El magnate y propietario de X (antes Twitter), Elon Musk, ha publicado en código abierto el algoritmo de recomendación de la red social, tal y como anunció el pasado 10 de enero.
Tras la creciente serie de polémicas que han involucrado a la plataforma relacionadas con la generación de imágenes explícitas con inteligencia artificial a petición de los usuarios, entre ellas desnudos de menores de edad, Musk tomó la medida de publicar el algoritmo de X en código abierto en un intento de hacerla más transparente.
MIRA: TikTok lanza PineDrama, una nueva aplicación para microdramas de 1 minuto gratuitos
Aunque anunció que publicaría el algoritmo la semana pasada, finalmente se ha hecho público este martes en la plataforma para desarrolladores Github, en la que se puede redistribuir, modificar y usar el código abierto.
En un mensaje en la red social, Musk ha anunciado la publicación del algoritmo, al que ha calificado de “tonto” y ha afirmado que necesita “mejoras masivas”. “Al menos puedes ver que nos esforzamos por mejorarlo en tiempo real y con transparencia. Ninguna red social hace esto”, ha dicho.
No obstante, no es la primera vez que el magnate trata de hacer público el código de X, ya que en 2023, meses después de asumir el mando de la plataforma, publicó el código del ‘feed’ de ‘Para ti’ en GitHub.
CÓMO FUNCIONA EL ALGORITMO DE X
El ‘feed’ ‘Para ti’ recomienda contenidos a partir del uso de dos fuentes principales: las cuentas seguidas por el usuario (Thunder) y otras publicaciones encontradas en la plataforma (Phoenix). Después, el algoritmo procesa, filtra y ordena por relevancia.
De esta forma, el algoritmo filtra los contenidos y elimina los duplicados, de cuentas bloqueadas, temas en los que el usuario no está explícitamente interesado, palabras silenciadas o publicaciones ilegales e inapropiadas.
El algoritmo usa la misma arquitectura Transformer que Grok, la inteligencia artificial de la red social, para calificar cada publicación en base al historial de comportamiento del usuario (interacciones). Las publicaciones con puntuaciones más altas tienen más probabilidades de ser recomendadas al usuario.
Este diseño elimina el método tradicional de extracción manual de características y, en su lugar, utiliza un enfoque de aprendizaje de extremo a extremo para predecir los intereses del usuario.
