¿Algoritmo, eres tú? Una experiencia con las recomendaciones de Spotify

En la era del streaming, la escucha musical es una experiencia personalizada. Los algoritmos recomiendan géneros, artistas y canciones a la medida, pero ¿realmente se adaptan al gusto del oyente?

Por: Andrea Angulo Granda / @andi_angulo

Actualmente, las plataformas de streaming, como Spotify, actúan como intermediarios entre la oferta musical y los oyentes. La selección de contenido mediante playlist (creadas por un equipo de editores o de forma automática por algoritmos) es un ejemplo de esa mediación. Sin embargo, aún es complejo descifrar el proceso de filtrado de canciones, porque es uno de los secretos mejores guardados de las compañías de tecnología.

Las personas no interactuamos directamente con el software de las plataformas, sino con la interfaz de usuario, que es una suerte de máscara que facilita comunicarnos con el sistema mediante botones e íconos. Por eso, intentar comprender el funcionamiento de los algoritmos es ponerse en frente de una caja negra. Al hacer una búsqueda en una plataforma, ingresamos información y obtenemos un resultado, pero no el proceso para esa operación.

Pese a ello, como usuarios siempre podemos confrontar al código desde una interacción activa y consciente con las plataformas. Con base en esta idea, decidí observar el comportamiento del algoritmo de Spotify desde mi propia actividad como usuaria, como parte de mi investigación doctoral.  Durante 15 días, cambié mis búsquedas de contenido típicas por el género de trap, para evidenciar cómo funciona el sistema de recomendaciones y cómo se adapta a los cambios.

En primer lugar, identifiqué que el sitio configura un perfil de gusto del usuario a partir de las reproducciones más recientes y de la localización de suscriptores que escuchan los mismos géneros y artistas. Según el estudio de Martín Irvine, Spotify busca canciones que sean de la misma frecuencia de onda y que estén etiquetadas dentro de los géneros similares. De este modo, crea el Descubrimiento Semanal, que es una recopilación de recomendaciones personalizadas para el usuario. Igualmente, crea las listas de Daily Mix que son recopilaciones temáticas basadas en el historial de reproducción. Así, se programa música a la medida.

Por otra parte, para explorar más allá de los propios gustos, Spotify recomienda listas por actividades o estados de ánimo, a partir de la actividad reciente del usuario. También existe la opción de descubrir otro tipo de música a través del buscador de la plataforma y elegir una de las listas editoriales que ha preparado el equipo de curadores para todos los gustos, momentos y emociones. Sin embargo, el algoritmo no es tan certero con las búsquedas por canción. En el tiempo de observación, intenté buscar artistas, listas o canciones de trap, que es un género que no consumo con frecuencia y noté que el sistema arrojaba contenido vinculado con la palabra trap, pero en cuando al estilo, no tenía mucha precisión, pues entre los resultados aparecieron el perfil de las bandas Trapt (rock), The Temper Trap (metal) y Trapdoor Social indie rock), entre otras, que no tienen vinculación con el género, pero sí con mi perfil de gusto. Por tanto, el algoritmo se centra en el usuario.

Con el paso del tiempo, evidencié que las búsquedas se guardan en el historial y esa información es utilizada por Spotify para refinar las recomendaciones. En ese sentido, pude detectar que el sistema se toma alrededor de siete días para identificar un cambio en el comportamiento típico del usuario, para evitar que un “error” (en inglés outlier detection), que pueda modificar el perfilado del suscriptor. Con esto la plataforma busca que el oyente se sienta reconocido en sus gustos y hábitos de consumo.

Durante el experimento, el algoritmo identificó el cambio en mis hábitos de consumo que era continuo por lo que empezó a recomendarme canciones y listas relacionadas con el trap. Sin embargo, esto no configuró por completo mi perfil, ya que creó un Daily Mix y una emisora de radio específica sobre trap y, a la vez, conservó los listados sobre los géneros que escucho habitualmente. En ese sentido, no es relevante para el algoritmo que el usuario escuche dos o más tipos de música diferentes, debido a que su principal misión es acoplarse a su actividad reciente.

Este hecho puede leerse como un punto a favor para Spotify porque permite al usuario tener variedad en la oferta musical (sin encerrarse en un mismo género o estilo), de acuerdo con sus usos sociales de la plataforma. De cierta forma, esta interacción se enmarca dentro de la identidad líquida de la que habla el filósofo Zygmunt Bauman en el sentido en el que no hay un reconocimiento de la persona en un estilo o tendencia artística, sino que fluye de acuerdo con su estado de ánimo o actividad cotidiana.

Esto influye también en el proceso del descubrimiento musical que no solo está guiado por el gusto o interés individual sino por la aleatoriedad del algoritmo. En mi caso, eso me conectó con artistas de trap, que no eran necesariamente nuevos para mí, pues se trataban de Bad Bunny y Anuel AA, a quienes los había escuchado en la radio o el espacio público (y son parte de la cultura mainstream). Con esto, comprendí que el sistema recomienda contenidos que son más populares, porque son los que tienen más reproducciones. Este factor numérico es usado como una forma de validación del producto artístico, es decir, lo que tiene más visibilizaciones es lo que tiene mayor calidad y es lo que merece ser escuchado, según la plataforma. Así, la música se transforma en datos y estadísticas (lo que responde al proceso de dataficación).

Por otra parte, una vez terminada la observación volví a mis hábitos de consumo cotidianos. El algoritmo se tardó aproximadamente una semana en eliminar las recomendaciones sobre ese género y volvió a los artistas y listas habituales. Con este experimento, entendí que la programación musical se concentra únicamente en la actividad del usuario. Pero, en este punto cabe preguntarse ¿realmente se adaptan las plataformas a los usuarios o somos nosotros los que nos adaptamos a ellas?

Algoritmo versus humano: recomendaciones y apropiación de la tecnología

La programación del código de Spotify tiene el objetivo de customizar la experiencia de consumo musical. Sin embargo, esta tecnología tiene limitaciones. A pesar del desarrollo de mecanismos como el machine learning y la inteligencia artificial, no se ha conseguido aprender o replicar la variabilidad del gusto. Hasta el momento, los algoritmos han logrado descifrar la conexión emocional de las personas con la música a partir de la creación de listados para cada estado de ánimo, pero que esa selección se adapte a la percepción y conexión personal de los individuos con un contenido sonoro no está garantizado.

Por tanto y para concluir, los usuarios tenemos la agencia para conducir nuestra propia dieta musical dentro de las plataformas, a pesar de la personalización de la experiencia de escucha. Como dice el filósofo Giorgio Agamben, los dispositivos (entendidos como cualquier mecanismo de ejercicio de poder) desubjetivizan al sujeto, es decir, lo despojan de su humanidad. Sin embargo, el ser puede oponerse a ese proceso, mediante la apropiación de la tecnología; esto significa conocer las affordances (características técnicas de un aparato) para crear rutinas o prácticas alternativas a las que sugiere el diseño de la interfaz de la plataforma. De este modo, los oyentes podemos guiar la escucha musical para que el código se adapte a nosotros.

 

Deja un comentario

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *