimos a varias personas que prueben las IAs y las califiquen según diferentes criterios (por ejemplo, creatividad, precisión, utilidad, etc.).
Con esta información, podemos crear una tabla donde veamos qué IAs le gustan más a cada persona. Luego, aplicamos el Collaborative Filtering:
- Encontramos personas con gustos similares: Buscamos personas que hayan calificado las IAs de forma parecida a ti.
- Recomendamos nuevas IAs: Te recomendamos IAs que les hayan gustado a esas personas, pero que tú aún no has probado.
Por ejemplo:
Imagina que a ti y a Carmen os gusta mucho ChatGPT y Gemini, pero no os gusta Mistral. Si a Alicia le gusta mucho Claude, es probable que a ti también te guste, ¡así que te lo recomendamos!
¿Cómo podemos recomendar IAs si no todos las han probado ni las conocen?
Imagina que tenemos una lista de películas y personas que las han calificado. Algunas personas han calificado muchas películas, otras menos. Nuestro objetivo es adivinar qué películas le gustarían más a cada persona, incluso si no las han visto.
Una idea sencilla: recomendar lo más popular
Una forma fácil de empezar es recomendar las películas más populares, las que tienen mejores calificaciones en promedio. Pero, ¿es la mejor opción?
El problema de las recomendaciones no personalizadas
Si solo recomendamos lo más popular, no estamos teniendo en cuenta los gustos de cada persona. ¡Sería como ir a un restaurante y que te sirvan el plato más pedido sin preguntarte qué te apetece!
La solución: recomendaciones personalizadas
Lo ideal sería poder recomendar películas basándonos en los gustos de cada persona. Así, si a alguien le gustan las películas de acción, le recomendaríamos películas de ese género, y si a otra persona le gustan los dramas, le recomendaríamos películas de ese tipo.
En resumen:
Queremos crear un sistema que sea capaz de adivinar qué IAs le gustarán más a cada persona, para poder hacer recomendaciones personalizadas y no simplemente recomendar lo más popular.
Imagina que quieres recomendar una IA a alguien. Una forma de hacerlo es usar lo que ya sabes sobre esa persona y sobre las características de las IAs.
Un ejemplo: Pandora y la música
La aplicación Pandora usa algo parecido para recomendar música. Tienen un grupo de expertos que describen cada canción usando muchas características diferentes. Luego, te recomiendan canciones basándose en esa información y en lo que tú les dices que te gusta.
El taller de datos 
Deja un comentario