La tecnología de TrapIt tiene sus raíces en el proyecto CALO, surgido dentro de la institución de investigación independiente sin fines de lucro SRI. CALO es un ambicioso intento por ayudar a los ordenadores a comprender las intenciones de sus usuarios humanos. Una empresa anterior surgida de CALO, Siri, desarrolló un asistente de software inteligente capaz de realizar tareas simples, como por ejemplo la planificación de una salida noctu a mediante comandos de voz. Apple adquirió Siri en abril de 2010, aunque la tecnología aún no ha hecho su aparición en los productos de Apple.
TrapIt se basa en una parte diferente de la inteligencia de CALO. "El aprendizaje a partir de los datos es el tipo de propiedad en el que nos hemos centrado", afirma su director general y cofundador, Gary Griffiths. Griffiths explica que, a raíz del 11-S, las agencias del gobie o de EE.UU. consideraron que habían tenido acceso a datos que podrían haber predicho los ataques, aunque no sabían dónde buscarlos. DARPA financió CALO en parte para trabajar en este problema. El proyecto consistió en buscar formas de filtrar la información para encontrar aquella que pudiera ser más relevante para un tema dado, así como para aprender en función de la respuesta del usuario ante la información ofrecida. Esta es la tecnología que TrapIt está convirtiendo en un producto de consumo.
A primera vista, TrapIt podría parecer como cualquier otro sitio dentro de la Web 2.0. Después de registrarse, el usuario puede seleccionar entre una variedad de "trampas" existentes—colecciones de artículos relacionados con temas destacados o de tendencias, tales como el golfista Rory McIlroy, que acaba de ganar el Abierto de EE.UU. El usuario también puede crear nuevas trampas introduciendo algunas palabras clave y pasando por una pantalla de datos de entrenamiento.
Sin embargo, en ambos casos, las trampas pertenecen al usuario, y cambian sólo de acuerdo a sus gustos, incluso si fueron originalmente creadas por otra persona. Los algoritmos de TrapIt buscan entre cerca de 50.000 fuentes únicas de contenidos, analizando artículos para clasificar los tipos de información que contienen. (Las 50.000 fuentes fueron examinadas por seres humanos para filtrar las granjas de contenido y otros materiales de dudosa calidad). TrapIt combina esta información con el análisis de aprendizaje de máquinas de aquello en lo que el usuario ha hecho clic para recomendar nueva información.
nLos fundadores de TrapIt argumentan que este enfoque ofrece el equilibrio perfecto entre la casualidad y la precisión. Mientras que los motores de búsqueda recomiendan páginas web populares sobre un tema en particular, TrapIt está diseñado para hacer un mejor trabajo a la hora de encontrar contenidos menos populares, afirma Griffiths. Y aunque los medios sociales pueden proporcionar nuevos enlaces de interés, TrapIt utilizar más contenido y se asegura de que las recomendaciones permanecen estrechamente relacionadas con los intereses de los usuarios.
La compañía también ha dedicado mucho trabajo a la presentación de la página. Para cada una de las trampas, los algoritmos de la compañía extraen titulares e imágenes.
El equipo de TrapIt espera que los usuarios no sólo disfruten del sitio, sino que también entiendan que están obteniendo un beneficio proporcionado por una tecnología de peso pesado. Una gran cantidad de motores de recomendación funcionan de forma muy manual, asegura Frank Meehan, director general de la compañía móvil social INQ y miembro de la junta directiva de TrapIt. Por ejemplo, el botón "Me gusta" de Facebook depende de los clics de los usuarios para obtener información sobre los gustos de las personas. Fundamentalmente, según opina Meehan, el diseño de TrapIt revela la considerable cantidad de inteligencia artificial que reside bajo la interfaz. La muestra de trampas destacadas y de tendencias revelará el éxito de los algoritmos a la hora de seleccionar el contenido, afirma.
Los fundadores de TrapIt creen que el sitio podría financiarse con publicidad, aunque también tienen otras ideas sobre cómo generar ingresos. Por ejemplo, podrían ofrecer un servicio de pago especial a usuarios que quieran investigar temas especializados como derecho o biomedicina; esto podría incluir el acceso a contenidos por los que normalmente hay que pagar. La compañía también espera poder otorgar licencias de la plataforma a compañías de medios, que podrían utilizar la tecnología para crear paquetes personalizados de contenidos para sus abonados y otros usuarios.
Por ahora, sin embargo, Griffiths explica que la compañía sólo se centra en hacer que el sitio funcione bien. Durante las primeras pruebas, los usuarios vieron un promedio de 18 páginas por visita, una cantidad inusualmente alta. (Facebook, líder reconocido en este área, tiene un promedio de 24 páginas vistas por visita). Griffiths espera que la capacidad del sitio para captar la atención de las personas sirva para construir una base sólida de usuarios y atraer a anunciantes.
Daniel Tunkelang, dictor científico de datos en LinkedIn y experto en recuperación de información, afirma que la personalización a través del análisis de datos puede ser algo complementario a la personalización a través del análisis social. Tunkelag señala que, desde hace tiempo, los investigadores han considerado el desarrollo de sistemas de recomendación que usen métodos tanto sociales como basados en contenido para hacer recomendaciones.