Artículo publicado en la Revista Deusto (ISSN: 1886-2071) Nº 144 (2020).

1. 56
Deu ía
Tócala otra vez, Spotify
H
ay un concepto que lle-
va mucho tiempo obse-
sionándome: el libre al-
bedrío. Se conoce como
la creencia según la cual las perso-
nas tienen el poder de elegir y to-
mar sus propias decisiones. Y lleva
tiempo obsesionándome porque los
últimos avances de la Inteligencia
Artificial creo que lo están erosio-
nando sobremanera. Podría poner
infinitos ejemplos de cómo los algo-
ritmos intervienen en nuestro día a
día «empujándonos» a la toma de
decisiones bajo una falsa premisa
de libertad, pero voy a centrarme en
una plataforma que casi todas las
personas conocemos y utilizamos:
Spotify y sus ya famosas listas au-
tomáticas de recomendación. Todos
los lunes, desde 2015, nos regalan
una lista de descubrimientos (Dis-
cover Weekly) personalizada y ajus-
tada a nuestros gustos. Y cada vez
aciertan más y mejor (al menos en
mi caso). Pero, ¿qué se esconde tras
el truco del prestidigitador? Vamos
a analizar la tecnología que hace
realidad esta «informagia».
Modelos de filtrado
colaborativo
Esta técnica la adoptaron de una
plataforma más antigua y que si-
gue en funcionamiento (aunque
ya somos pocas las personas que
la seguimos usando): Last.fm. Esta
herramienta nos ofrecía un plugin
para instalar en nuestro ordenador
y móvil de manera que recogía to-
das las canciones que pasaban por
el reproductor. ¿Y para qué? Por-
que en base a nuestros gustos y los
de usuarios parecidos a nosotros,
nos mostraba artistas o canciones
que no conocíamos. Por ejemplo, si
al usuario 1 le gustan las canciones
A, B y C y al usuario 2 le gustan la
A, B, C y D, es altamente probable
que al 1 le guste también la D. ¿Y
cómo sabe Spotify qué canciones
nos gustan? Pues gracias a todos
los datos que recoge de nuestra
actividad como, por ejemplo, can-
ciones que reproducimos, núme-
ro de veces que las escuchamos, si
las guardamos en listas personales,
si visitamos la página del artista, …
Como vemos, el filtrado colaborati-
vo hace un trabajo bastante bueno,
pero Spotify quiso hacerlo aún me-
jor y agregó otro sistema.
Modelos de procesamiento de
lenguaje natural (NLP)
Estos modelos, como su propio
nombre indica, funcionan analizan-
do texto. Espera, estamos hablan-
do de una plataforma de música,
¿y analiza precisamente texto? Así
es. Spotify rastrea la web constan-
temente en busca de publicacio-
nes de blogs y otros textos escritos
sobre música para descubrir lo que
la gente dice sobre artistas y can-
ciones: qué adjetivos y lenguaje se
utilizan con frecuencia en esas sin-
tonías y qué otros artistas y melo-
días también se comentan junto
con ellas. Cada cantante y canción
tiene miles de términos principa-
les que cambian a diario y son uti-
lizados para determinar si dos pie-
zas musicales son similares. Con
estos dos modelos ya sería sufi-
ciente, ¿no? Bueno… nos falta una
parte clave: ¿cómo conseguir que
las canciones nuevas apenas re-
producidas entren también en es-
tas listas? Aquí saltamos al siguien-
te punto.
Modelos de audio
Estos modelos funcionan analizan-
do las propias pistas de audio en
bruto para comprender las similitu-
des fundamentales entre canciones
(el tempo, el volumen, si es acústica
o no...). Utilizan un tipo de red neu-
ronal muy similar a la usada en ám-
bitos como el análisis de imágenes o
de vídeo, pero en vez de comparar
píxeles, comparan espectrogramas.
Y con esto tenemos la Santísima Tri-
nidad de la comparación.
Como en otras muchas platafor-
mas digitales, Spotify te quiere
dentro el máximo tiempo posible
para poder mostrarte su publici-
dad. Y como en otras muchas pla-
taformas digitales, usan el truco del
filtro burbuja, un concepto acuña-
do por Eli Pariser. Como resultado
de la personalización, pudiera pa-
recer que no hay nada más allá de
nuestros intereses limitados. Por
eso os recomiendo de vez en cuan-
do evadiros de estas listas reco-
mendadas para salir del aislamien-
to cultural. Larga vida a la música y
a la diversidad.
Lorena Fernández Álvarez
www.loretahur.net