Qué es Deep Learning y cómo afecta a tus redes sociales

Mucho se habla del marketing social, que es el marketing que se desarrolla a través de todas las plataformas de redes sociales. Hay teoría al respecto sobre este tema, quizás no sea teoría tan difícil como cualquiera pensaría, pero sí es algo compleja porque, más que en matemáticas, se basa en criterios. Sí, es verdad que los números son necesarios pero, detrás de las cifras y las analíticas, hay métodos y es aquí donde viene lo engorroso del marketing social: no hay reglas generales.

Foto vía Pexels

¿Alguna vez se han preguntado por qué un artista es famoso y otro (que puede que sea más talentoso que el anterior) no? Este tipo de preguntas no tienen respuestas basadas en métodos sino en factores variables: momentos, entornos, actividades relacionadas o no relacionadas, etc., y eso hacer que realmente sean indeterminable, que las respondamos con términos como “suerte”, “azar”, “casualidad” o “la mano de Dios”.

Pero más que eso, se trata de una cuestión de criterios que tiene que ver mucho con tendencias, comportamientos y, sí, ¿por qué no?, gustos. El marketing social de hoy en día es así; y está muy lejos de los métodos de antes que implicaban cosas como “seguir a tal o cual cantidad de personas”, “poner Hashtags en orden alfabético”, “publicar en las horas de mayor tráfico”, y pare usted de contar.

¿Por qué ya no es como antes? Una respuesta anticipada podría ser que “no es práctico”, pero antes de llegar a ese punto, debemos hablar de conceptos fundamentales que es perentorio comprender:

Del aprendizaje automático (Machine Learning) al aprendizaje profundo (Deep learning)

Quizás no estés tan familiarizado con el término “aprendizaje automático”, o “Machine Learning”, o quizás sí. Lo cierto es que este término se ha vuelto popular en los tiempos recientes debido a que la premisa principal del desarrollo tecnológico que se tiene en la actualidad parte de la idea de que las máquinas puedan ser cada vez más capaces de hacer cosas por sí mismas sin necesidad de que los seres humanos las estén programando todo el tiempo.

El aprendizaje automático es el principio básico de la inteligencia artificial, pues lo que se busca es que las máquinas puedan hacer determinadas tareas tal y como las haría un ser humano, aplicando un criterio propio que esté basado una serie de conocimientos, pero que esto a su vez sea algo mucho más optimizado, que se valga de las altísimas capacidades de procesamiento de datos a las que son capaces de llegar las supercomputadoras modernas.

El concepto es simple: recrear el proceso evolutivo del cerebro humano dentro de una máquina con mayor capacidad de procesamiento de datos. Sin embargo, no todo es simple, pues al término “aprendizaje automático” se le asocia un término muy complejo denominado “aprendizaje profundo”.

El big data es esencial para el desenvolvimiento fructífero de la inteligencia artificial. Esta especia de mundo abstracto formado por datos ha sido posible gracias a avances tecnológicos importantes que se han optimizado hasta la fecha y continuarán optimizándose hacia futuro.

El “aprendizaje profundo” (o deep learning) es una forma de aprendizaje automático difícil de definir en su conjunto pues trata de varias clases de algoritmos computarizados cuya función principal es crear una “red” de información en base a la clasificación y los análisis de patrones. El término alude precisamente a ese conocimiento especializado en una determinada actividad, pero que a su vez sea muy nutrido de información que le permita a la máquina “entender”, “atar cabos” y “tomar decisiones”. De este modo, podríamos vagamente comparar al “aprendizaje profundo” con el aprendizaje del pensamiento, enseñar a las máquinas a “pensar” a través de algoritmos.

Podríamos poner, por ejemplo, el caso de una máquina que aprenda a realizar una operación de corazón abierto. A través de una serie de algoritmos, ésta sería capaz de especializarse profundamente en esa área, logrando entender el funcionamiento del corazón y tomando una serie de decisiones en base a las condiciones que tiene el paciente. Se supone que debería ser mejor que un médico humano pues la máquina tendría una forma más precisa de procesar los datos y de hacer los movimientos, evitando así los errores humanos naturales.

Via pixabay.com

Este ejemplo de la máquina que opera un corazón puede compararse al ejemplo real de los autos autónomos (que se manejan por sí solos) y cuyo uso ya se está regularizando en algunos países del Primer Mundo. Eso nos indica que la inteligencia artificial está cumpliendo, por el momento, con el propósito para el cual la creamos: optimizar actividades que hacemos normalmente de manera de perfeccionarlas más allá de las posibilidades humanas.

Redes neuronales: una visión más específica sobre el aprendizaje profundo

Las redes neuronales artificiales o sistemas conexionistas (“Neural Networks”, como se les conoce en inglés) son sistemas informáticos inspirados en las redes neuronales biológicas que constituyen a los cerebros de los seres vivos. Estos sistemas aprenden (mejoran progresivamente sus capacidades) para realizar tareas al considerar ejemplos, generalmente sin programación específica de la tarea.

Foto: Esquema gráfico de una red neuronal simple | vía Wikipedia.

Una red neuronal se basa en una colección de unidades conectadas llamadas neuronas artificiales (análogas a las neuronas de un cerebro biológico). Cada conexión (sinapsis) entre las neuronas puede transmitir una señal a otra neurona. La neurona receptora (postsináptica) puede procesar la o las señales y luego reenviar dichas señales a las neuronas que están conectadas a ella, y así sucesivamente en forma de red. Por lo general, las neuronas se disponen en capas. Las diferentes capas pueden realizar diferentes tipos de transformaciones en sus entradas y las señales viajan desde una primera capa (entrada) hasta la última (salida), posiblemente después de atravesar las capas intermedias varias veces.

Si bien el objetivo original del enfoque de las redes neuronales era resolver los problemas de la misma manera en que lo haría un cerebro humano, con el tiempo la atención se centró en emparejar habilidades mentales específicas, pues era la única forma de que las redes neuronales tuvieran una función práctica; esto provocó desviaciones en la idea “biológica” original y desencadenó en fenómenos como la retro-propagación o la transmisión de información en sentido inverso y el ajuste de la red para reflejar dicha información de la forma más adecuada posible.

Las redes neuronales están formadas por estos puntos conectados que buscan generar el aprendizaje a medida de que la información va viajando a través de ellos. Con cada etapa del viaje, el conocimiento se va volviendo más abstracto y complejo.

Para 2018, las redes neuronales solían tener de miles a pocos millones de unidades con cientos de millones de conexiones, un número de muchísima menor magnitud que el número de neuronas del cerebro humano; sin embargo, estas redes pueden realizar tareas de forma más óptima a la de un ser humano pues todo su poder de procesamiento de información se utiliza para una sola cosa.

Quizás la génesis de las redes neuronales son los sistemas de reconocimiento de imágenes, que pueden aprender a identificar fotografía que contienen determinados elementos mediante el análisis de ejemplos que han sido etiquetados manualmente y utilizando los resultados analíticos para identificar esos mismos elementos en otras imágenes. Por ejemplo, si hay una imagen que tenga una etiqueta de “perros” o “perro”, la red neuronal analizará esta etiqueta y la composición de la imagen para reconocer perros en otras imágenes.

En el aprendizaje profundo, cada nivel aprende a transformar datos de entrada en una representación un poco más abstracta y compuesta. En una aplicación de reconocimiento de imágenes, la entrada puede ser una matriz de píxeles; la primera capa representacional puede abstraer los píxeles y codificar los bordes; la segunda capa puede componer y codificar arreglos de bordes; la tercera capa puede codificar una nariz y ojos; y la cuarta capa puede reconocer que la imagen contiene una cara.

Google es quizás la empresa más representativa en el uso de redes neuronales para el reconocimiento visual, pues su sección de búsqueda de imágenes está llena de gráficos no etiquetados que, de hecho, son la mayoría de las imágenes que existen en la red. Sin embargo, las mejores opciones de Facebook relacionadas con la búsqueda de amigos y etiquetado de fotografías se nutren de estas redes neuronales. Profundicemos en este uso de las redes neuronales en las redes sociales:

Inteligencia artificial y redes sociales: ¿cómo conocen tus intereses?

Quizás, uno de los desafíos más importantes de las redes sociales en las 2 décadas que cumplían de existencia para el año 2018, era que fueran más “inteligentes” que funcionaran de forma más emancipada, y es que, debido a su masificación, ciertas formas de automatización que antes tenían se volvieron obsoletas.

Como humanos, somos bastante buenos entendiendo el lenguaje. Sabemos cómo interpretar las palabras según el contexto, el tono y lo que sabemos sobre la persona que las pronuncia. Y esto se aplica a las palabras que leemos en las redes sociales también. Sabemos cuándo alguien está siendo sarcástico, cuándo está haciendo una broma o si probable se trata de un spambot. De modo que estas capacidades han intentado transferirse a las máquinas a través de las redes neuronales y se ha logrado bastante.

La gente piensa que las redes neuronales se utilizan en la social media desde hace poco tiempo, pero no, prácticamente desde su génesis la inteligencia artificial han marcado el curso de las redes sociales. Desde que se crearon, se han utilizado algoritmos para operar de forma automática la mayoría de sus características. Aunque bien es cierto que a muchos les gustaba hablar más de “algoritmos” (diluyendo quizás un poco el término “aprendizaje”), pues ahora el nivel de estos mecanismos computacionales es miles de veces más óptimo y autónomo que los del año 1999.

Los primeros enfoques estuvieron guiados al lenguaje. Desde mediados del siglo XX se desarrollaron herramientas para el reconocimiento de palabras y de relación idiomática, incluso, lo que dio origen a los traductores automáticos, los cuales podían traducir frases e incluso empezar a reconocer pequeños contextos lingüísticos.

Hoy en día, Google Translate utiliza una gran red de memoria de largo plazo llamada Google Neural Machine Translation, un método de traducción automática en el que el sistema aprende de millones de ejemplos y puede traducir oraciones completas a la vez, en lugar de fragmentos; además, puede hacerlo en más de cien idiomas.

La red codifica la semántica de la oración en lugar de simplemente memorizar traducciones de frase a frase y usa el idioma inglés como un intermedio entre la mayoría de los pares de idiomas; es decir, justo la misma manera en la que un ser humano trata de hablar otro idioma: relacionándolo con su lengua materna, pero en este caso, sería un inteligencia guiada capaz de hablar más idiomas que cualquier ser humano sobre la faz de la Tierra.

El reconocimiento de palabras ha sido fundamental para desarrollar varias funciones automáticas de las redes sociales, como por ejemplo el etiquetado de fotografías y el reconocimiento de rostros (lo cual ya explicamos arriba). Pero no sólo eso, también estaría el reconocimiento de audio y de vídeo, donde el conocimiento primario partiría de las etiquetas.

Es muy complicado entender cómo una red neuronal pasa de aprender a relacionar una palabra con un objeto (pixeles) y de allí reconocer incluso secuencias de movimiento complejas (como diría Freddy Vega: “Por eso los ingenieros en inteligencia artificial ganan mucha plata”), pero sí podemos decir que se trata de un sistema de combinaciones en el que se les proporciona a la red neuronal conocimientos sobre varios ámbitos tratando de que a su vez (de forma probabilística) estos desemboquen en un objetivo; en el caso del lenguaje, “entender”.

Las redes sociales nos entienden. Cuando por ejemplo escribimos en nuestro muro de Facebook un estado sobre política, la red neuronal “sabe” de lo que estamos hablando y actuará en consecuencia con lo que son sus funciones principales: lo primero que lógicamente podría hacer es mostrarlo a una persona a la que le interese el tema; sin embargo, no es tan simple así. No podríamos juzgarlo de buenas a primeras pues hay muchos factores que intervienen en el juego.

Veamos en qué otros elementos que componen a las redes sociales se denota la presencia de redes neuronales:

• Gestión de relaciones con clientes: existen algunas maneras del automatizar el marketing directo a través de redes neuronales. Si tienes, por ejemplo, una base de datos de clientes muy amplia o muy difícil de categorizar, una inteligencia artificial puede hacerlo y enviarles la información que requieran dependiendo de esto.
• Sistemas de recomendación: También se ha utilizado el aprendizaje profundo para extraer características significativas de audio y video y crear así un modelo de recomendaciones justo como el que tiene YouTube. La red neuronal de YouTube no solo es alimentada con información que está dentro de la plataforma sino con información de todo tipo en su mayoría relacionada con el mundo audiovisual, como películas, series, música, etc., de manera que la red no sólo recomiende vídeos si no que pueda hacer otras cosas como detectar infracciones a la propiedad intelectual, categorizar, etc.
• Publicidad móvil: ¿alguna vez se han preguntado por qué se han puesto a hablar con alguien sobre algún tema y de pronto Google comienza a mostrarles publicidad acerca de eso mismo en los días subsiguientes? Desde hace varios años, Google ha estado utilizando redes neuronales para determinar qué tipo de publicidad mostrarle a cada usuario, cosa que sería muy difícil de hacer de forma manual dada la cantidad de tráfico que tiene el buscador en sí mismo y las páginas que están asociadas a Google Adsence. Esto da pie a cosas insólitas como que entremos a una página de deportes y veamos banners publicitarios de comida rápida.
• Restauración de imagen: El aprendizaje profundo se ha aplicado con éxito a problemas en las imágenes como el ruido (causado por la ausencia de luz) y la súper resolución (causada cuando se agranda una imagen más allá de su resolución máxima. Actualmente es muy popular en las aplicaciones de retoque automático, como los de PicMonkey, y en las aplicaciones de “embellecimiento facial”.

Las redes pensantes: ¿estás viendo el contenido que realmente te interesa?

La frase “hay muchas cosas en juego” debe quedársenos en la cabeza prácticamente de por vida cuando tratamos este asunto. Así como no entendemos por qué de repente amanecemos de mal humor y odiamos a todo el mundo, una red neuronal puede llegar a tener un comportamiento bastante volátil, y esto aumenta en medida que se vaya haciendo más compleja o erudita en la función para cual ha sido destinada.

Antes (y no nos referimos a hace décadas, sino a cuando mucho 5 años), en marketing digital y SEO, se solía hablar mucho de “entender los algoritmos” de las redes sociales y de los buscadores, incluso muchos gurúes del mercadeo web se pusieron a dar fórmulas mágicas y a decir cosas como: “cambiaron los algoritmos de tal o cual red”, cuando de hecho todo eso se daba en un contexto de perenne experimentación. Y aquí viene un dato revelador:

Si fueras en este momento Silicon Valey y le preguntaras a uno de los ingenieros que se encargan de hacerle el mantenimiento a la red neuronal del buscador de Google cuál es el criterio que ésta tiene para mostrarte información, éste te diría algo muy simple: “no sé”. Y es que estamos lidiando con algo que tiene criterios de “persona” para mostrarte lo que ves en Google, pero claro, esta máquina no hace el acto de pensar que hacemos las personas reales (“bueno, de acuerdo con las páginas a las que has dado clic últimamente, aunado a tu edad, tus preferencias musicales y la marca de tu auto, creo que lo que más te interesa ver es esto”), o quizás no lo hace en el tiempo en que los seres humanos lo hacemos, si no mucho-pero-muchísimo más rápido, interactuando con cientos de millones de personas a la vez y al “consciente” de evaluar la mayor cantidad de información posible sobre esas personas.

Estructura fractal, vía Pixabay

A ver, hace 5 años, las redes neuronales no estaban tan avanzadas como están ahora y probablemente en esa época hubiésemos podido determinan fácilmente qué criterios estaba utilizando para mostrar determinada información; sin embargo, esa red ha crecido. Sería como comparar a un niño de 10 años con un adulto de 25 (la evolución de la inteligencia artificial es exponencial a la inteligencia de los seres humanos en determinadas áreas). Es fácil, incluso desde el punto de vista psicológico, entender el comportamiento de un niño de 10 años pues sus motivaciones son más primitivas que las de un joven de 25, que toma muchas decisiones que van más allá del placer personal.

Pero aquí entra un factor mucho más importante, y es la cuestión del feed back. Con un ser humano podemos interactuar y eso nos puede llevar a comprender sus criterios al momento de actuar de alguna forma, pero con las redes neuronales no podemos interactuar, ellas (aún) no saben decirnos por qué piensan que el contenido que nos muestran nos conviene o nos interesa, y eso nos obliga a nosotros a intuirlo; cosa que es bastante complicada en este momento.

Dedicarse al marketing social o al SEO en una época como la transcurrida entre el año 2016 y 2020 sería bastante complicado, pues se trata de una época bastante oscura en cuando al funcionamiento de las inteligencias artificiales que hacen vida en esa área. Podemos poner como ejemplo este video Quantum Fracture donde se explica cómo ya no se puede hablar de un “algoritmo de YouTube” sino de una inteligencia artificial que está tomando decisiones que no conocemos y que afectan a algunos y benefician a otros.

Recientemente, publicamos en Tentulogo un artículo sobre la marca Tastamade en el que explicamos por qué ésta tuvo un bajón en su interacción y por qué en general los contenidos denominados “virales” comenzaron a verse cada vez menos, y es que, en este caso en particular, la red neuronal debió interpretar que muchas de esas personas estaban viendo ese contenido obligadas por otras personas que probablemente no conocían tantos sus preferencias y actividades recientes. Eso se tradujo pérdidas cuantiosas para plataformas como Tastemade, BuzzFeed, Vice, en cuanto interacción se refiere y, por lo tanto, en cuanto a cuota de mercado.

Teniendo en cuenta todo esto, pareciera que ingenieros de Google, o de Facebook, o de lo que sea que use una inteligencia artificial para automatizar ciertas funciones de sus plataformas, tratan de buscar una forma de alimentar y retro-alimentar una red neuronal para que esta muestre el contenido que genere más engagement y que, por lo tanto, dures más tiempo frente a la pantalla.

Desafíos: las redes sociales de hoy y del futuro

Si bien las computadoras también han mejorado, una herramienta totalmente automatizada no puede competir con un humano cuando se trata de comprender y categorizar. Y sí, esto es reconocido por todos, incluyendo los propios científicos que avanzan sobre el tema: no podemos fiarnos del todo de las inteligencias artificiales.

Y es que así como la red neuronal de YouTube que te recomienda contenido aún no tiene la capacidad de entender que después de la parte 1 viene la parte 2 (y no otra parte) cuando se trata de videos en serie, un automóvil autónomo en el que estés viajando puede decidir estrellarse a un lado de la carretera para salvar a un peatón que se atraviesa desenfrenadamente y no a ti.

Algunas arquitecturas de aprendizaje profundo muestran comportamientos como la clasificación de imágenes irreconocibles entre sí dentro de una categoría familiar, o la clasificación errónea de perturbaciones minúsculas de imágenes correctamente clasificadas. Y así como éste hay muchos otros problemas que aún no tienen una solución cierta y definitiva. Esto, por supuesto, se deriva en críticas:

• Una crítica principal se refiere a la falta de teoría que fundamente a los métodos de aprendizaje profundo. Aunque esto no es del todo así, si bien se experimenta con nuevos métodos cada día, estos se basan en las teorías generales sobre el funcionamiento de las redes neuronales.
• Otros señalan que el aprendizaje profundo no tiene sentido más allá de optimizar actividades, pues plantearse el desarrollo de máquinas que imiten la inteligencia del ser humano es un sinsentido; no quizás por el miedo a que puedan volverse contra nosotros sino porque la verdadera practicidad de las inteligencias artificiales está en optimizar tareas, no en crear súper máquinas con dilemas existenciales.
• A medida que el aprendizaje profundo se traslada del laboratorio al mundo, la investigación y la experiencia muestran que las redes neuronales artificiales son vulnerables a los ataques y el engaño, y es que en esencia no se diferencian mucho a los seres humanos en su forma de actuar.
• No siempre cumplen el cometido de mostrarte el contenido que te interesa, y quizás esto sea más visible en la publicidad. La publicidad que te muestran suele ser indiscriminada (ver por ejemplo el caso de YouTube y su publicidad hindú o árabe en países latinos) y fastidiosa si la comparas con tus gustos. Cuando a veces parece que las redes neuronales. pueden leer hasta tus emociones en el momento, viene la publicidad y lo arruina todo. Pero de algo hay que vivir, ¿no?

En todo caso, entender sobre redes neuronales es importante para un emprendedor porque eso a la vez supone comprender mejor el funcionamiento del social media y, por lo tanto, tendríamos una idea generalizada y más clara de cómo elaborar nuestro contenido para el marketing social. Asimismo, es importante que tengas en cuenta los siguientes tips:

• Ser más o menos influyente depende en un 100% de ti: las redes neuronales que manejan las redes sociales tienen criterios muy equitativos a la hora de mostrar tu contenido a otros. Por lo general, una publicación bien reputada ha sido vista por en torno al 15% de la masa total de tus seguidores (quizás un poco más si usas elemento hastags adecuados o interacciones constantes; o quizás bastante menos, si por lo que sea no se interpreta como relevante), que a su vez podría tener una incidencia entre el 5 y el 10% (son números muy relativos, pero esta constante se puede notar cuando vemos las estadísticas). Las redes consideran que ese porcentaje es una muestra representativa del público que tienes.
• La reputación de tu contenido no depende de que las redes sociales lo muestren, sino de la calidad del mismo: te sugerimos que trabajes mucho en función de que lo que publiques no sólo se vea vistoso, sino que sepas que es el tipo de contenido que más le gusta a tus seguidores. Para eso, tienes que valerte de las estadísticas, saber interpretarlas y saber cómo es la reacción que tiene la gente ante lo que tu empresa hace en redes sociales.
• La viralidad ya no es lo que era antes: la viralidad nunca va a dajera de existir; sin embargo, al volverse más equitativas, las redes también despreciaron ese contenido que las comparticiones masivas te obligaban a ver sí o sí, te interesase o no te interesase. De modo que ahora ser viral es más difícil y ya no es tan sencillo como antes, y mucho menos con las fórmulas que aplicaban páginas como BuzzFeed, que han tenido que cambiar y diversificarse para no morir.
• Las redes no siguen las mismas lógicas de los seres humanos: si bien tienen intuiciones y, dentro de lo que cabe, “aprenden a pensar”, eso no significa que lo hagan exactamente igual a los seres humanos, tienen diferencias que, si bien pueden no ser comprensibles (o incluso absurdas), suelen ser muy visibles y las notamos. Desde nuestra perspectiva pudiésemos ver estas acciones extrañas como “errores” y es válido, pues no se corresponde con lo óptimas que queremos que la inteligencia artificial sea.
• No hay algoritmos que puedan categorizar comportamientos: todas las redes sociales funcionan basándose en criterios de individualidad; toman acciones personalizadas para cada uno de los usuarios que tienen inscritos en sus diversas plataformas.