Vi siete mai chiesti perch\u00e9, dopo aver guardato un video su YouTube sulla riparazione di una vecchia Fiat 500, vi vengono suggeriti altri dieci video sulle auto italiane? O come mai Spotify indovina il vostro umore in una piovosa serata a Milano? Non \u00e8 magia n\u00e9 sorveglianza. \u00c8 opera degli algoritmi di raccomandazione: ingranaggi digitali invisibili che analizzano le vostre azioni, le confrontano con quelle di milioni di altri utenti e prevedono cosa potrebbe piacervi. Oggi, questi sistemi governano non solo la musica e i film, ma anche le notizie che leggete, i prodotti che acquistate su Amazon e persino le persone che incontrate sulle app di incontri. E la cosa pi\u00f9 interessante \u00e8 che quasi mai vi accorgete della loro presenza.<\/p>\n
La maggior parte dei sistemi di raccomandazione moderni si basa su due approcci: il filtraggio collaborativo e il filtraggio dei contenuti. Il primo si basa sul principio “a chi \u00e8 piaciuto questo \u00e8 piaciuto anche questo”. Il sistema cerca utenti con cronologie di visualizzazione simili e suggerisce contenuti che hanno gi\u00e0 apprezzato. Ad esempio, se ascolti Manu Ciao e rap italiano, l’algoritmo trover\u00e0 altri fan dello stesso genere musicale e ti suggerir\u00e0 brani che ascoltano anche loro, anche se non li hai mai sentiti nominare. Il secondo filtro, quello dei contenuti, analizza le propriet\u00e0 dell’oggetto stesso: genere, ritmo, tono, attori e parole chiave. Netflix, ad esempio, categorizza i film in migliaia di micro-generi, come “drammi italiani emozionanti degli anni ’90 con protagoniste femminili forti”.<\/p>\n
Ma come fa il sistema a conoscere le tue preferenze se non esprimi un voto esplicito? Raccoglie “tracce digitali”: quanti secondi hai guardato il video, se hai mandato avanti veloce, se ti \u00e8 piaciuto o, al contrario, se hai cambiato traccia dopo 10 secondi. Gli algoritmi di TikTok sono famosi per la loro capacit\u00e0 di catturare l’attenzione mostrandoti esattamente cosa suscita emozioni. Analizzano persino la velocit\u00e0 di scorrimento e se ti soffermi su un fotogramma. In Italia, dove i social media sono incredibilmente popolari, milioni di persone “addestrano” queste reti neurali ogni giorno senza nemmeno rendersene conto. E le aziende ne traggono vantaggio: pi\u00f9 accurata \u00e8 la raccomandazione, pi\u00f9 a lungo l’utente rimane sulla piattaforma.<\/p>\n
Il problema \u00e8 che i sistemi di raccomandazione creano delle “bolle di filtraggio”. Se l’algoritmo rileva che l’utente preferisce determinate opinioni politiche o generi musicali, smette di mostrargli alternative. Col tempo, il suo mondo informativo si restringe in un feed omogeneo, senza spazio per la casualit\u00e0. Questo \u00e8 particolarmente evidente negli aggregatori di notizie italiani: chi legge un giornale non vedr\u00e0 titoli di un altro schieramento. Agli algoritmi non interessa la crescita dell’utente; il loro obiettivo \u00e8 massimizzare il tempo di coinvolgimento. Le ricerche dimostrano che le persone sono pi\u00f9 propense a cliccare su titoli emotivi e provocatori, quindi il sistema inizia a proporli.<\/p>\n
<\/p>\n
Come contrastare questo fenomeno? Il modo pi\u00f9 semplice \u00e8 quello di “interrompere” periodicamente l’algoritmo. Cercate specificamente contenuti che di solito non guardate. Ascoltate l’opera se siete amanti del rock. Leggete notizie da una pubblicazione sconosciuta. Cercate una parola a caso. Questo “riaddestra” il sistema e amplier\u00e0 il vostro feed. Alcune piattaforme, come YouTube, offrono una funzione di “cancellazione della cronologia di visualizzazione”, che aiuta anche a resettare i pregiudizi accumulati. Tuttavia, \u00e8 importante ricordare che, dopo aver cancellato la cronologia, il sistema mostrer\u00e0 contenuti casuali per un certo periodo di tempo, fino a quando non avr\u00e0 accumulato nuovi dati.<\/p>\n
Nel mondo professionale, le aziende italiane utilizzano gli algoritmi di raccomandazione non solo per l’intrattenimento. Grandi catene di distribuzione come Esselunga o Unieuro analizzano i tuoi acquisti per offrirti sconti su articoli che acquisterai con una probabilit\u00e0 dell’80%. Le banche li utilizzano per prevedere se richiederai un prestito. E i servizi di consegna di cibo a domicilio (Just Eat, Glovo) classificano i ristoranti in base ai tuoi ordini precedenti e all’orario. Pensi di scegliere tu stesso, ma in realt\u00e0 la scelta viene ristretta da poche righe di codice. E questo non \u00e8 necessariamente un male: anche la comodit\u00e0 ha il suo valore. Ma tutti dovrebbero essere consapevoli che i propri gusti vengono plasmati da una macchina.<\/p>\n
Il futuro delle raccomandazioni risiede in modelli ibridi con elementi di intelligenza artificiale in grado di comprendere il contesto. Immaginate il vostro smartphone che sa che oggi a Roma siete stanchi dopo una giornata di lavoro, che il tempo \u00e8 nuvoloso e vi suggerisce una commedia leggera invece di un film d’azione. Oppure che sapete di avere un appuntamento e Spotify crea una playlist che piacer\u00e0 a entrambi. La tecnologia \u00e8 gi\u00e0 a un passo. Ma per ora, rimaniamo intrappolati in una matrice invisibile, dove ogni nostra azione \u00e8 un enigma per un’enorme macchina computazionale. Osservare tutto ci\u00f2 non \u00e8 solo affascinante, ma anche utile: comprendendo le regole del gioco, si pu\u00f2 giocare alle proprie condizioni.<\/p>\n","protected":false},"excerpt":{"rendered":"
Vi siete mai chiesti perch\u00e9, dopo aver guardato un video su YouTube sulla riparazione di una vecchia Fiat 500, vi vengono suggeriti altri dieci video sulle auto italiane? O come…<\/p>\n","protected":false},"author":2,"featured_media":108,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[29],"tags":[],"class_list":["post-107","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-tecnologia"],"_links":{"self":[{"href":"https:\/\/velvet-glint.com\/index.php?rest_route=\/wp\/v2\/posts\/107","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/velvet-glint.com\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/velvet-glint.com\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/velvet-glint.com\/index.php?rest_route=\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/velvet-glint.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=107"}],"version-history":[{"count":1,"href":"https:\/\/velvet-glint.com\/index.php?rest_route=\/wp\/v2\/posts\/107\/revisions"}],"predecessor-version":[{"id":109,"href":"https:\/\/velvet-glint.com\/index.php?rest_route=\/wp\/v2\/posts\/107\/revisions\/109"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/velvet-glint.com\/index.php?rest_route=\/wp\/v2\/media\/108"}],"wp:attachment":[{"href":"https:\/\/velvet-glint.com\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=107"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/velvet-glint.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=107"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/velvet-glint.com\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=107"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}