bitácora de uno

En la anterior entrada ya mencionaba que quizás determinados elementos correlacionan en Menéame a la hora que una noticia pase a portada, pero me ha parecido que merecía la pena una entrada sólo para este tema.

Esto de que correlacionan (algunos dicen “correlan” pero me suena a patada a la RAE) quiere decir que el número de noticias que pasan a portada en función de - por ejemplo - quiénes la proponen o la aparición de la palabra “sexo” en su título o no, no se distribuye de manera completamente aleatoria. Existen variables que importan o influyen en el resultado que en este caso es “pasar a portada” y podemos aprender de situaciones para aplicar lo aprendido en otras nuevas.

Podríamos deducir si una noticia va a pasar o no a portada en función de lo aprendido analizando los datos de los miles de noticias que han pasado por allí. Esto no tiene nada de malo que sea así; es normal que esto ocurra como ocurre en muchos asuntos. Lo que me parece interesante es analizarlo.

La aplicación de Técnicas de Aprendizaje Automático tiene buenos resultados cuando se tienen datos y estoy seguro que en la base de datos de Menéame hay muchos registros y muchos campos o variables.

Ejemplos de aplicaciones de Aprendizaje Automático con éxito son:

• Correlación de Eventos en monitores de red o sistemas: Son capaces de aprender y con el tiempo identificar los problemas reales detrás de los eventos recibidos. Por ejemplo un montón de eventos de “no puedo hacer ping a X” puede ser debido a que se ha ido la luz y se han caído todos tus servidores.
• Sugerencias de Carrito de la Compra: Amazon aprende de lo que piden los usuarios y sugiere por gustos parecidos y aprende eso de “parecido”.
• LastFM o Pandora. No sé si realmente utiliza aprendizaje automático pero tiene toda la pinta. Si no lo conocéis es una manera cojonuda de aprender música. En Pandora elijes un artista, Iron Maiden por ejemplo (guiño a Pau) y te busca canciones de artistas parecidos basándose en lo que pide y aprueba otra gente.
• Spam en los Lectores de correo: Según marcas correo como spam el sistema aprende y es capaz de detectar nuevas formas.
• Bioinformática, búsqueda de aplicaciones o genes en cadenas del genoma, diagnóstico de enfermedades,etc.

Tom Mitchell es uno de los padres de estas técnicas y hay un libro suyo al respecto muy recomendable y llamado Machine Learning.

Parece un buen trabajo de tesis (académica o “en plan a tu bola”) el analizar la base de datos de noticias de Menéame con datos como:

• Hora en que entra la noticia.
• Tiempo en pasar a portada.
• Texto de Cabecera.
• Texto de Sinopis.
• Número de caracteres.
• Idioma de Destino.
• Primeros usuarios en votar.

Y sacar conclusiones mediante aprendizaje automático como por ejemplo:

• Distribución de probabilidades de pasar a portada por Hora del Día, Día de la Semana, Idioma, Usuario de Envío, Número de palabras, etc..
• Palabras más repetidas en los casos de éxito en pasar a portada.
• Si mejoran o no tus posibilidades si en el destino hay una foto o un video.

Si alguien quiere le puedo poner en contacto con gente que domina la Inteligencia Artificial y podrían dirigirles. También habría que ver si les interesa a los que tienen esos datos en Menéame…

¿Alguien se anima por aquello del comienzo de año?