Segundo Andersen (2004), em artigo21 publicado na revista Wired, a recomendação relaciona-se a uma reconfiguração na lógica de oferta e demanda da informação, que se delineia segundo a personalização do gosto em detrimento do fluxo
18 A criação e a distribuição gratuita na web do software Winamp para ouvir arquivos MP3 revolucionaram o consumo de música. Depois dele, diversos outros programas para download e upload de MP3 foram criados e distribuídos.
19 Winamp e Napster foram pioneiros no compartilhamento de músicas on-line. Sua tecnologia disseminou as práticas de intercâmbio de arquivos baseados em sistemas P2P entre usuário da web.
20 Do inglês peer-to-peer, que significa “par a par”, P2P é um formato de rede de computadores que descentraliza as funções convencionais de servidor e de usuário, e o computador de cada usuário conectado realiza as funções de servidor e de cliente simultaneamente.
21 Disponível em: <http://archive.wired.com/wired/archive/12.10/tail.html?pg=1&topic=tail&topic_set>. Acesso em: 1º ago. 2014.
mainstream. Além disso, de acordo com o autor, a recomendação favorece que os diversos produtos midiáticos fora do mainstream possam encontrar suas audiências específicas.
Também na Wired, quase dez anos depois, foi publicado o texto Why We Need to Tame Our Algorithms Like Dogs,22 de autoria de Dan Saffer, que, mesmo sem citar diretamente, atualiza a noção de Anderson (2004, 2006) a respeito da recomendação. Nesse texto, o autor faz uma analogia entre a domesticação de animais selvagens, que passam a fazer parte do ecossistema humano e coevoluem com os homens, e a mediação de diferentes algoritmos de recomendação na vida humana, que também demanda processos de coevolução entre homens e algoritmos.
Saffer (2014) enumera cinco grandes habilidades dos algoritmos: executam ações repetitivas em alta velocidade, têm boa capacidade de avaliação lógica em contexto de múltipla escolha, predizem o futuro, avaliam o passado e constatam fatores negligenciados e esquecidos nas análises. Para o autor, essas tarefas, habilmente executadas pelos algoritmos, são realizadas com dificuldade e com grande possibilidade de erros por humanos, uma vez que esses ainda gastam muito mais tempo para executá- las comparando-se com os algoritmos, que operam em milionésimos de segundos. A respeito dessas capacidades e habilidades, Saffer (2014) discute que, assim como os lobos selvagens evoluíram para cães domésticos, os algoritmos devem evoluir de forma a atender melhor às necessidades humanas.
A noção matemática de algoritmo pode ser considerada como uma espécie de simulação de um pensamento humano. Para Teixeira (1998), trata-se de tentativas de simular os modos pelos quais seres humanos procedem quando efetuam uma computação. Segundo esse autor, os experimentos iniciais que deram origem à noção de algoritmo tencionavam explicar os processos da mente humana pela simulação desses processos no computador e culminaram no desenvolvimento da noção de algoritmo a partir da máquina de Turing23.
De acordo com Teixeira (1998), a palavra “algoritmo” origina-se do nome do matemático persa al-Khowarizm, que redigiu um importante manual de álgebra no século
22 Disponível em: <http://www.wired.com/2014/06/algorithms-humans-bffs/>. Acesso em: 1º ago. 2014 23 Turing propôs a mecanização dos processos de raciocínio que podem ser representados por algoritmos. Segundo Skagestad (1996 apud RANSDELL, 2012), Turing considerava o ser humano como essencialmente indistinguível da máquina, e sua máquina representa um importante avanço nas pesquisas de Inteligência Artificial. A máquina de Turing foi descrita em 1935. Ver: TURING, Alan. On Computable Numbers, with an Application on the Entscheidungs problem. In: The Undecidable, Martin Davis (ed.), 116-154. Hewlett, NY: Raven Press, 1965.
IX. Exemplos de algoritmos, porém, já eram conhecidos antes desse livro, designando a ideia de um procedimento sistemático, algo como uma receita para fazer alguma coisa. Seguindo essa premissa, Turing concebeu o algoritmo como processo ordenado por regras, que descreve procedimentos a serem adotados para resolução de problemas.
Os sistemas de recomendação de música, de forma geral, oferecem a possibilidade de conhecer músicas valendo-se de processos de correlação de elementos, induções de perfis e grupos e constituição de gêneros e grupos, criados com base em regras prévias, além de outras estratégias que se relacionam às combinações dessas primeiras. Os algoritmos que operam o sistema de recomendação artificializam essas operações lógicas, agem tendo em vista o que foi determinado pelo código de programação de forma eficiente, adaptam-se ao entorno e contam com a possibilidade de autocorreção.
A capacidade dos sistemas em lidar com os gigantescos e diversificados bancos de dados musicais, que hoje circulam em alta velocidade, evidencia que a instância algorítmica da recomendação se torna cada vez mais associada à descoberta de músicas pelos usuários. A quantidade, bem como a diversidade da música disponível na internet, revela que a função de recomendação se torna cada vez mais necessária, seja para indicar lançamentos, preferências das audiências em contextos específicos, seja para indicar relações de similaridade entre artistas, de gêneros musicais e de perfis de gosto.
Considera-se que os sistemas de recomendação de músicas engendram relações imbricadas com os ouvintes à medida que as instâncias maquínicas e humanas tornam-se mais híbridas e os limites entre essas instâncias menos claros. Junto a esse estreitamento das relações na interface homem-máquina, evidente pelos agenciamentos entre algoritmos de recomendação e usuários das plataformas de streaming, são reconfigurados, além das tecnologias e seus protocolos, os instrumentos de armazenamento e circulação de músicas.
Sabe-se que as recomendações funcionam como atalhos que cortam os bancos de dados, percursos disponíveis nas interfaces. Tornam-se, assim, cada vez mais importantes, uma vez que a diversidade e a quantidade de informações disponíveis na internet são exponencialmente crescentes.
Do ponto de vista computacional, conforme Adomavicius (2005), o problema da recomendação pode ser formulado da seguinte forma:
Adomavicius (2005) explica que, considerando C como um conjunto de usuários e S o conjunto de itens possíveis a serem recomendados, U é a função que mede a utilidade de um item para cada usuário e é usualmente representada por uma avaliação de como um usuário particular gostou de um item particular. Entretanto, a utilidade geral pode ser uma função arbitrária. Cada elemento de C pode ser definido com base em um perfil do usuário, que inclui características como idade, gênero, estado civil, renda e outros, e, da mesma forma, o item no espaço S é definido tomando-se por base um conjunto de características desses itens.
Segundo Adomavicius (2005), o problema central da recomendação refere-se ao fato de que a utilidade não é definida no espaço total da relação C e S, mas apenas em alguns de seus subconjuntos. Isso significa que u, a função de utilidade de um item e sua relação com o usuário, precisa extrapolar os limites no espaço CxS. Assim, o sistema de recomendação deve estar apto a predizer as avaliações do que não foi avaliado nas combinações entre itens e usuários e emitir recomendações apropriadas valendo-se dessas predições.
Ultrapassar os limites das avaliações conhecidas para atingir as avaliações desconhecidas é a meta do algoritmo. Uma vez que avaliações desconhecidas são estimadas, as recomendações vigentes de um item para um usuário são feitas selecionando a mais alta avaliação dentre todas as avaliações estimadas para aquele usuário. Alternativamente, podem-se recomendar os melhores itens para um usuário ou um conjunto de usuários para um item.
Conforme Adomavicius (2005), os sistemas de recomendação são usualmente classificados nas seguintes categorias, que se baseiam em como as recomendações são feitas:
- Recomendação baseada no conteúdo – são recomendados ao usuário itens similares aqueles que o usuário preferiu no passado.
- Recomendação colaborativa – são recomendados ao usuário itens que pessoas com gosto similar gostaram no passado.
- Recomendação híbrida – consiste em combinar os dois anteriores de forma a melhorá- los.
A fim de recomendar um item para um usuário, o sistema de recomendação baseado em conteúdo tenta entender os aspectos comuns, bem como as semelhanças entre os itens avaliados pelo usuário no passado. Assim, apenas itens que tenham um alto grau de similaridade serão recomendados. Esse sistema tem como vantagens a simplicidade
para dados textuais e não necessita de muitas informações sobre um usuário para sugerir itens.
São difíceis de aplicar em contextos multimídia e podem se tornar repetitivos, o que impede o usuário de conhecer novos itens, como discute Adomavicius (2005). Além disso, como não têm nenhum conhecimento prévio a respeito do usuário, lidam com o problema denominado cold start na computação, que se refere às dificuldades de recomendação no início dos processos de interação, quando o usuário acaba de fazer seu cadastro no sistema e ainda não deixou os rastros de suas preferências e gostos.
Ao contrário de métodos de recomendação baseados em conteúdo, sistemas de recomendação colaborativos, ou sistemas de filtragem colaborativa, tentam predizer a utilidade de itens para um usuário particular baseados em itens previamente avaliados por outros usuários, conforme Adomavicius (2005). As informações sobre o perfil do usuário podem ser elicitadas explicitamente através de questionários ou implicitamente aprendidas com base no comportamento do usuário durante a interação.
Os ratings ou avaliações dos usuários constituem-se como as formas pelas quais os usuários expressam suas preferências por meio dos registros nas interfaces. Os ratings podem ser explícitos, quando o usuário seleciona uma música como favorita, por exemplo, ou implícitos, quando aumenta ou diminui o volume durante uma faixa específica, por exemplo, mas não sabe, nesse caso, que essa ação expressa sua preferência para o sistema.
Para recomendar itens, o sistema de filtragem colaborativa tenta encontrar os usuários “peers”,24 que tenham gostos parecidos, o que é observado pelo modo como os usuários “avaliam” as recomendações. Assim, apenas os itens mais bem avaliados pelo “peer” do usuário serão recomendados a ele. Ou seja, analisa-se a vizinhança musical considerando a seguinte regra: "Se um usuário gostou de A e de B, outro usuário que gostou de A também pode gostar de B", como discute Adomavicius (2005). Esse tipo de recomendação evita o problema de recomendações repetitivas, mas requer grande número de informações sobre o usuário e sua vizinhança para funcionar precisamente.
Fernanda Bruno (2012) aborda a criação de perfis decorrentes das correlações em bancos de dados com base em instâncias algorítmicas como dispositivos de controle. Na concepção da autora, os bancos de dados mineram informações para gerar categorias supraindividuais ou interindividuais por meio do reconhecimento de padrões de afinidade
e similaridade entre seus elementos. Segundo Bruno (2012), o conhecimento que se extrai da mineração de dados não segue processos dedutivos ou baseados em hipóteses previamente formuladas, mas a processos indutivos baseados em algoritmos que extraem padrões e regras de correlação entre elementos. De acordo com Bruno (2012), a lógica maquínica do profiling, ou criação de perfis, baseia-se em correlações que não exprimem um nexo causal nem explicativo entre os elementos, mas correlações e estimativas de probabilidades de ocorrência, da ordem de regras. Por isso, os bancos de dados são máquinas individualizantes na sua concepção. Ela denomina individualização algorítmica a esse processo.
As classes de algoritmos de recomendação são: filtragem colaborativa, que pode ser baseada nos itens, ou seja, item based, descreve a similaridade entre itens, e user based, descreve a similaridade entre usuários pela vizinhança musical; user clustering e item clustering, baseadas no agrupamento de usuários e/ou itens em clusters; matrix factorization, recomendação baseada em conteúdo, que não leva em conta os ratings expressados por outros usuários, mas apenas a recomendação de itens similares aos itens pelos quais o usuário demonstrou interesse; recomendação baseada em contexto, que utiliza informações sobre o ambiente, tais como localização geográfica, identidade dos usuários, e outros.
Considerando as diversas classes de algoritmos, suas possíveis combinações são também numerosas. Como alternativa à superação das limitações de cada um dos sistemas de recomendação é uma estratégia comum misturá-las, de acordo com Adomavicius (2005). Na ecologia midiática de streaming aqui investigada, os processos de recomendação diferem de um ambiente midiático a outro, embora, de modo geral, se refiram a uma forma híbrida de mediação baseada em certos padrões normativos. As ações humanas e maquínicas são interdependes nos processos de recomendação, impactando-se mutuamente.
De acordo com Bruno (2012), a ação do sistema de recomendação relaciona- se à forma como a mediação tecnológica se torna mais evidente, ou proativa, como prefere a autora. Trata-se, em nosso entendimento, de compreender a recomendação como um processo híbrido de mediação que, junto ao compartilhamento e à arquitetura multiplataforma, incide decisivamente no modo pelo qual a música circula nas conexões de mídias digitais que conformam a ecologia midiática de streaming.
“One good thing about music when it hits you, you feel no pain”.
3. MEDIAÇÕES HÍBRIDAS NA ECOLOGIA MIDIÁTICA DE