Un nuevo sitio de citas llamado Wings está tratando de ampliar los límites del aprendizaje de máquinas y los modelos estadísticos para conseguir mejores recomendaciones a la hora de buscar nuestra media naranja. A diferencia de los sitios basados en cuestionarios, Wings trata de comprender quiénes somos, y para ello recoge las migas de pan que dejamos dispersas por los medios sociales en Inte et. Entre las conclusiones interesantes: poseer un grupo muy unido de amigos en Inte et tiende a predecir qué tipo de persona nos podría gustar.
Lanzado en junio de 2009, Wings da una vuelta de tuerca al modelo de web de citas tradicional, como eHarmony como Match.com. Wings no nos pregunta acerca de nosotros mismos. Nos afirma quiénes somos. El servicio requiere una cuenta de Facebook, que utiliza para estudiar nuestra red social en Inte et, aunque también puede conectarse a nuestras cuentas de Netflix, Pandora, Last.fm, Twitter, y Foursquare para acceder a datos tales como el historial de alquiler de películas y los lugares donde hemos estado.
Todos esos datos se envían al motor de recomendación del servicio. El sistema combina modelos bayesianos, un tipo de análisis matemático que permite a los ordenadores hacer inferencias a partir de enormes conjuntos de datos, y el aprendizaje de máquinas, donde cuantos más datos se envíen al algoritmo, más "inteligente" se vuelve.
La idea es que el análisis de comportamiento hecho por el ordenador proporcione un análisis más rico en comparación con lo que decimos sobre nosotros mismos. "Es difícil responder con precisión a preguntas sobre uno mismo sin inclina os hacia la experiencia más reciente, al estado de ánimo actual, etc", afirma Sunil Nagaraj, presidente ejecutivo y cofundador de Triangulate, la compañía responsable de Wings.
Nagaraj fundó Triangulate con otros dos graduados de Harvard. La compañía recaudó 750.000 dólares en julio para ampliar y mejorar el servicio.
Dado que el servicio de citas utiliza un motor de recomendación en lugar de una búsqueda simple o un cuestionario, puede extraer algunas correlaciones interesantes y contrarias a lo que pensaríamos en un principio sobre aquello que nos lleva a encontrar un candidato o candidata ideal. Por ejemplo, señala Nagaraj, la densidad de nuestra red social resulta ser un factor importante. Si nuestro grupo de amigos de Facebook tiende a estar más estrechamente unido, lo que significa que nuestros amigos son a menudo amigos entre sí, es más probable que coincidamos con alguien que también tenga una estrecha red de amigos, en lugar de una asociación informal con personas conocidas.
Wings también ha encontrado que las parejas tienden a ser adecuadas si poseen porcentajes similares de amigos de su propio país frente a otros países. También importa si nuestro historial de alquiler de Netflix o la lista de reproducción de música sigue la corriente principal o se aleja de ella. Y aquellas parejas que en gran medida siguen al mismo tipo de personas en Twitter tienden a coincidir también.
nOtra compañía, IntroAnalytics, cuyo motor es utilizado por webs de citas como las gestionadas por las revistas FHM y Maxim, también han aplicado la tecnología de recomendación a las citas por Inte et. Aunque difiere de Wings en el sentido de que utiliza los datos proporcionados por los sitios a los que se otorga la licencia de su tecnología—como por ejemplo la información de perfil de usuario y los patrones de navegación. El cofundador de IntroAnalytics, Gavin Potter, afirma que este método es muy eficaz. En un sitio, por ejemplo, Potter descubrió que del 60 al 70 por ciento de la navegación de los usuarios empleó las recomendaciones formuladas por su tecnología, en lugar de la función de búsqueda, en la que la gente busca los rasgos que piensa que quiere.
Sin duda, la ciencia no puede agitar una varita algorítmica para encontrar la pareja perfecta. Los motores de recomendación desentrañan las correlaciones de enormes conjuntos de datos para hacer sugerencias más inteligentes, y no predicciones perfectas. Además el conjunto de datos nunca es perfecto. Nagaraj reconoce que Wings podría nutrirse de más flujos de datos para obtener una imagen más completa de una persona, y está trabajando para integrar más servicios por Inte et con Wings.
Otro problema es que las personas no son consistentes en sus opiniones, afirma Caterina Fake, cofundadora de un motor de recomendación web llamado Hunch, que intenta abordar las cuestiones que Google no responde fácilmente, como por ejemplo "¿Qué película debo ir a ver?". Fake da un ejemplo de cómo las personas cambian de opinión: "Podemos predecir que vas a dar cinco estrellas a una película, y justo después de verla, le otorgas cinco estrellas. Sin embargo un mes más tarde, es posible que vuelvas y la valores con tres estrellas, puesto que se ha desvanecido en la memoria".
Aún así, recoger y analizar datos sociales de la forma en que Wings lo hace podría ser una nueva rama en la evolución de aquellos servicios web dedicados a hacer recomendaciones inteligentes sin que se les tenga que decir algo dos veces—o incluso una sola vez.