{"id":111,"date":"2024-02-28T21:41:34","date_gmt":"2024-02-28T21:41:34","guid":{"rendered":"https:\/\/aiopentext.itd.cnr.it\/spanishwithchatgpt\/chapter\/ai-speak-how-youtube-learns-you-part-1\/"},"modified":"2025-06-25T17:27:40","modified_gmt":"2025-06-25T17:27:40","slug":"ai-speak-how-youtube-learns-you-part-1","status":"publish","type":"chapter","link":"https:\/\/aiopentext.itd.cnr.it\/IAparaprofesores\/chapter\/ai-speak-how-youtube-learns-you-part-1\/","title":{"raw":"Habla de IA: c\u00f3mo Youtube te conoce -Parte 1","rendered":"Habla de IA: c\u00f3mo Youtube te conoce -Parte 1"},"content":{"raw":"

Modelos y recomendaciones<\/h3>\r\n
\r\n

ACTIVIDAD<\/strong><\/p>\r\n\r\n<\/header>\r\n

\r\n\r\n[caption id=\"attachment_889\" align=\"alignleft\" width=\"383\"]\"\" Traducci\u00f3n al espa\u00f1ol de Rodr\u00edguez Enr\u00edquez de una imagen tomada de AI for Teachers (https:\/\/pressbooks.pub\/aiforteachers\/chapter\/ai-speak-data-based-systems-part-2\/). LicenciaCC BY-NC 4.0 https:\/\/creativecommons.org\/licenses\/by-nc\/4.0\/<\/a>[\/caption]\r\n

Estas son las transacciones con tarjeta de cr\u00e9dito de John Doe y Tom Harry, dos hombres que viven en Nantes, Francia. Est\u00e1n buscando cosas que hacer este fin de semana. \u00bfQu\u00e9 les recomendar\u00edas?<\/p>\r\n\r\n<\/div>\r\n \r\n\r\n<\/div>\r\n \r\n\r\n \r\n\r\n \r\n

\r\n
\r\n

Lista para elegir:<\/p>\r\n\r\n

    \r\n \t
  1. La nueva sucursal de Burger King<\/li>\r\n \t
  2. Un evento de degustaci\u00f3n de aceite de oliva<\/li>\r\n \t
  3. Una tienda de equipaje en l\u00ednea<\/li>\r\n \t
  4. Un concierto junto al r\u00edo<\/li>\r\n \t
  5. Clase de nataci\u00f3n para beb\u00e9s<\/li>\r\n<\/ol>\r\n<\/div>\r\n<\/div>\r\n

    Los sistemas de recomendaci\u00f3n han existido al menos tanto tiempo como las gu\u00edas tur\u00edsticas y las listas de los diez mejores. Mientras que Los Mejores Libros del 2022 seg\u00fan The Guardian<\/em> recomienda la misma lista a todos, probablemente la adaptar\u00edas al elegir para ti mismo, seleccionando algunos y cambiando el orden de lectura basado en tus preferencias personales.<\/p>\r\n

    \u00bfC\u00f3mo recomendar opciones para desconocidos? En la actividad anterior, probablemente intentaste imaginar sus personalidades bas\u00e1ndote en la informaci\u00f3n dada: hiciste juicios y aplicaste estereotipos. Luego, una vez que ten\u00edas una idea de su tipo<\/em>, elegiste de la lista cosas que podr\u00edan (o no) ser relevantes para ellos. Recomendadores como Amazon, Netflix y Youtube siguen un proceso similar.<\/p>\r\n

    Hoy en d\u00eda, cuando alguien est\u00e1 buscando informaci\u00f3n o buscando descubrir contenido en l\u00ednea, utilizan alg\u00fan tipo de sistema de recomendaci\u00f3n personalizado1,2<\/sup>. La funci\u00f3n principal de Youtube es sugerir a sus usuarios qu\u00e9 ver entre todos los videos disponibles en la plataforma. Para usuarios registrados, utiliza su actividad pasada para crear un modelo, o un tipo de personalidad. Una vez que tiene un modelo para John, puede ver qui\u00e9n m\u00e1s tiene modelos similares al suyo. Luego recomienda a John videos similares a los que ha visto y aquellos similares a los que otros como \u00e9l han visto.<\/p>\r\n\r\n

    \u00bfQu\u00e9 es un modelo?<\/h3>\r\n

    Los modelos pueden usarse para imitar cualquier cosa, desde usuarios hasta videos inclusive lecciones que un ni\u00f1o tiene que aprender. Un modelo es una representaci\u00f3n simplificada del mundo, para que una m\u00e1quina pueda pretender entenderlo:<\/p>\r\nhttps:\/\/youtu.be\/mVsEjQhZ0OQ\r\n

    C\u00f3mo Youtube aprende qui\u00e9n eres<\/h3>\r\n

    Todos los problemas de recomendaci\u00f3n implican hacer una pregunta sustituta: \"Qu\u00e9 recomendar<\/em>\" es demasiado general y vago para un algoritmo. Netflix pregunt\u00f3 a los desarrolladores<\/a> qu\u00e9 calificaci\u00f3n dar\u00eda el usuario A al video B, considerando sus calificaciones para otros videos. Youtube pregunta cu\u00e1l ser\u00eda el tiempo de visualizaci\u00f3n para un usuario dado en un contexto particular. La elecci\u00f3n de qu\u00e9 preguntar \u2013y predecir\u2013 tiene un gran impacto en qu\u00e9 recomendaci\u00f3n se muestra3<\/sup>. La idea es que la predicci\u00f3n correcta llevar\u00e1 a una buena recomendaci\u00f3n. La predicci\u00f3n misma se basa en otros usuarios con un historial de gustos similares4<\/sup>. Es decir, usuarios cuyos modelos son similares.<\/p>\r\n\r\n

    Modelos de usuario<\/h3>\r\n

    Youtube divide la tarea de recomendaci\u00f3n en dos partes y utiliza diferentes modelos para cada una3<\/sup>. Sin embargo, nos atendremos a una explicaci\u00f3n m\u00e1s simple aqu\u00ed.<\/p>\r\n

    Para crear un modelo de usuario, sus desarrolladores tienen que preguntar, qu\u00e9 datos son relevantes para la recomendaci\u00f3n de videos. \u00bfQu\u00e9 pasa con lo que el usuario ha visto antes? \u00bfQu\u00e9 pasa con sus rese\u00f1as, calificaciones y preferencias expl\u00edcitas hasta ahora? \u00bfQu\u00e9 buscaron? Youtube utiliza se\u00f1ales que son m\u00e1s impl\u00edcitas que expl\u00edcitas, ya que las \u00faltimas est\u00e1n m\u00e1s disponibles3<\/sup>. \u00bfUn usuario solo hizo clic en un video o lo vio? Si es as\u00ed, \u00bfpor cu\u00e1nto tiempo? \u00bfC\u00f3mo reaccion\u00f3 el usuario a recomendaciones anteriores1<\/sup>? \u00bfCu\u00e1les fueron ignoradas? Aparte de respuestas directas a estas preguntas, la informaci\u00f3n demogr\u00e1fica como g\u00e9nero, idioma, regi\u00f3n y tipo de dispositivo son de gran valor cuando el usuario es nuevo o no est\u00e1 registrado3<\/sup>.<\/p>\r\n

    Una vez que est\u00e1 disponible un modelo para cada usuario, podemos comparar usuarios y usar esa informaci\u00f3n para recomendaciones.<\/p>\r\n\r\n

    Modelos de video<\/h3>\r\n

    Tambi\u00e9n podr\u00edamos usar videos que son tanto similares como diferentes entre s\u00ed. Youtube observa la informaci\u00f3n que tiene sobre un video particular: su t\u00edtulo y descripci\u00f3n; calidad del video; cu\u00e1ntas personas lo han visto (cantidad de vistas); les ha gustado; lo han marcado como favorito; comentado o compartido; el tiempo desde que se subi\u00f3 y el n\u00famero de usuarios suscritos al canal padre1<\/sup>.<\/p>\r\nhttps:\/\/youtu.be\/7DW-X_aecQk\r\n

    Lo que un usuario vea a continuaci\u00f3n tambi\u00e9n depender\u00e1 de si un video es un episodio dentro de una serie o un elemento en una lista de reproducci\u00f3n. Si un usuario est\u00e1 descubriendo a un nuevo artista, \u00e9l o ella podr\u00eda pasar de las canciones m\u00e1s populares a nichos m\u00e1s peque\u00f1os. Adem\u00e1s, un usuario podr\u00eda no hacer clic en un video cuya imagen en miniatura es de mala calidad1,3<\/sup>. Toda esta informaci\u00f3n tambi\u00e9n entra en el modelo.<\/p>\r\n

    Uno de los pilares del sistema de recomendaci\u00f3n es pasar de un video a una lista de videos relacionados. En este contexto, definimos videos relacionados como aquellos que un usuario probablemente ver\u00e1 a continuaci\u00f3n3<\/sup>. El objetivo es aprovechar al m\u00e1ximo los datos para hacer mejores recomendaciones4<\/sup>.<\/p>\r\n\r\n\r\n

    \r\n

    1 Davidson, J., Liebald, B., Liu, J., Nandy, P., & Van Vleet, T.<\/strong> (2010). The YouTube video recommendation system. En Proceedings of the 4th ACM Conference on Recommender Systems<\/em> (pp.\u202f293\u2013296). Association for Computing Machinery. https:\/\/doi.org\/10.1145\/1864708.1864770<\/a><\/sup><\/p>\r\n

    2 Spinelli, L., & Crovella, M.<\/strong> (2020). How YouTube leads privacy\u2011seeking users away from reliable information. En Adjunct Publication of the 28th ACM Conference on User Modeling, Adaptation and Personalization (UMAP \u201920 Adjunct)<\/em> (pp.\u202f244\u2013251). Association for Computing Machinery. https:\/\/doi.org\/10.1145\/3386392.3399566<\/a><\/span><\/sup><\/p>\r\n

    3 Covington, P., Adams, J., & Sargin, E.<\/strong> (2016). Deep neural networks for YouTube recommendations. En Proceedings of the 10th ACM Conference on Recommender Systems<\/em> (pp.\u202f191\u2013198). Association for Computing Machinery. https:\/\/doi.org\/10.1145\/2959100.2959190<\/a><\/span><\/sup><\/p>\r\n

    4 Konstan, J. A., & Terveen, L. G.<\/strong> (2021). Human\u2011centered recommender systems: Origins, advances, challenges, and opportunities. AI Magazine, 42<\/em>(3), 31\u201342. https:\/\/doi.org\/10.1609\/aimag.v42i3.18142<\/a><\/sup><\/p>","rendered":"

    Modelos y recomendaciones<\/h3>\n
    \n
    \n

    ACTIVIDAD<\/strong><\/p>\n<\/header>\n

    \n
    \"\"
    Traducci\u00f3n al espa\u00f1ol de Rodr\u00edguez Enr\u00edquez de una imagen tomada de AI for Teachers (https:\/\/pressbooks.pub\/aiforteachers\/chapter\/ai-speak-data-based-systems-part-2\/). LicenciaCC BY-NC 4.0 https:\/\/creativecommons.org\/licenses\/by-nc\/4.0\/<\/a><\/figcaption><\/figure>\n

    Estas son las transacciones con tarjeta de cr\u00e9dito de John Doe y Tom Harry, dos hombres que viven en Nantes, Francia. Est\u00e1n buscando cosas que hacer este fin de semana. \u00bfQu\u00e9 les recomendar\u00edas?<\/p>\n<\/div>\n

     <\/p>\n<\/div>\n

     <\/p>\n

     <\/p>\n

     <\/p>\n

    \n
    \n

    Lista para elegir:<\/p>\n

      \n
    1. La nueva sucursal de Burger King<\/li>\n
    2. Un evento de degustaci\u00f3n de aceite de oliva<\/li>\n
    3. Una tienda de equipaje en l\u00ednea<\/li>\n
    4. Un concierto junto al r\u00edo<\/li>\n
    5. Clase de nataci\u00f3n para beb\u00e9s<\/li>\n<\/ol>\n<\/div>\n<\/div>\n

      Los sistemas de recomendaci\u00f3n han existido al menos tanto tiempo como las gu\u00edas tur\u00edsticas y las listas de los diez mejores. Mientras que Los Mejores Libros del 2022 seg\u00fan The Guardian<\/em> recomienda la misma lista a todos, probablemente la adaptar\u00edas al elegir para ti mismo, seleccionando algunos y cambiando el orden de lectura basado en tus preferencias personales.<\/p>\n

      \u00bfC\u00f3mo recomendar opciones para desconocidos? En la actividad anterior, probablemente intentaste imaginar sus personalidades bas\u00e1ndote en la informaci\u00f3n dada: hiciste juicios y aplicaste estereotipos. Luego, una vez que ten\u00edas una idea de su tipo<\/em>, elegiste de la lista cosas que podr\u00edan (o no) ser relevantes para ellos. Recomendadores como Amazon, Netflix y Youtube siguen un proceso similar.<\/p>\n

      Hoy en d\u00eda, cuando alguien est\u00e1 buscando informaci\u00f3n o buscando descubrir contenido en l\u00ednea, utilizan alg\u00fan tipo de sistema de recomendaci\u00f3n personalizado1,2<\/sup>. La funci\u00f3n principal de Youtube es sugerir a sus usuarios qu\u00e9 ver entre todos los videos disponibles en la plataforma. Para usuarios registrados, utiliza su actividad pasada para crear un modelo, o un tipo de personalidad. Una vez que tiene un modelo para John, puede ver qui\u00e9n m\u00e1s tiene modelos similares al suyo. Luego recomienda a John videos similares a los que ha visto y aquellos similares a los que otros como \u00e9l han visto.<\/p>\n

      \u00bfQu\u00e9 es un modelo?<\/h3>\n

      Los modelos pueden usarse para imitar cualquier cosa, desde usuarios hasta videos inclusive lecciones que un ni\u00f1o tiene que aprender. Un modelo es una representaci\u00f3n simplificada del mundo, para que una m\u00e1quina pueda pretender entenderlo:<\/p>\n