Las empresas que ofrecen bonificaciones por referencia de puesto lo hacen asumiendo que sus empleados conocen mejor su cultura laboral y los requisitos de un puesto. Pero, ¿qué pasaría si las empresas ofrecieran esas bonificaciones por recomendación a personas ajenas a la organización?

Esa es la idea detrás de Draftboard, cofundada por Zach Roseman, ex director ejecutivo del grupo de desarrollo de aplicaciones móviles Mosaic. Draftboard permite a los empleadores publicar bonificaciones por recomendación y hacer que las personas que recomiendan compitan para ganarlas buscando talentos en sus redes.

«Si es una gran empresa, recibirá miles de currículums por puesto que publique», dijo Roseman a TechCrunch. “Entonces, o tienes un enorme equipo de talentos que dedica cantidades excesivas de tiempo a examinar cada uno de ellos, o gastas seis o siete cifras al año en una solución de detección de IA que sin duda tiene grandes desventajas, como privacidad, sesgos, errores, etc. .”

Draftboard es el primer proyecto de Roseman después de Mosaic e IAC, el holding estadounidense propietario de varias marcas de consumo, incluidas Allrecipes, Handy y Care.com. En IAC, Roseman fue director senior de estrategia y fusiones y adquisiciones, y con frecuencia tuvo que lidiar con la búsqueda de los candidatos adecuados para el talento.

«La idea detrás de Draftboard era: ¿por qué no aprovechar los programas de bonificación por recomendación existentes y el poder de un mundo en red para identificar a los mejores candidatos?» dijo Roseman. «Obtienes un embudo de solicitantes mucho más pequeño, pero de mucha mayor calidad, lo que te permite contratar más rápido».

Entonces, ¿cómo funciona Draftboard?

Gratis para las empresas, Draftboard notifica a sus aproximadamente 1.000 referentes (en el lenguaje de Draftboard, “exploradores”) a medida que los referidos avanzan a través de las diferentes etapas de los procesos de reclutamiento de las empresas. Los referentes se califican según la calidad de sus referencias y Draftboard se lleva un 20% de cada bonificación por recomendación.

Le pregunté cómo encontró Draftboard su grupo inicial de referentes. Llamada en frío, respondió Roseman.

“Comenzamos realizando llamadas a nuestra red (a través de grupos de WhatsApp, servidores de listas, LinkedIn, etc.) para personas que dirigían y eran propietarias de comunidades tecnológicas”, dijo. “Hacía llamadas de descubrimiento con ellos y les preguntaba cuáles eran sus puntos débiles… Además de eso, cada vez que llamaba a un fundador o a un talento para intentar que su empresa incluyera puestos en Draftboard, casi siempre Terminé diciendo: ‘Conozco a tres personas que serían excelentes exploradores; les voy a contactar ahora mismo’”.

¿No hay requisitos para ser referente? En realidad no, dijo Roseman, lo que podría parecer un riesgo enorme para las empresas. Pero afirmó que, de hecho, democratiza el proceso de una manera algo meritocrática.

“No hay requisitos ser un referente, y eso es por diseño”, dijo Roseman. “Pensé, ¿por qué no hacer que el sistema se base en datos y se refuerce a sí mismo? Las empresas establecen puntuaciones mínimas; Si su puntuación es inferior al mínimo, ya no podrá enviarles referencias. Entonces, en lugar de nosotros, una policía de arriba hacia abajo que puede y no puede ser un referente, dejamos que los referentes moderen su propio comportamiento de abajo hacia arriba por sí mismos”.

Pero, se podría decir, ¿no es Draftboard esencialmente subcontratar la búsqueda de talentos y el reclutamiento sin llamarlo así? Roseman afirma que esto no es así y que, de hecho, muchos reclutadores apoyan la plataforma, que utilizan para realizar actividades secundarias.

“Los exploradores abarcan toda la gama, desde Substackers hasta reclutadores y empleados cotidianos en nuevas empresas tecnológicas como Amazon, Spotify, Deel y TikTok”, dijo Roseman. «Creemos que las referencias pueden y deben estar abiertas a todos, no sólo a los empleados de la empresa, siempre y cuando se pueda controlar la calidad, lo cual hacemos a través de nuestro sistema de puntuación de reputación».

El modelo de negocio ciertamente parece atractivo para las marcas. Alrededor de 70 están hoy en Draftboard, incluidos SeatGeek, Via y Formlabs.

Evidentemente, también resulta intrigante para los inversores. Draftboard ha recaudado 4,1 millones de dólares de inversores, incluidos Founder Collective y Twelve Below, con una valoración de 13 millones de dólares.

«Las bolsas de trabajo como LinkedIn, Indeed y ZipRecruiter existen para conectar a quienes buscan empleo y a las empresas, lo que da como resultado algunos incentivos extravagantes y un sesgo de selección», dijo Roseman. “Nosotros no hacemos eso. En lugar de eso, conectamos a los referentes con empresas, y esos referentes aportan el talento, ya sea que busquen empleo activamente o simplemente estén abiertos pasivamente a oportunidades”.

Draftboard, con sede en Nueva York y que tiene 10 empleados, planea gastar la mayor parte de su capital inicial en contratar y hacer crecer ambos lados de su mercado: referentes y empresas.

El estafador de FTX condenado, Sam Bankman-Fried, pidió una sentencia de prisión indulgente en un expediente judicial ayer, diciendo que no está motivado por la codicia y que «ya está siendo castigado».

Bankman-Fried solicitó una sentencia de 63 a 78 meses, o de 5,25 a 6,5 ​​años. Debido a «las obras caritativas de Sam y su compromiso demostrado con los demás, una sentencia que devuelva a Sam rápidamente a un papel productivo en la sociedad sería suficiente, pero no mayor de lo necesario, para cumplir con los propósitos de la sentencia», dice el expediente judicial.

La presentación de Bankman-Fried también dice que mantiene su inocencia y tiene la intención de apelar sus condenas.

Un informe de investigación previo a la sentencia (PSR) preparado por un oficial de libertad condicional recomendó que Bankman-Fried fuera sentenciado a 100 años de prisión, según el expediente. «Esa recomendación es grotesca», decía el documento de SBF, argumentando que se basa en una pérdida calculada erróneamente de 10 mil millones de dólares.

La pérdida de 10.000 millones de dólares afirmada en el PSR es «ilusoria» porque «las víctimas están preparadas para recuperarse…fueron siempre dispuesto a recuperar: cien centavos por dólar» en procedimientos de quiebra, según el documento de SBF. El documento instaba al tribunal a «rechazar la bárbara propuesta del PSR» de 100 años, diciendo que tales sentencias sólo deberían ser por «conductas atroces» como el terrorismo. y abuso sexual infantil.

Bankman-Fried, fundador y ex director ejecutivo del intercambio de criptomonedas FTX, fue declarado culpable de siete cargos con una sentencia máxima combinada de 110 años después de un juicio de un mes de duración en el Tribunal de Distrito de los Estados Unidos para el Distrito Sur de Nueva York. Los cargos incluían fraude electrónico y conspiración para cometer fraude electrónico, fraude de valores, fraude de materias primas y lavado de dinero.

Los fiscales del gobierno estadounidense deben hacer una recomendación de sentencia antes del 15 de marzo, y está previsto que el juez de distrito Lewis Kaplan emita una sentencia el 28 de marzo.

“Sam estaba no depredador»

Kaplan dijo antes del juicio que SBF «podría enfrentarse a una sentencia muy larga» si fuera declarado culpable. Después de la condena, se citó a profesores de derecho diciendo que la sentencia de Bankman-Fried probablemente sería de al menos 20 o 25 años y posiblemente hasta 50 años. El buen comportamiento podría sacarlo de prisión antes de que expire su sentencia real.

Aunque Bankman-Fried fue condenado por todos los cargos y fue el fundador y líder de FTX, su solicitud de sentencia argumentó que su culpabilidad es baja. El expediente judicial tiene secciones tituladas «Filosofía y filantropía de Sam», «Sam no está motivado por la codicia», «El cuidado de Sam por las personas», «Ética de trabajo de Sam», «El remordimiento de Sam», «La culpabilidad de bajo nivel de Sam» y «La condición de Sam».

«Sam estaba no depredador. No se propuso aprovecharse de las personas mayores y poco sofisticadas ni implementar un plan para robar activos de pensiones. Su conducta cae mucho más abajo en la escala de culpabilidad», dice el documento. Además, «nunca tuvo la intención de causar pérdidas con el propósito de su propio beneficio personal», dijo su equipo legal.

La conducta de Bankman-Fried debería caracterizarse como «transferencia de riesgo», según el documento. Los delitos de transferencia de riesgos «no tienen como objetivo específico causar pérdidas. En cambio, transfieren el riesgo de cualquier pérdida potencial del acusado (o de otras personas involucradas en la empresa delictiva) a un tercero, como la víctima del delito».

Según el equipo legal de Bankman-Fried, esto hace que sus delitos sean similares en gravedad a «declaraciones falsas con el fin de obtener un préstamo bancario que se pretende reembolsar. Estos delitos son generalmente menos culpables que aquellos en los que se pretende específicamente perder».

Meta no suspenderá al ex Primer Ministro de Camboya de Facebook e Instagram, negándose a seguir una recomendación de su Junta de Supervisión. La junta, que funciona independientemente de la empresa de redes sociales, había recomendado a Meta suspender las cuentas de Facebook e Instagram del entonces primer ministro Hun Sen durante seis meses por incitar a la violencia.

En respuesta al caso publicado el miércoles, Meta dijo que una suspensión a largo plazo “no sería consistente” con sus políticas. «Al evaluar la página de Facebook y la cuenta de Instagram de Hun Sen, determinamos que suspender esas cuentas fuera de nuestro marco de aplicación habitual no sería coherente con nuestras políticas, incluido nuestro protocolo sobre la restricción de cuentas de figuras públicas durante disturbios civiles», escribió la compañía.

El manejo por parte de Meta del caso de alto perfil ha sido seguido de cerca en todo el mundo, y muchos lo ven como una prueba de las políticas de la compañía que rigen el discurso de los políticos, que históricamente han tenido más margen de maniobra en la plataforma. En una declaración, un portavoz de la Junta de Supervisión dijo que el grupo «mantiene» sus recomendaciones: “Las elecciones son una parte crucial de la democracia y las empresas de redes sociales deben garantizar que sus plataformas no sean utilizadas indebidamente de manera que amenacen con socavarlas. La Junta mantiene su decisión original e insta a Meta a hacer todo lo que esté a su alcance para disuadir a las figuras públicas que explotan sus plataformas para incitar a la violencia”.

Originalmente, la compañía había pedido a la Junta de Supervisión que opinara sobre un video publicado por Sen. El video era de un discurso en el que Sen les decía a sus oponentes políticos que «reuniría a gente del CPP (Partido Popular de Camboya) para protestar y darles una paliza». Meta había optado por no publicar el vídeo, citando su controvertida política de interés periodístico, a pesar de concluir que había violado las propias reglas de la empresa.

La Junta de Supervisión anuló la decisión de Meta y dijo que el video debería retirarse. La junta también dijo que Sen debería enfrentar una suspensión prolongada. “Dada la gravedad de la violación, el historial de Hun Sen de cometer violaciones de derechos humanos e intimidar a opositores políticos, así como su uso estratégico de las redes sociales para amplificar tales amenazas, la Junta pide a Meta que suspenda inmediatamente la página de Facebook y la cuenta de Instagram de Hun Sen. durante seis meses», escribió.

Meta cumplió y eliminó el video en respuesta a la decisión de la junta, que es vinculante según las reglas de la organización. La empresa tenía 60 días para responder a las recomendaciones no vinculantes del directorio.

En particular, Meta también rechazó otras recomendaciones de la Junta de Supervisión en el caso. La compañía optó por no aclarar cómo se aplican sus reglas para figuras públicas en “contextos en los que los ciudadanos están bajo amenaza continua de represalias violentas por parte de sus gobiernos” en lugar de un solo incidente de violencia.

«El protocolo no está diseñado para situaciones en las que un historial de violencia estatal o restricciones de derechos humanos hayan resultado en restricciones estatales continuas sobre las expresiones durante un período de tiempo indeterminado», escribió Meta, refiriéndose a una política que implementó en respuesta a las recomendaciones de la Junta de Supervisión en la suspensión de la cuenta del expresidente Donald Trump. «Aplicar el protocolo en esas circunstancias podría conducir a una suspensión indefinida de la cuenta de una figura pública, lo que (aparte de las cuestiones de equidad) podría ser perjudicial para la capacidad de las personas de acceder a información de sus líderes y sobre sus líderes y de expresarse utilizando las plataformas de Meta».

De manera similar, Meta dijo que estaba “evaluando [the] viabilidad” de una recomendación de la junta de que modifique su política de interés periodístico para prohibir explícitamente la incitación a la violencia. También dijo que estaba considerando una recomendación de que las publicaciones de jefes de estado y otros funcionarios gubernamentales tengan prioridad para ser revisadas por moderadores humanos cuando sean revisadas por incitar a la violencia.

La compañía dijo que estaba «implementando en parte» otras dos recomendaciones en el caso. La compañía acordó realizar algunos «cambios en el producto y/o en las pautas operativas» para ayudar en su revisión de videos de formato largo. Pero en respuesta a una sugerencia de que Aunque la compañía se comprometió a ser más comunicativa sobre cómo hace cumplir sus reglas en las cuentas de funcionarios gubernamentales de alto perfil, la compañía dijo que había algunos casos en los que podría continuar ocultando detalles.

“Si bien hemos compartido detalles sobre las acciones coercitivas en las cuentas que pertenecen a Hun Sen en este caso, y en las cuentas del expresidente estadounidense Trump, puede haber circunstancias en las que consideraciones de privacidad y seguridad pesen en contra de que Meta comparta públicamente detalles sobre las acciones tomadas en un cuenta.»

Meta está publicando nuevo material para explicar cómo funciona su motor de recomendación en diferentes productos. Junto con eso, también está implementando una nueva opción llamada «¿Por qué estoy viendo esto?» para Instagram y Facebook Reels, así como para la página Explorar de Instagram. De esta manera, puede comprender la razón por la cual se le muestra esa publicación.

El presidente de Asuntos Globales de la compañía, Nick Clegg, escribió en una publicación de blog que la compañía quiere ser más transparente sobre sus sistemas de inteligencia artificial y dar más control a los usuarios sobre el contenido que se les muestra.

“Hoy, nos basamos en ese compromiso al ser más transparentes en torno a varios de los sistemas de inteligencia artificial que incorporan sus comentarios para clasificar el contenido en Facebook e Instagram. Estos sistemas hacen que sea más probable que las publicaciones que ve sean relevantes e interesantes para usted”, dijo Clegg.

Meta dijo que está probando un nuevo sistema para que Instagram marque las publicaciones con «Interesado» para ver más contenido como ese. Los usuarios ya pueden tocar el menú de tres puntos en la publicación y tocar «No me interesa» para ver menos publicaciones de ese tipo.

La compañía señaló que también está trabajando para hacer que los controles «Mostrar más, Mostrar menos» de Facebook sean «más prominentes». Actualmente, puede acceder a ellos a través del menú de tres puntos en un Reel recomendado o una publicación. No está claro si Meta está cambiando estos controles a otro lugar.

La compañía lanzó hoy 22 «Tarjetas del sistema» que explican cómo funcionan los diferentes sistemas, como las recomendaciones de Facebook Feed, las líneas de tiempo de los grupos de Facebook, las personas y grupos sugeridos, las recomendaciones de Instagram Reels, el sistema de notificaciones y Stories AI. Estas tarjetas amplían estos temas a través de ejemplos, pero puede llevar un tiempo leerlas y comprenderlas para un usuario promedio.

Clegg mencionó que la compañía está publicando en el Centro de Transparencia información sobre señales, como dar me gusta o compartir una publicación, que afectan las recomendaciones de un usuario. Sin embargo, señaló que la compañía ha omitido “revelar señales que podrían facilitar que las personas eludan nuestras defensas”.

Paralelamente, en su blog de IA, Meta ha discutido la posibilidad de desarrollar modelos de IA en una magnitud de «decenas de billones» de parámetros, mucho más grande que el conjunto actual de modelos como ChatGPT y GPT-4. Como señaló mi colega Devin Coldewey en su historia, modelos tan grandes pueden generar una gran cantidad de información sobre los datos de un usuario.

“Piénselo: un modelo de IA tan grande o más grande que cualquiera creado hasta ahora… lo que entra en un extremo es cada acción que realiza en las plataformas de Meta, lo que sale en el otro es una predicción de lo que hará o le gustará a continuación. Un poco espeluznante, ¿no?

Con este tipo de capacidad, es posible que algunos controles de usuario no sean suficientes para detener algunas recomendaciones de contenido. En 2021, Clegg escribió una publicación en Medium sugiriendo que considera las acciones de las personas tan responsables como los algoritmos para mostrar diversos contenidos en el feed. Sin embargo, los usuarios no siempre conocen todas las señales que captura una plataforma para entrenar sus fuentes impulsadas por IA.

Meta también está invitando a los investigadores a estudiar sus algoritmos a través de una nueva Biblioteca de contenido y API, que incluye publicaciones públicas, páginas, grupos y eventos de Facebook, así como publicaciones públicas y datos de creadores y cuentas comerciales en Instagram.

En los últimos años, Meta ha sido objeto de escrutinio sobre cómo sugiere contenido a los usuarios. En 2021, la denunciante de Facebook, Frances Haugen, reveló que los algoritmos de la compañía tenían «efectos secundarios nocivos en partes importantes del contenido público, como la política y las noticias», además de que Instagram era perjudicial para los adolescentes. El año pasado, tuvo que llegar a un acuerdo con el Departamento de Justicia de EE. UU. por sus algoritmos de publicación de anuncios que supuestamente privaban a los usuarios de oportunidades de vivienda.

Instagram también ha estado aumentando el contenido impulsado por IA en su feed. En su llamada de ganancias del primer trimestre de 2023, Mark Zuckerberg dijo que el tiempo dedicado a Instagram aumentó en un 24%, gracias a las sugerencias de Reels asistidas por IA. El CEO de Meta ha dicho que la compañía tiene como objetivo aumentar la presencia de dicho contenido llenando el 30% del feed con recomendaciones algorítmicas. La publicación de documentos y controles es el último esfuerzo de Meta para apaciguar a los reguladores y defensores de la privacidad antes de que la empresa siga adelante con más contenido impulsado por IA.

Con la aparición de plataformas descentralizadas como Bluesky y Mastodon, se habla mucho sobre tener cierto control sobre los algoritmos que controlan tu feed. Las plataformas operadas centralmente como Instagram y Facebook deberían inspirarse en estas otras redes sociales y ofrecer mejores opciones algorítmicas y control a los usuarios.

Meta hizo una afirmación notable en un anuncio publicado hoy con la intención de dar más claridad sobre sus algoritmos de recomendación de contenido. Se está preparando para sistemas de análisis de comportamiento «órdenes de magnitud» más grandes que los modelos de lenguaje grande más grandes que existen, incluidos ChatGPT y GPT-4. ¿Es eso realmente necesario?

De vez en cuando, Meta decide refrescar su compromiso con la transparencia explicando cómo funcionan algunos de sus algoritmos. A veces esto es revelador o informativo, y otras veces solo conduce a más preguntas. Esta ocasión es un poco de ambos.

Además de las «tarjetas del sistema» que explican cómo se usa la IA en un contexto o aplicación determinados, la red social y publicitaria publicó una descripción general de los modelos de IA que utiliza. Por ejemplo, puede valer la pena saber si un video representa un hockey sobre patines o un derby sobre patines, aunque haya cierta superposición visual, para que pueda recomendarse adecuadamente.

De hecho, Meta ha estado entre las organizaciones de investigación más prolíficas en el campo de la IA multimodal, que combina datos de múltiples modalidades (visual y auditiva, por ejemplo) para comprender mejor un contenido.

Pocos de estos modelos se publican, aunque con frecuencia escuchamos cómo se usan internamente para mejorar cosas como la «relevancia», que es un eufemismo para la orientación. (Permiten que algunos investigadores accedan a ellos).

Luego viene este pequeño dato interesante que describe cómo está construyendo sus recursos de computación:

Para comprender profundamente y modelar las preferencias de las personas, nuestros modelos de recomendación pueden tener decenas de billones de parámetros, órdenes de magnitud más grandes que incluso los modelos de lenguaje más grandes que se usan en la actualidad.

Presioné a Meta para que fuera un poco más específico sobre estos modelos teóricos de decenas de billones, y eso es exactamente lo que son: teóricos. En una declaración aclaratoria, la compañía dijo: «Creemos que nuestros modelos de recomendación tienen el potencial de alcanzar decenas de billones de parámetros». Esta frase es un poco como decir que sus hamburguesas «pueden» tener hamburguesas de 16 onzas, pero luego admitir que todavía están en la etapa de un cuarto de libra. Sin embargo, la compañía establece claramente que su objetivo es «garantizar que estos modelos muy grandes puedan entrenarse e implementarse de manera eficiente a escala».

¿Construiría una empresa una infraestructura costosa para el software que no tiene la intención de crear o usar? Parece poco probable, pero Meta se negó a confirmar (aunque tampoco lo negó) que están buscando activamente modelos de este tamaño. Las implicaciones son claras, así que aunque no podemos tratar este modelo a escala de decenas de billones como existente, poder trátelo como genuinamente aspiracional y probable en las obras.

“Comprender y modelar las preferencias de las personas”, por cierto, debe entenderse como análisis del comportamiento de los usuarios. Sus preferencias reales probablemente podrían estar representadas por una lista de texto sin formato de cien palabras. Puede ser difícil entender, en un nivel fundamental, por qué necesitaría un modelo tan grande y complejo para manejar recomendaciones incluso para un par de miles de millones de usuarios.

La verdad es que el problema del espacio es realmente enorme: hay miles y miles de millones de piezas de contenido, todas con metadatos correspondientes, y sin duda todo tipo de vectores complejos que muestran que las personas que siguen a la Patagonia también tienden a donar a la Federación Mundial de Vida Silvestre, compran cada vez más comederos de pájaros caros y así sucesivamente. Entonces, tal vez no sea tan sorprendente que un modelo entrenado con todos estos datos sea bastante grande. ¿Pero «órdenes de magnitud más grandes» que incluso los más grandes que existen, algo entrenado en prácticamente todos los trabajos escritos disponibles?

No hay un conteo de parámetros confiable en GPT-4, y los líderes en el mundo de la IA también han descubierto que es una medida reductora de rendimiento, pero ChatGPT está en alrededor de 175 mil millones y se cree que GPT-4 es más alto que eso pero más bajo. que los salvajes 100 billones de reclamos. Incluso si Meta está exagerando un poco, esto sigue siendo aterrador.

Piénselo: un modelo de IA tan grande o más grande que cualquiera creado hasta ahora… lo que entra en un extremo es cada acción que realiza en las plataformas de Meta, lo que sale en el otro es una predicción de lo que hará o le gustará a continuación. Un poco espeluznante, ¿no?

Por supuesto que no son los únicos que hacen esto. TikTok lideró la carga en el seguimiento algorítmico y la recomendación, y ha construido su imperio de redes sociales en su adictivo feed de contenido «relevante» destinado a mantenerlo desplazándose hasta que le duelan los ojos. Sus competidores son abiertamente envidiosos.

Meta claramente apunta a cegar a los anunciantes con la ciencia, tanto con la ambición declarada de crear el modelo más grande del bloque como con pasajes como el siguiente:

Estos sistemas comprenden las preferencias de comportamiento de las personas utilizando modelos de atención a gran escala, redes neuronales gráficas, aprendizaje de pocos disparos y otras técnicas. Las innovaciones clave recientes incluyen una novedosa arquitectura de recuperación neuronal profunda jerárquica, que nos permitió superar significativamente varias líneas de base de última generación sin retroceder la latencia de inferencia; y una nueva arquitectura de conjunto que aprovecha los módulos de interacción heterogéneos para modelar mejor los factores relevantes para los intereses de las personas.

El párrafo anterior no pretende impresionar a los investigadores (saben todo esto) o a los usuarios (no entienden ni les importa). Pero ponte en el lugar de un anunciante que comienza a cuestionar si su dinero está bien gastado en anuncios de Instagram en lugar de otras opciones. Esta palabrería técnica está destinada a deslumbrarlos, a convencerlos de que Meta no solo es líder en investigación de IA, sino que la IA realmente se destaca en «comprender» los intereses y preferencias de las personas.

En caso de que lo dudes: «más del 20 por ciento del contenido en los feeds de Facebook e Instagram de una persona ahora es recomendado por AI de personas, grupos o cuentas que no siguen». ¡Justo lo que pedimos! Así que eso es todo. La IA está funcionando muy bien.

Pero todo esto también es un recordatorio del aparato oculto en el corazón de Meta, Google y otras empresas cuyo principal principio motivador es vender anuncios con una orientación cada vez más granular y precisa. El valor y la legitimidad de esa orientación deben reiterarse constantemente, incluso cuando los usuarios se rebelan y la publicidad se multiplica e insinúa en lugar de mejorar.

Nunca Meta ha hecho algo sensato como presentarme una lista de 10 marcas o pasatiempos y preguntarme cuál de ellos me gusta. Prefieren mirar por encima de mi hombro mientras hojeo la web en busca de un impermeable nuevo y actuar como si fuera una hazaña de inteligencia artificial avanzada cuando me muestran anuncios de impermeables al día siguiente. No está del todo claro que el último enfoque sea superior al primero, o si es así, ¿qué tan superior? Toda la web se ha construido en torno a una creencia colectiva en la orientación de anuncios de precisión y ahora se está implementando la última tecnología para apuntalarla para una nueva ola más escéptica de gastos de marketing.

Por supuesto, necesita un modelo con diez billones de parámetros para decirle lo que le gusta a la gente. ¡De qué otra manera podrías justificar los mil millones de dólares que gastaste entrenándolo!

Enciende tu servicio de transmisión de su elección o abra el sitio web de su tienda departamental preferida y seguramente se activará un sistema de recomendación.

«Te gustó esta serie de televisión, ¡así que creemos que te gustará esta!» O: “Mientras miras una falda de lino rosa, ¡piensa en comprar estas alpargatas color crema para combinarlas!”. Son impulsores comerciales clave porque ayudan a los clientes a ver los productos que es más probable que compren. Pero no encajan perfectamente en las cadenas de herramientas de aprendizaje automático existentes.

Algunos de los motores de recomendación más conocidos son para contenido. La inquietante sensación de YouTube de lo que te gustaría ver a continuación es un ejemplo, y el campeón definitivo de este juego es TikTok: es deliciosamente adictivo, precisamente porque los algoritmos saben lo que desea tu pequeño corazón.

En algunos casos, sin embargo, hay más en una recomendación. Para una tienda en línea, puede haber diferentes márgenes para diferentes líneas de productos, y tiene información que el propio motor no tiene; por ejemplo, es posible que la gente no esté comprando equipo de esquí ahora, pero seguramente lo hará más adelante en el año. Rubber Ducky Labs, una empresa emergente con sede en San Francisco, busca facilitar a los equipos la depuración, el análisis y la mejora de sus sistemas de recomendación.

El equipo está trabajando en un espacio que tiene una tendencia más profunda: ¿Cómo sabe que las IA están realizando un buen trabajo? Cada vez más, los algoritmos hacen cosas que los humanos no entienden por completo, y sin un circuito de retroalimentación, puede ser complicado.

Lo que necesitas saber

• Microsoft está presentando un nuevo Programa de recomendación para PC Game Pass.
• El programa permite a los suscriptores existentes de PC Game Pass o Xbox Game Pass Ultimate compartir pruebas de 14 días de PC Game Pass con hasta cinco amigos.
• Los amigos deben ser nuevos en Game Pass para poder aceptar las pruebas.

---

Si necesita más amigos para jugar juntos en una PC con Windows, tiene una nueva opción para persuadirlos.

Como se compartió el martes a través de cable xbox (se abre en una pestaña nueva)el nuevo Programa de recomendación de amigos de Game Pass permite que los Pase de juego para PC o suscriptores de Xbox Game Pass Ultimate para dar una prueba gratuita de 14 días de PC Game Pass a hasta cinco amigos. La prueba gratuita incluye todo lo que se ofrece actualmente en PC Game Pass, incluido EA Play y el Beneficios de los juegos antidisturbiosel último de los cuales incluye a todos los agentes de Valorant, todos los campeones de League of Legends y más.

Casi un año después de que Elon Musk planteara por primera vez la idea de hacer público el algoritmo de recomendación de Twitter, la empresa ha publicado el código fuente de su algoritmo de recomendación en GitHub. En un espacio de Twitter discutiendo el movimiento, Musk dijo que esperaba que los usuarios pudieran encontrar «problemas» potenciales en el código y ayudar a mejorarlo.

“Nuestro lanzamiento inicial del llamado algoritmo será bastante vergonzoso y la gente encontrará muchos errores, pero los corregiremos muy rápidamente”, dijo Musk.

En particular, el código publicado el viernes solo se ocupa de cómo se muestran los tweets en el feed «Para ti» de Twitter. La compañía no dio a conocer el código subyacente para su algoritmo de búsqueda o cómo se muestra el contenido en otras partes de Twitter, aunque Musk dijo que la compañía «seguro» también abriría el código fuente del algoritmo de búsqueda.

en un entrada en el blog Al describir cómo funcionan las recomendaciones de Twitter, la compañía explicó los diversos pasos del algoritmo, incluida la clasificación y el filtrado. Pero los usuarios de Twitter ya han encontrado detalles interesantes en el propio código. Por ejemplo, Jane Manchun Wong señaló que «el algoritmo de Twitter especifica si el autor del Tweet es Elon Musk». Eso puede ofrecer otra explicación de por qué los tweets de Musk aparecen con tanta frecuencia. Wong también señaló que el algoritmo tiene etiquetas que indican si el autor del tuit es un «usuario avanzado», así como si es republicano o demócrata.

Cuando se le preguntó sobre ese aspecto del algoritmo en Twitter Space, Musk dijo: «Estoy de acuerdo en que no debería estar ahí… definitivamente no debería dividir a la gente en republicanos y demócratas, eso no tiene sentido». Más tarde, un ingeniero de Twitter hizo un seguimiento para aclarar que las categorías eran solo para «propósitos de seguimiento de estadísticas y no tienen nada que ver con el algoritmo». Dijo que las etiquetas están destinadas a «asegurarse de que no nos sesguemos hacia un grupo frente a otro», aunque no abordó por qué Musk tenía su propia categoría.

“Pero no es extraño que tengas cuatro categorías y una de ellas es Elon”, respondió el interrogador. “Creo que es raro”, dijo Musk. “Esta fue la primera vez que estoy aprendiendo esto”. El ingeniero de Twitter no respondió directamente con una explicación. El espacio de Twitter terminó menos de un minuto después.

Como prometió repetidamente el CEO de Twitter, Elon Musk, Twitter ha abrió una parte de su código fuente a la inspección pública, incluido el algoritmo que utiliza para recomendar tweets en las líneas de tiempo de los usuarios.

En GitHub, Twitter publicó dos repositorios que contienen código para muchas partes que hacen que la red social funcione, incluido el mecanismo que Twitter usa para controlar los tweets que los usuarios ven en la línea de tiempo For You. En una publicación de blog, Twitter caracterizó la medida como un «primer paso para ser[ing] más transparente” mientras que al mismo tiempo “[preventing] riesgo” para el propio Twitter y las personas en la plataforma.

En una sesión de Twitter Spaces hoy, Musk aclaró:

“Nuestro lanzamiento inicial del llamado algoritmo será bastante vergonzoso, y la gente encontrará muchos errores, pero los corregiremos muy rápidamente”, dijo Musk. “Incluso si no estás de acuerdo con algo, al menos sabrás por qué está ahí y que no estás siendo manipulado en secreto… El análogo, aquí, al que aspiramos es el gran ejemplo de Linux como un sistema operativo de código abierto… Uno puede, en teoría, descubrir muchos exploits para Linux. En realidad, lo que sucede es que la comunidad identifica y corrige esos exploits”.

En ese segundo punto de la publicación del blog sobre la prevención de riesgos, los lanzamientos de código abierto no incluyen el código que impulsa las recomendaciones de anuncios de Twitter o los datos utilizados para entrenar el algoritmo de recomendación de Twitter. Además, incluyen pocas instrucciones sobre cómo inspeccionar o usar el código, lo que refuerza la idea de que los lanzamientos están estrictamente enfocados en los desarrolladores.

“[We excluded] cualquier código que comprometa la seguridad y privacidad del usuario o la capacidad de proteger nuestra plataforma de los malos actores, lo que incluye socavar nuestros esfuerzos para combatir la explotación y manipulación sexual infantil”, escribió Twitter. Es un poco de mensaje mixto que se produce solo unas semanas después de que Twitter despidió a gran parte de su personal ético de inteligencia artificial y confianza y seguridad, que era responsable de la moderación del contenido, entre otras tareas relacionadas con la seguridad del usuario. Sin embargo, la empresa insiste en que “[took] pasos para garantizar que la seguridad y la privacidad del usuario estén protegidas” con el lanzamiento del código de hoy.

Twitter dice que está trabajando en herramientas para administrar las sugerencias de código de la comunidad y sincronizar los cambios con su repositorio interno. Presumiblemente, estarán disponibles en una fecha futura; no hay señales de ellos en el presente.

“Vamos a buscar sugerencias, no solo sobre errores, sino también sobre cómo debería funcionar el algoritmo”, dijo Musk en la sesión de Spaces. “Va a ser un proceso en evolución. No esperaría que fuera un movimiento ascendente continuo… pero estamos muy abiertos a lo que podría mejorar la experiencia del usuario».

A primera vista, el algoritmo es bastante complejo, pero no necesariamente sorprendente desde un punto de vista técnico. Se compone de múltiples modelos, incluido un modelo para detectar contenido «no seguro para el trabajo» o abusivo, determinar la probabilidad de que un usuario de Twitter interactúe con otro usuario y calcular la «reputación» de un usuario de Twitter. (No está claro a qué se refiere exactamente «reputación»; la documentación de alto nivel no es clara al respecto). Varias redes neuronales son responsables de clasificar los tweets y recomendar cuentas a seguir, mientras que un componente de filtrado oculta los tweets para… perdonen el jerga: «apoyar el cumplimiento legal, mejorar la calidad del producto, aumentar la confianza del usuario, proteger los ingresos mediante el uso de tratamientos de productos visibles y filtrados duros y una clasificación descendente de granularidad gruesa».

en una ingenieria entrada en el blogTwitter revela más sobre el canal de recomendaciones, que afirma que se ejecuta aproximadamente cinco mil millones de veces al día:

“Intentamos extraer los mejores 1500 tuits de un grupo de cientos de millones… Hoy, la línea de tiempo For You consta del 50 % [tweets from people you don’t follow] y 50% [tweets from people you follow] en promedio, aunque esto puede variar de un usuario a otro”, escribió Twitter. «Clasificación [tweets] se logra con una red neuronal de ~48 millones de parámetros que se entrena continuamente en las interacciones de tweets para optimizar el compromiso positivo (por ejemplo, me gusta, retweets y respuestas)”.

Los usuarios de Twitter no ven los 1500 tuits completos, por supuesto. Se filtran según las restricciones de contenido y otros criterios y factores considerados por los modelos, como si los tuits tienen “retroalimentación negativa” y si son principalmente del mismo usuario de Twitter o de usuarios que han sido bloqueados o silenciados.

Gizmodo señala que una cosa que no parece haberse hecho pública es la lista de VIP que Twitter envía a los usuarios. Esta semana, Platformer informó que Twitter tiene una lista rotativa de usuarios notables, incluido el YouTuber Mr. Beast y el fundador del Daily Wire, Ben Shapiro, que utiliza para monitorear los cambios en el algoritmo de recomendación al aumentar la visibilidad de estos «usuarios avanzados» aparentemente a voluntad. .

Hay más evidencia de que el algoritmo puede tratar los tweets de manera diferente según la fuente. La investigadora Jane Manchun Wong señaló que el algoritmo de Twitter etiqueta específicamente si el autor del tuit es Elon Musk y tiene otras etiquetas que indican si el autor es un «usuario avanzado» y si es republicano o demócrata.

Durante la sesión de Spaces esta tarde, un ingeniero de Twitter dijo que las etiquetas se usaban solo para métricas. Pero Musk, quien dijo que no estaba al tanto de las etiquetas antes de hoy, dijo que no deberían estar allí.

“Definitivamente no debería estar dividiendo a la gente en republicanos y demócratas, eso no tiene sentido”, dijo Musk.

El lanzamiento del código fuente se produce después de varias controversias relacionadas con ajustes al algoritmo de recomendación de Twitter en los últimos meses. Según Platformer, en febrero, Musk pidió a los ingenieros de Twitter que reconfiguraran el algoritmo para que sus tuits fueran más vistos. (Twitter luego revirtió este cambio, al menos un poco). En noviembre, Twitter comenzó a mostrar a los usuarios más tweets de personas que no siguen, un movimiento que la plataforma intentó antes de la adquisición de Musk, pero luego revirtió después de una reacción violenta de los usuarios.

Hoy es el día: en un esfuerzo por impulsar la transparencia entre el público y la plataforma de redes sociales, El CEO Elon Musk ha creado el algoritmo de recomendación de Twitter código abierto… por alguna razón.

Parece que Musk es fiel a su palabra y en realidad lanzó el algoritmo de recomendación de Twitter el GitHubasí como un artículo del equipo de Twitter que describe lo que realmente hace el algoritmo de código en Twitter. Blog. Twitter afirma que, en esencia, el algoritmo que recomienda tweets, al que llamó «Home Mixer», los extrae de las fuentes mediante un proceso llamado «abastecimiento de candidatos», los clasifica en comparación con un modelo de aprendizaje automático y luego los filtra según los puntos de referencia. como usuarios que ha bloqueado y si el contenido es NSFW.

Twitter dice que las fuentes candidatas de Home Mixer consisten en personas a las que sigues y personas a las que no, y la pestaña Para ti generalmente consta de tweets del 50% de cada uno. Home Mixer extrae alrededor de 1500 tweets durante este primer paso. Cuando el algoritmo clasifica los tweets, ignora cuál es la fuente del tweet y «toma en cuenta miles de características» para asignarles una de las diez etiquetas: cada etiqueta corresponde a una cierta probabilidad de participación. Home Mixer luego filtrará los tweets en función de sus propios tamices internos y luego los arrojará a su página For You.

almizcle previamente Anunciado que el algoritmo que usa Twitter para recomendar tweets a los usuarios sería de código abierto el 31 de marzo en un esfuerzo por proporcionar transparencia de código a los usuarios que, con suerte, generará confianza. Aún está por verse si la mayoría de los usuarios de Twitter están interesados ​​en aprender más sobre el código. Independientemente, él mismo reconoce que proporcionar transparencia en el código será «increíblemente vergonzoso al principio», ya que Twitter continúa encontrando formas de ajustar el algoritmo.

“Nuestro ‘algoritmo’ es demasiado complejo y no se entiende completamente internamente. La gente descubrirá muchas cosas tontas, ¡pero solucionaremos los problemas tan pronto como se encuentren! Musk tuiteó a principios de este mes. “Estamos desarrollando un enfoque simplificado para publicar tweets más convincentes, pero aún es un trabajo en progreso. Eso también será de código abierto”.

Una cosa que no parece haberse hecho pública es la lista de VIPs que Twitter empuja a los usuarios. Platformer informó que Twitter tiene una lista rotativa de usuarios notables que incluye a todos, desde la Representante Alexandria Ocasio-Cortez hasta el YouTuber Mr. Beast y Cable diario fundador Ben Shapiro, según correos electrónicos internos. Twitter supuestamente usa esta lista para monitorear los cambios en el algoritmo de recomendación del sitio web al aparentemente aumentar la visibilidad de estos usuarios avanzados a voluntad. Esta lista contrasta fuertemente con la descabellada búsqueda de Elon Musk de tratar a todos por igual.

Algunas partes del código de Twitter en realidad ya eran de código abierto, solo que no de la manera que Musk había planeado. A principios de esta semana, se conoció la noticia de que partes de El código fuente de Twitter se subió a GitHub según documentos judiciales, en los que Twitter exigió que las partes del código infractor se eliminaran del depósito en línea. Twitter también presentó una Aviso de eliminación de DMCA con GitHub, que se cumplió con la solicitud de eliminar el código.

Sin embargo, no está claro cuánto del código se cargó o cuánto tiempo se dejó en línea. Los New York Times informaron que podrían haber sido meses. Los fragmentos de código fuente fueron subidos por un usuario conocido como «FreeSpeechEnthusiast», tal vez un guiño a Los intentos falibles de Elon Musk de ser un «absolutista de la libertad de expresión». Sin embargo, quienquiera que sea FreeSpeechEnthusiast puede ser descubierto lo suficientemente pronto, ya que Twitter obtuvo con éxito una citación para desenmascarar al hacker. La citación también requiere que GitHub proporcione a Twitter la identidad y la información de cualquier persona que haya descargado el código durante el tiempo que estuvo cargado.