En los últimos años, la música ha pasado de ser algo que poseemos físicamente a algo que accedemos en cualquier momento desde plataformas como Spotify, con su vasto catálogo de más de 100 millones de canciones. Con tanta información disponible en este tipo de plataformas, ¿cómo nos guían para descubrir toda esta información?

Bajo el uso de la IA, específicamente BART (Bandits for Recommendations as Treatments), plataformas como Spotify reproduce y recomienda canciones que tengan algún tipo de afinidad con el usuario, siguiendo su historial de reproducciones. Esto hace que estemos viendo un cambio hacia sistemas más dinámicos que aprenden de nosotros en tiempo real, aunque no siempre sepamos exactamente cómo funcionan por dentro debido a la opacidad de sus algoritmos.

Los sistemas tradicionales, como el filtrado colaborativo, partían de una idea simple: “si a usuarios parecidos les gusta algo similar a tus preferencias, probablemente te guste a ti también”. Esto funcionaba bien al principio, pero podía llevar a "burbujas" o “loops” donde solo oímos lo conocido, generando aburrimiento y, en el caso de las plataformas, implicaría cancelaciones de suscripciones. Surge entonces la necesidad de equilibrar lo familiar con lo nuevo, un desafío que el Aprendizaje por Refuerzo (RL) aborda, aunque sus resultados varían según cómo se implemente.

Supongamos que un algoritmo debe decidir por ti y sus opciones son reproducir lo que sabe que te gusta (explotación) o probar algo diferente que podría encantarte (exploración). En Spotify, herramientas como BART usan RL para recibir las respuestas (historial de escuchas, tasa de saltos, a qué das like, qué bloqueas, qué agregas a tu playlist personal, a qué playlists pertenece la canción que estás escuchando, qué tiempo la escuchas) y ajustar sus recomendaciones a largo plazo, no solo en el momento. Definir "novedad" no es sencillo; un salto demasiado radical puede fallar, y lo ideal debería estar cerca de tus gustos actuales, analizando audio (tempo, energía) y hábitos.

Esto plantea algunas preguntas como: ¿estamos cediendo el rol de DJ o crítico a un algoritmo que prioriza el tiempo de escucha? o ¿realmente estamos escuchando música o sólo llenando momentos de silencio?

Este algoritmo podría favorecer canciones con un foco específico para ser trending en redes cortas como TikTok o Instagram, pero también podría impulsar artistas emergentes si se diseña bien.

El futuro podría centrarse menos en buscar y más en ser sorprendidos de forma inteligente, ampliando horizontes sin que notemos la matemática detrás. El reto en el estado actual es estudiar estos sistemas con ojo crítico, reconociendo que pueden errar y proponer mejoras que preserven la serendipia humana. Al final, se trata de equilibrar tecnología y curiosidad para que la música siga siendo una aventura personal. que no solo se encargue de llenar silencios, sino de acompañar y crear memorias a largo plazo.

La autora es Profesora de la Facultad de Informática, Electrónica y Comunicación de la Universidad de Panamá.