Comprender cómo funcionaba el algoritmo de YouTube era esencial para alcanzar posicionar los vídeos de manera competente y contribuir así al diseño de una campaña de marketing exitosa.
La idea general era que YouTube utilizaba un solo algoritmo para posicionar el contenido, no obstante, la realidad es que utilizaba varios algoritmos enfocados a diferentes factores del vídeo. Para entenderlo mejor, disponía de algunos para analizar el canal, otros para los vídeos sugeridos y otro para los resultados de búsqueda.
Además, la forma en la que la plataforma posiciona los vídeos ha evolucionado a través del tiempo. Por ejemplo, en el 2011 el principal factor de posicionamiento eran las visualizaciones y los clics, desde 2015, en cambio, lo que más importa es la experiencia satisfactoria del usuario.
Google ha ido cambiando para adaptarse a lo que realmente quieren consumir los usuarios, por ejemplo, los clics ya no posicionan, pues muchos vídeos utilizaban técnicas de clicbait (técnicas para llamar la atención del usuario) para recibir clics, pero no eran visualizados, ya que se trata de vídeos de muy baja calidad o simplemente carentes de buen contenido.
¿Cómo se calcula la satisfacción del usuario?
A primera vista, puede parecer un factor un tanto subjetivo. Sin embargo, YouTube utiliza una combinación de señales para medir esta satisfacción.
Por un lado, YouTube aprendía y entiende los gustos de los usuarios haciendo encuestas periódicas, en las que se pregunta al usuario si el vídeo que ve es de su agrado. Estos datos eran usados para realizar patrones de predicción e identificar los vídeos que más gustan. Además, utilizan señales de engagement para medir las señales de satisfacción, como Likes y Dislikes, así como el uso del botón “No me interesa”.
¿Cómo funcionaba el algoritmo de YouTube?
El algoritmo de YouTube fue transformado en esta década para dar prioridad a la calidad sobre el clickbait, es decir, sobre la creación de contenidos enfocados principalmente a que el usuario haga clic, al margen de si luego permanece o no viendo el vídeo.
Para mejorar la calidad de los contenidos en YouTube, era necesario crear un algoritmo que valorara más la permanencia e interacción de un usuario con un vídeo que el mero clic.
Como consecuencia, de acuerdo con la recomendación publicada por los especialistas de Google, el algoritmo de YouTube seguía estos parámetros para determinar qué vídeo recomendarte:
- Click-through rate o tasa de clics: es la probabilidad de que alguien haga clic en tu vídeo cuando le aparece.
- Tiempo de visualización: la suma de tiempo que todos los espectadores de tu canal dedican a mirar tus vídeos.
- Cuántos vídeos ha visto ese usuario en tu canal.
- Qué tan recientemente el usuario vio un vídeo sobre este tema.
- Lo que el usuario ha buscado en el pasado.
- Los vídeos que el usuario vio anteriormente.
- La información demográfica y la ubicación del usuario.
Lo sorprendente es que Youtube ya no funciona con un algoritmo, estas preguntas, estas normas, ya no existen, el algoritmo de Youtube fue desenchufado hace tiempo y sustituido por algo mucho más poderoso e interesante, las redes neuronales (el aprendizaje automático).
Y qué son las redes neuronales
Son una especie de circuito eléctrico dentro de un programa informático que simula, de alguna forma, el funcionamiento de nuestras propias neuronas. A diferencia de los algoritmos comunes, una red neuronal no requiere de algoritmos o instrucciones para conseguir solucionar un problema, sino que es capaz de aprender por sí mismo. Y ¿cómo logra Youtube saber nuestros gustos con estas redes neuronales? Para entenderlo, pongamos una analogía a modo didáctico.
Imaginemos que implementamos una red neuronal para conseguir identificar perros de forma automática en las miles de imágenes que circulan por Internet. En un principio, la red neuronal no sabrá nada y habrá que entrenarla. Por ejemplo, le podremos mostrar una imagen con un caballo y un perro juntos, y decirle cual es el perro sin darle ninguna instrucción ni descripción, únicamente indicándolo. Después, le pondremos una imagen algo más compleja como, por ejemplo, la de un perro con un elefante. De nuevo, le indicaremos cuál es el perro. Si seguimos entrenando esta red neuronal con más y más ejemplos, llegará un punto en el cual, la red neuronal será capaz por sí misma de identificar y relacionar si hay algún perro en la imagen de Internet que le vayamos a mostrar.
¿En qué se diferencian los algoritmos de las redes neuronales artificiales?
Seguramente, después de analizar cada una por separado, han quedado más que claras las diferencias entre un algoritmo y una red neuronal. Aun así, para que tengas la información de manera más clara, hemos preparado una selección de las más importantes diferencias en forma de puntos clave.
1. Una red neuronal puede aprender; un algoritmo, no
La diferencia más importante y con la que debes quedarte: la red neuronal es la única capaz de “aprender”. Aprender en el sentido de progresar y de mejorar todas las conexiones que las unidades de cálculo realizan. Un algoritmo, por sí solo, no es inteligente, no puede aprender porque seguirá siempre unos pasos preestablecidos. La red neuronal es verdadera inteligencia artificial.
2. En un algoritmo hay normas; en una red neuronal, no
Como hemos visto, una de las características de cualquier algoritmo es la presencia de normas, es decir, leyes que debe seguir la máquina cuando opera el algoritmo. Unas normas ordenadas, secuenciadas y concretas que han sido establecidas por un programador. Le damos unas normas para que llegue a un resultado.
En la red neuronal, la cosa cambia. El programador no le da unas normas preestablecidas. Se le dice a qué resultado tiene que llegar y se le otorga libertad total para calibrar los procesos matemáticos intermedios. No hay leyes ordenadas ni secuenciadas. La máquina tiene libertad para aprender.
3. Una red neuronal está formada por “neuronas”; un algoritmo, por operaciones
Como hemos visto, mientras que un algoritmo, a nivel informático, es “simplemente” un conjunto de operaciones secuenciales que la máquina debe seguir para resolver un problema, en una red neuronal, las unidades básicas no son estas secuencias marcadas, sino unas unidades de cálculo llamadas “neuronas artificiales” que imitan el comportamiento de las neuronas naturales para hacer posible el proceso de aprendizaje.
4. Una red neuronal es un conjunto de algoritmos
Una puntualización muy importante. Una red neuronal puede entenderse como un conjunto de algoritmos inteligentes que, en global, le dan a este sistema informático la capacidad de realizar conexiones entre las distintas neuronas. Un algoritmo, en cambio, es solo eso: un algoritmo “no inteligente”.
5. Un algoritmo no puede evolucionar; una red neuronal, sí
Pueden pasar millones de años que una máquina programada en base a un algoritmo, seguirá computando dicho algoritmo de la misma forma. Recordemos que es una secuencia ordenada que debe seguir sí o sí. Por lo tanto, no hay evolución. En una red neuronal, sí que hay evolución. Y es que ella misma aprende a calibrar mejor sus algoritmos y, por lo tanto, va mejorando con el tiempo.
6. Un algoritmo puede controlarse; una red neuronal, no
Un algoritmo puede controlarse, en el sentido que cambiando la secuencia modificas también el resultado que obtendrá la máquina. Una red neuronal, en cambio, no puede controlarse. Los ingenieros informáticos no pueden controlar qué operaciones y conexiones realizarán las neuronas para llegar al resultado. Pero que nadie se preocupe: YouTube no se rebelará contra la humanidad.
7. Un algoritmo se programa; una red neuronal, se hace a sí misma
Y una última diferencia para terminar. Mientras que un algoritmo se programa, una red neuronal se hace a sí misma. Es decir, en un algoritmo, si diseñas la secuencia ordenada de operaciones, ya tienes dicho algoritmo. En una red neuronal, esto no es así. Recuerda que no controlas lo que sucede dentro de ella. Es la propia red la que se calibra y, por lo tanto, se hace a sí misma, aprende y evoluciona.
