Читать книгу: «TVMorfosis 9»

INTELIGENCIA ARTIFICIAL, BIG DATA Y ANALÍTICAS: MEDICIÓN E INTERACTIVIDAD DE LAS AUDIENCIAS

Gabriel Torres Espinoza

Inteligencia artificial: antecedentes, evolución y concepto

Cuando se habla de inteligencia artificial (IA), pareciera que se trata de un fenómeno existente únicamente en la ciencia ficción o de un asunto propio de futurólogos o “predictólogos”. No obstante, lo cierto es que, en nuestros días, se encuentra omnipresente en nuestro ecosistema mediático, es decir, es un fenómeno tecnológico que nos asiste en la vida diaria y que forma parte de nuestra cotidianeidad.

Como elocuentes botones de muestra de la aseveración anterior se encuentran el reconocimiento inteligente de imágenes, una realidad ordinaria en dispositivos móviles a través del “desbloqueo facial” instantáneo; las “sugerencias inteligentes” de YouTube, Spotify o Netflix, adecuadas a los hábitos de consumo de la audiencia digital; el recuadro amarillo que aparece en una selfie para focalizar, además de dotar de luz y contrastes un punto en particular de la imagen; el trazado de una ruta Google Maps o Waze, cuando se quiere realizar un destino por la vía más rápida; los “chatbot” que permiten establecer, a través de una serie de algoritmos, una comunicación eficaz y racional entre un humano y un software; los asistentes virtuales de los dispositivos móviles como Siri, Alexa o Cortana; los automóviles autónomos, en los que Tesla se sitúa como un revelador caso de lo anterior. Vamos, la sugerencia de contenidos audiovisuales basados en nuestros hábitos de consumo en las plataformas de streaming u over the top (Netflix, Amazon o Claro Video), no sólo supuso un “salto cuántico” en la visualización de contenidos, sino que supuso la erradicación del zapping, aquel fenómeno audiovisual consistente en cambiar indiscriminadamente de canal en busca de un contenido que nos guste durante largos periodos de tiempo a través de un control remoto. Todo lo anterior, nos remite irremediablemente a la IA.

No obstante, debe decirse también que IA no es precisamente un concepto nuevo: el origen convencional se remonta a 1936, a la invención de la máquina de Turing, ideada por el matemático británico Alan Turing. Aunque se identifica como creadores del término a los científicos John McCarthy, Marvin Minsky y Claude Shannon, cuando, en 1956, en una conferencia en el Dartmouth College de Estados Unidos, acuñaron el término “inteligencia artificial” al hablar de la “ciencia de hacer a las máquinas más inteligentes” (UNESCO, 2020). Sin embargo, desde aquel entonces, la IA ha sido entendida como el sistema de patrones que emula el aprendizaje, la memorística, la cognición y la lógica humana.¹ Al respecto, Oracle (2020) señala que la IA “se refiere a los sistemas o las máquinas que imitan la inteligencia humana para realizar tareas y que tienen la capacidad de mejorar iterativamente a partir de la información que recopilan”.

En relación con ello, debe decirse que el avance tecnológico de la IA no ha experimentado una evolución tersa y de proyección ascendente. Antes bien, ha registrado importantes escollos y vicisitudes de larga data, que históricamente se aprecian como una larga sucesión de “veranos”, definidos como periodos de auge y alta expectativa que se han caracterizado por la desmesurada publicidad de su potencial y un desmedido financiamiento, e “inviernos”, en donde la burbuja especulativa que gira en torno a ella explota, toda vez que sus bondades tecnológicas no han sido alcanzadas, para observarse prácticamente nula su subvención. De esta manera, hasta ahora se tiene registro de tres “veranos” (1956-1973, 1981-1987 y 2012) acompañados de dos largos “inviernos” (1974-1980, 1988-2011).

Como quiera que sea, es importante mencionar que la IA incide, apuntala y robustece los más importantes paradigmas tecnológicos que habrán de definir el futuro inmediato: la era digital, la Internet de las cosas y la cuarta Revolución Industrial. El impacto social de todos estos fenómenos derivará del crecimiento exponencial de la 5G que, durante la década 2020-2030, registrará su punto de aparición y de una penetración social cada vez mayor.

Inteligencia artificial en contenidos audiovisuales

Ahora bien, los más distintivos prodigios de la IA se encuentran de igual manera tanto en la gestión como en el consumo de contenidos audiovisuales. A través de ciertas aplicaciones como Dive.tv (Europa Press, 2017), en la que se puede consultar y buscar información específica, en tiempo real, al momento de visualizar una determinada serie de televisión o película, conocer el reparto (a través de un reconocimiento facial de los personajes) y en qué otros contenidos fílmicos han participado, además de reconocer la música y sonidos de ésta (en plano, en secuencia, en off) y las locaciones en donde fue grabada. De igual manera, los nuevos televisores ofrecen contenidos que nos pueden gustar con base en nuestros hábitos de consumo, pero también se les puede pedir con mando de voz todo tipo de información y acciones, por ejemplo, preguntar qué actores o actrices aparecen en una película, quién es el director, o bien, que muestre películas de géneros concretos (drama, terror, comedia, acción) y proyecte en escena una serie en un servicio específico de streaming.

Asimismo, los prodigiosos avances de la IA han alcanzado derroteros insospechados, toda vez que permiten la predictibilidad del éxito que habrán de tener los contenidos audiovisuales. Netflix, antes de producir su famosa serie House of Cards, hizo uso de un algoritmo que informó a los productores cuál debía ser la cantidad ideal de capítulos de ésta y la duración “perfecta” de cada uno. Así, un equipo de producción tomó las sugerencias calculadas por estos algoritmos y encomendó a David Fincher su dirección (BBC, 2015). La Major Fox también se ha inscrito en este paradigma haciendo uso de la IA (a través de la unidad de procesamiento Nvidia Tesla P100 para calcular y predecir qué tipo películas podría interesarle a ciertas audiencias, además de analizar los avances de los largometrajes para determinar cuál sería su posible target y predecir, con base en “mapas” de los gustos de las audiencias, qué público es probable que acuda a verla a los cines (El Tiempo, 2019). En este tenor, la compañía belga ScriptBook desarrolló un algoritmo que —aseguran sus creadores— puede predecir si una película será un éxito de taquilla tan solo con “leer” el guion, para en su defecto recomendar que no se produzca si detecta puntos débiles en ella, además de analizar avances de películas para determinar cuál sería su posible target y predecir, con base en mapas de los gustos de las audiencias, qué público es probable que acuda a verla a los cines (La Vanguardia, 2020). Ello motiva a cuestionarse si en el futuro inmediato ¿la producción de contenidos estará en manos de algoritmos o si bien, en el mejor de los casos, relegarán a las personas a tener un papel nimio o irrelevante en la toma de decisiones de creación de contenidos?

De suerte tal que la IA superó con mucho los supuestos beneficios que otorgaría la transición de la televisión analógica a la televisión digital. La consulta de información relacionada con el contenido visualizado resulta por demás lacónica y anquilosada en la Televisión Digital Terrestre (TDT) a contraluz de lo que hoy día ofrecen aplicaciones móviles como Dive.tv. Todo ello representa, sin lugar a dudas, una profunda inmersión en las narrativas nunca antes vista.

Inteligencia artificial en el periodismo

En un contexto comunicacional determinado por la inmediatez de la información, los medios se han visto obligados a utilizar poderosísimos algoritmos² para hacer frente a esta nueva, compleja y desafiante realidad.

Estados Unidos, Francia, Corea, China y Reino Unido se han inscrito en este paradigma. La Associated Press (AP) señaló el año pasado (2019) que, gracias a la IA aplicada a la redacción de noticias, generó de manera automatizada más de tres mil historias cada trimestre sobre indicadores financieros macroeconómicos y microeconómicos, lo que significó aumentar en diez veces su productividad, pero con el mismo número de reporteros. The Washington Post comenzó a usar su programa autómata para procesar grandes cantidades de información; Heliograf, para escribir trescientas informaciones en los Juegos Olímpicos de Río de Janeiro. Desde entonces, utiliza la automatización para cubrir las noticias del Congreso y las 8 elecciones democráticas en el país vecino del norte. Según el propio medio, el año pasado, produjo alrededor de 850 artículos con Heliograf, mismos que generaron medio millón de clics. El diario francés Le Monde utilizó Syllabs, una solución automatizada que combina conocimiento humano e IA para generar 150 000 notas web que cubrieron 34 000 municipios y 2000 cantones durante las elecciones de 2015 (Muy Interesante, 2020).

Todo ello, desde luego, motiva cuestionamientos sobre el futuro incierto que depara a los periodistas.³ Sin embargo, este “periodismo robotizado”, capaz de escribir una historia sobre una base de datos, si bien es cierto atiende el enfoque circunstancial o contextual de la noticia, aún no puede dilucidar el porqué de ella, quedando esa responsabilidad, por ahora, reservada al “reportero humano”. Ahora los periodistas pasaron de repetir las mismas historias todo el tiempo a hacer el verdadero trabajo de periodista: hacer entrevistas, investigar, interpretar y buscar qué hay detrás de un dato. Es decir, si bien agencias de noticias y grandes medios de comunicación usan, cada vez con más y con mayor frecuencia, software y algoritmos para redactar noticias de manera autónoma, esto tiene como consecuencia que los periodistas se dediquen a lo verdaderamente importante: el análisis y la crítica de la noticia. De esta manera, el periodismo automatizado incide en la liberación de tareas superfluas o menos relevantes para el periodista tradicional, es decir, los pesados flujos rutinarios de la actividad periodística son ahora asumidos por los algoritmos, con la intención de dedicar esos recursos humanos a actividades creativas e investigar temas periodísticos con un enfoque crítico, comparado y reflexivo.

Big data: antecedentes y concepto

Con base en Oracle (2020), “aunque el concepto de la big data en sí mismo es relativamente nuevo, los orígenes de los grandes conjuntos de datos se remontan a las décadas de 1960 y 1970”. Lo anterior, debido a que en estas fechas se registraron los primeros centros de datos y desarrollo de las bases de datos “relacionales”.

De acuerdo con PowerData (2020):

Cuando hablamos de la big data nos referimos a conjuntos de datos o combinaciones de conjuntos de datos cuyo tamaño (volumen), complejidad (variabilidad) y velocidad de crecimiento (velocidad) dificultan su captura, gestión, procesamiento o análisis mediante tecnologías y herramientas convencionales, tales como bases de datos relacionales y estadísticas convencionales o paquetes de visualización.

De tal suerte, la big data se caracteriza, en principio, por las “3V”: el gran volumen de datos en plataformas digitales (volumen), la gran variedad de tipos de datos almacenados en grandes sistemas de datos (variedad) y la velocidad a la que se generan, recopilan y procesan los datos (velocidad) —dado que se generan o actualizan prácticamente en tiempo real—. Es importante señalar que estas características fueron identificadas por vez primera por Doug Laney, analista de Meta Group Inc., en un informe publicado en 2001. No obstante, recientemente, se han agregado otras dos “V” la veracidad grado de certeza en los conjuntos de datos y el valor [no todos los datos recopilados tienen un valor real] (Rouse, 2019).

En relación con lo anterior, es importante hacer mención que estudiosos en la materia siempre se refieren a la big data como grandes conjuntos de datos que van desde los 30 terabytes (un terabyte equivale a mil gigabytes) hasta decenas de Petabytes (un millón de gigabytes).

No obstante, resulta de mayor importancia advertir las diferencias entre la big data con las herramientas de IA (algoritmos) para procesar estos grandes volúmenes de datos:

1.Data mining. Es un término referido a la capacidad de extraer información, que derive en un posterior conocimiento, a través de las concatenaciones entre grandes cantidades de datos.

2.Machine learning. Esta técnica, descrita como un subconjunto de la IA, se basa en proporcionar datos a un ordenador para que éste pueda aprender por sí mismo, y, de esta forma, realizar el trabajo sin la intervención humana.

3.Deep learning. La diferencia entre machine learning y deep learning es que la segunda técnica lleva el aprendizaje a un nivel más detallado. El sistema en este caso va por capas o unidades neuronales. De hecho, el funcionamiento de estos algoritmos trata de imitar el del cerebro. Lo que hace este sistema es reducir el margen de error y, por tanto, aumentar la precisión de sus conclusiones (Proydesa, s. f.).

Por otro lado, el análisis de la big data (big data analytics) es el proceso de examinar conjuntos de datos grandes y variados para descubrir patrones ocultos, correlaciones desconocidas, tendencias y preferencias, que ayudan a las organizaciones a tomar mejores decisiones (Rouse, 2019):

1.Minería de datos (data mining), para buscar patrones y tendencias relacionales;

2.Análisis predictivo (predictive analytics), construye modelos para pronosticar comportamientos futuros;

3.Aprendizaje automático (machine learning), utiliza algoritmos para analizar grandes conjuntos de datos.

4.Aprendizaje profundo (deep learning), una rama más avanzada del aprendizaje automático.

Toda esta nueva realidad, auspiciada por la irrupción de la big data, supone un cambio de paradigma en el orden social: las sociedades ya no son de la información y el conocimiento, sino que son “digitalizadas” y “datificadas”. Así es como pasamos de la sociedad del conocimiento e información, a la “era de la datificación” o las “sociedades datificadas”. Esto es una realidad cada vez más evidente en las sociedades “hiperconectadas”, ya que ambas se basan en la explotación de los datos, que han vuelto a convertirse en bienes intangibles de grandes activos.

La medición de las audiencias y sus antecedentes

El origen de las audiencias nos retrotrae a las actuaciones teatrales y musicales, presentes en los juegos y espectáculos de la Antigüedad. Dicha audiencia se caracterizaba por estar localizada en un tiempo y lugar determinados, y por ser pequeña para los estándares actuales, lo que implicaba que era activa e interactiva con los emisores. Es decir, existían canales de interacción directos entre emisor y receptor debido a la carencia de intermediación y lo reducido de la audiencia (Duran, s. f.).

No es sino hasta el siglo XIX cuando, gracias a la industrialización y la alfabetización, que la prensa se convierte en un auténtico medio de comunicación de masas, con públicos de gran tamaño y precios asequibles al financiarse con publicidad tanto pública como privada. En ese sentido, es hasta fines del siglo XIX que, con el surgimiento de la radio y, a mediados del siglo XX, con la aparición de la televisión, el término “audiencia” adquiere un significado doctrinario, luego de alcanzar simultáneamente a millones de personas heterogéneas y anónimas, localizadas en lugares dispersos (Duran, s. f.).

De esta manera, podría decirse que esta voz circunscribe su definición a un conjunto definido de personas que consume un cierto contenido audiovisual, radiofónico o textual, y que deriva de una metodología científica, estadística y representativa con el objeto de determinar su tamaño y particularidad a partir de los siguientes criterios sociodemográficos: sexo, estrato social, sector etario, lugar de residencia, etcétera (Duran, s. f.).

En el ámbito audiovisual, por ejemplo, surgieron los siguientes indicadores de medición:

a)El share, conocido como el porcentaje de espectadores que está viendo un programa de televisión, respecto del total de espectadores que están viendo la televisión en ese momento;

b)El rating, entendido como una unidad de medida de valor invariable de espectadores que están viendo un programa de televisión (actualmente 1 punto de rating hace alusión al 1 por ciento de la población en edad y facultad fisiológica de consumir televisión); y

c)El perfil o target, conceptualizado como las características sociodemográficas de la audiencia de un medio o programa, expresadas en porcentajes sobre el total de individuos. Las más comunes son sexo, edad, clase social, ocupación, lugar de residencia, etcétera.

Expuesto lo anterior, conviene destacar la evolución metodológica en la medición de las audiencias informacionales y/o comunicacionales, citando para ello la propuesta de Andrew Green, contenida en su trabajo Audience Measurement 5.0 Pushing the Boundaries, quien arguye la existencia de cinco etapas claramente diferenciables:

1.Medición de Audiencia 1.0: “Unidad de Conteo” (anterior a 1920)

Referida a aquella en donde los primeros esfuerzos por obtener datos de la audiencia se remontan a las primeras dos décadas del siglo XX, y tienen relación con la verificación y auditoria de circulación de diarios y revistas, destacando como ejemplo paradigmático las primeras mediciones realizadas por el Audit Bureau of Circulations (ABC), de Estados Unidos, en 1914 (Green, 2017: 3).

También es posible identificar como antecedentes primigenios de esta etapa, a los esfuerzos por auditar y registrar las ventas de aparatos de radio (Green, 2017: 3).

2.Medición de audiencia 2.0: “Contando Personas” (1920 -1939)

Se caracterizó por el interés de anunciantes y agencias de publicidad por conocer el valor real de los medios como herramientas publicitarias. El enfoque de medición en esta etapa era netamente censual. Así, en 1929, en Estados Unidos nace el primer estudio de audiencia radial; y, en 1939, en Inglaterra se realiza la primera medición de lectura de diarios y revistas (Green, 2017: 3).

3.Medición de audiencia 3.0: “Más Amplio y Profundo” (1940-1979)

De igual forma, surgió en Estados Unidos. Se caracterizó por el surgimiento de mediciones innovadoras para la Tv, con el perfeccionamiento en la aplicación de técnicas de medición creadas en la etapa anterior, a través de sondeos de opinión y encuestas (Green, 2017: 4).

4.Medición de audiencia 4.0: “Fragmentación” (1980-2010)

Etapa en la que existe una mayor oferta de contenidos y canales de televisión en razón de la irrupción de la Tv de Pago. En este periodo se observa una rápida evolución en las mediciones de audiencia (Green, 2017: 5):

Desde los primeros People Media Meter, instalados en la televisión desde 1980, que en su medición proporcionó únicamente datos sociodemográficos de consumo y condensó indicadores netamente cuantitativos, como el rating, share, target y prime time.

5.Medición de audiencia 5.0 (2010-)

Aquí se trabaja con los datos relacionados a la experiencia que suscita el consumo de contenidos, por parte de las audiencias, y la forma en que consume dichos contenidos: “en cualquier lugar, en cualquier momento y en cualquier plataforma” (Green, 2017: 6). Es importante hacer mención que esta etapa cuenta con las siguientes características:

•La medición de la audiencia digital. Esta se centra en la forma en cómo se consume el audiovisual en los medios digitales (aplicaciones, plataformas y dispositivos), que son ignoradas por un People Media Meter. Lo anterior, porque en la era digital las audiencias de un mismo contenido se encuentran atomizadas en diferentes plataformas (Green, 2017: 6).

•La medición de la audiencia social. Pasó a registrar y medir indicadores cualitativos para el consumo audiovisual, específicamente reacciones y sentimientos vinculados a una narrativa, película o serie de televisión, a efectos de deducir su engagement (Green, 2017: 6).

•Es en esta etapa donde se introduce la big data como una herramienta para medir a las audiencias, como un potente recurso tecnológico para la medición de los hábitos de consumo audiovisual y la experiencia registrada en su visualización, a través de su “huella digital” en la red. Esta nueva forma de entender a las audiencias precisa de conocer ¿dónde, cuándo, cómo y por qué se consume el contenido?, ¿en qué dispositivos? y, más importante aún, ¿qué reacciones genera entre sus audiencias?

Sobre esto último, es importante destacar que esta metodología de medición trata de conocer el lenguaje corporal de las audiencias al momento de visualizar los contenidos, como resultado de las expresiones que contienen sensaciones, reacciones y sentimientos que son publicados en redes sociales; o bien, observadas en sus gesticulaciones faciales a través de una aplicación móvil en tiempo real. Aquí, precisamente, es donde la big data adquiere especial relevancia dadas las prodigiosas capacidades de los algoritmos para generar métricas bajo las técnicas de análisis de sentimientos (sentiment analytics) y minería de opinión (opinión mining), que serán descritas en líneas posteriores. Sin lugar a dudas, la medición de audiencias en la era digital se enfrenta al desafiante contexto que supone la omnipresencia de las pantallas fijas (smart Tv), móviles (laptop) y personales (smartphone).