Así se titula el reportaje de Joseba Elola que se publicó el 29 de Noviembre en el monográfico de música del País semanal, en donde refleja nuestra conversación telefónica donde intenté explicar de manera clara cómo funcionan los sistemas de recomendación musical:
Estos sistemas de recomendación procesan datos editoriales de las canciones como sus títulos o los nombres de los artistas; datos del sonido, como el timbre de la voz, los patrones rítmicos o la escala; e información de los usuarios que han escuchado esa música: si a alguien a quien le gusta Leonard Cohen también le gusta Rufus Wainwright, el algoritmo lo identifica y manda una canción del segundo a aquel que está escuchando al primero. Así lo explica Emilia Gómez, ingeniera de telecomunicaciones especializada en los sistemas de recuperación de la información musical (en inglés, music information retrieval) y presidenta de International Society of Music Information Retrieval (ISMIR), comunidad académica que investiga las tecnologías de recomendación —y con la que colaboran Spotify, Apple o Amazon Music—.
Analizando los instrumentos que suenan, el timbre, la melodía, el ritmo, la estructura de la canción, las voces y el estilo, se confecciona un modelo de los gustos de cada persona, advierte Gómez en conversación telefónica desde Sevilla. “Estos sistemas son cada vez más complejos”, dice, “y las bases de datos, más grandes”. De modo que la tecnología es cada vez más precisa, mejor.
Esa es la parte buena de la ecuación. La mala, que el predominio de las listas cocinadas por las plataformas acabe por uniformizar lo que escuchamos. “Cuanta más gente hay en las plataformas, mejor funcionan los algoritmos”, manifiesta Gómez. “Mejor, sobre todo, si te gusta lo que a la mayoría. Los que escuchan propuestas raras o minoritarias verán que esa música no se recomienda porque no hay mucha gente que la escuche. Así, se reproduce el sistema que teníamos en la antigüedad, cuando solo un tipo de música se hacía popular, la que te recomendaba la radio”.
No es sólo importante que éstos algoritmos pueden uniformizar lo que escuchamos, lo cual está relacionado con el denominado efecto “larga cola” en el que siempre se recomienda un pequeño repertorio. Un efecto aún más desconocido es la especialización excesiva del gusto musical que se deriva de la personalización, y que pueden crear éste tipo de algoritmos basados en similitud. En el proyecto HUMAINT estamos estudiando éste efecto, que se conoce como ¨filtro burbuja“, dentro del análisis del impacto de la inteligencia artificial en las personas.
Emilia Gómez: personal website 