Escribir: KarenZ, Foresight News
¿Elon Musk ha cambiado el sistema de recomendaciones de Twitter de “reglas construidas manualmente y la mayoría de algoritmos heurísticos” a “predicciones basadas únicamente en grandes modelos de IA”?
El 20 de enero, Twitter (X) reveló oficialmente su nuevo algoritmo de recomendación, es decir, la lógica detrás de la línea de tiempo “Para ti” en la página principal de Twitter.
En términos simples, el algoritmo actual es: mezclar “el contenido publicado por las personas a las que sigues” y “contenido que puede gustarte en toda la red”, ordenarlo según tu interés basado en una serie de acciones previas en X como likes, comentarios, etc., pasando por dos filtros, y finalmente mostrarte el flujo de recomendaciones que ves.
A continuación, la lógica central explicada en palabras sencillas:
Construcción de perfiles
El sistema primero recopila información contextual del usuario para crear un “perfil” para las recomendaciones futuras:
Secuencia de comportamiento del usuario: registros históricos de interacción (likes, retweets, tiempo de permanencia, etc.).
Características del usuario: lista de seguidores, configuraciones de preferencias personales, etc.
¿De dónde proviene el contenido?
Cada vez que actualizas la línea de tiempo “Para ti”, el algoritmo busca contenido en dos lugares:
Círculo conocido (Thunder): tweets de las personas a las que sigues.
Círculo desconocido (Phoenix): personas que no sigues, pero que la IA selecciona en medio de la multitud según tus gustos, incluso si no sigues al autor, para mostrarte publicaciones que podrían interesarte.
Estas dos fuentes de contenido se mezclan, formando los candidatos a tweets.
Completar datos y filtrado preliminar
Tras recopilar miles de publicaciones, el sistema obtiene los metadatos completos de cada una (información del autor, archivos multimedia, texto principal), proceso llamado Hydration. Luego realiza una limpieza rápida, eliminando contenido duplicado, publicaciones antiguas, publicaciones propias del usuario, contenido de autores bloqueados o palabras clave bloqueadas.
Este paso ahorra recursos computacionales y evita que contenido irrelevante pase a la etapa principal de puntuación.
¿Cómo se puntúa?
Esta es la parte más crucial. El modelo Transformer basado en Phoenix Grok evalúa cada publicación restante después del filtrado, calculando la probabilidad de que el usuario realice diversas acciones sobre ella. Es un juego de sumar y restar puntos:
Factores positivos (retroalimentación positiva): la IA piensa que probablemente te gustará dar like, retwittear, responder, hacer clic en una imagen o visitar el perfil del autor.
Factores negativos (retroalimentación negativa): la IA piensa que probablemente bloquearás al autor, silenciarás o reportarás.
Puntuación final = (probabilidad de like × peso) + (probabilidad de respuesta × peso) - (probabilidad de bloqueo × peso)…
Es importante destacar que en el nuevo algoritmo de recomendación, el “Author Diversity Scorer” (Evaluador de Diversidad de Autores) generalmente interviene después de que la IA calcula la puntuación final. Cuando detecta que en un conjunto de publicaciones candidatas hay varias de un mismo autor, esta herramienta automáticamente “reduce” la puntuación de las publicaciones posteriores de ese autor, para ofrecerte una mayor variedad de autores en tu feed.
Finalmente, se selecciona el grupo de publicaciones con las puntuaciones más altas, ordenándolas de mayor a menor.
Filtrado secundario
El sistema revisa nuevamente las publicaciones con mayor puntuación, eliminando aquellas que violen normas (como spam, contenido violento), y deduplicando varias ramas de un mismo hilo. Luego, ordena todo de mayor a menor puntuación, formando el flujo de información que ves.
Resumen
X ya ha eliminado en su sistema de recomendaciones todas las funciones diseñadas manualmente y la mayoría de algoritmos heurísticos. El avance principal del nuevo algoritmo radica en “permitir que la IA aprenda de forma autónoma las preferencias del usuario”, logrando un salto de “decirle a la máquina qué hacer” a “hacer que la máquina aprenda cómo hacerlo por sí misma”.
Primero, las recomendaciones son más precisas, con “predicciones multidimensionales” que se ajustan mejor a las necesidades reales. El nuevo algoritmo usa el gran modelo Grok para predecir múltiples comportamientos del usuario — no solo si dará like o retwitteará, sino también si hará clic en enlaces, cuánto tiempo permanecerá, si seguirá al autor, e incluso si reportará o bloqueará. Este análisis detallado hace que la recomendación se ajuste de manera más cercana a las necesidades subconscientes del usuario.
En segundo lugar, el mecanismo del algoritmo es relativamente más justo, y en cierta medida puede romper el monopolio de las cuentas grandes, dando más oportunidades a cuentas nuevas o pequeñas: los algoritmos heurísticos anteriores tenían un problema fatal: las cuentas grandes, con alta interacción histórica, podían obtener alta exposición sin importar qué contenido publicaran, mientras que las cuentas nuevas, aunque tuvieran contenido de calidad, quedaban ocultas por la falta de datos. El mecanismo de aislamiento de candidatos permite puntuar cada publicación de forma independiente, sin depender de si otras publicaciones en el mismo lote son virales. Además, el “Author Diversity Scorer” también reducirá la tendencia a que un mismo autor inunde el feed con varias publicaciones en un mismo lote.
Para la empresa X: esto es una medida para reducir costos y aumentar eficiencia, usando poder de cálculo para reemplazar mano de obra, y la IA para mejorar la retención. Para los usuarios, estamos frente a un “super cerebro” que siempre intenta entendernos. Cuanto mejor nos entienda, más dependientes seremos de él, pero también, por su profundo conocimiento, corremos el riesgo de quedar atrapados en una " burbuja de información" tejida por algoritmos, y ser más fácilmente capturados por contenidos emocionales y sensacionalistas.
