RIESGOS DEL USO DE LA IA EN PLANIFICACIÓN DE MEDIOS

Enrique Díaz, nuestro director de Estrategia Digital e Innovación, explora en su artículo para Dircomfidencial los inconvenientes de la IA en nuestro sector

No descubro nada si digo que la inteligencia artificial (IA) está transformando la industria de la publicidad, y la planificación de medios no es una excepción. La IA permite a los planificadores automatizar tareas, optimizar campañas y obtener información más precisa sobre las audiencias. Pero, en este momento, quizá haya que dar un paso atrás y tener en cuenta no sólo sus pros, que son muchos, sino también sus contras, especialmente en materia de sesgos.

No olvidemos que detrás de una IA hay siempre personas que la diseñan y la entrenan. Los sesgos en la IA son errores o desviaciones en los resultados de un sistema inteligente que se originan en los datos utilizados para entrenarlo o en su propio diseño. Estos sesgos pueden ser conscientes, a medio y largo plazo evitables o modificables; o inconscientes, estos mucho más onerosos. En cualquier caso, pueden tener un impacto significativo en las decisiones que toma la IA y, por tanto, en los resultados de las campañas. Y eso en AVANTE lo tenemos muy presente. 

Cuando empezó a ponerse de moda la compra programática, recuerdo debatir con muchos directores de Marketing sobre la necesidad de dar la suficiente libertad al sistema de machine learning para encontrar la audiencia más reactiva y observar cómo ésta no se parecía al público objetivo inicial de la campaña. Pero, existen otros ejemplos de sesgos más difíciles de entender, quizá derivados de la falta de transparencia en el diseño y actuación de estos modelos. 

Un ejemplo es el del sesgo de confirmación. Estos modelos están diseñados para buscar audiencias con una potencial reactividad sobre las campañas. Se basan en históricos y uno de sus campos es, obviamente, el de buscar personas que ya han mostrado interés en un producto o servicio. Pero, ¿qué ocurre si este interés es ficticio? Puede parecer extraño, lo sé, pero pensad en la cantidad de granjas de clicks que existen, en los modelos de cashback, en las empresas que pagan por dejar reviews, en los clicks generados por robots a los que nos enfrentamos en cada campaña… Esta base errónea de información se convertirá en un efecto de bola de nieve que sólo si estamos atentos podremos corregir. 

¿Cómo actuar entonces ante este riesgo? Utilizando datos de entrenamiento imparciales, pero ¿existe esa imparcialidad?, ¿estamos capacitados para detectarlos?, ¿contamos con un volumen suficiente de datos de entrenamiento para, tras limpiarlos, poder usarlos de forma efectiva? Otra solución es auditar los sistemas de IA. Quizá esto sea más viable, siempre y cuando dispongamos de una capacidad de inversión en tiempo y en dinero suficiente, pero al igual que ocurre en los modelos de MMX (de medición mixta), sí podemos comparar los resultados dados por la IA con la realidad observable y, a partir de ahí, detectar sesgos que estén afectando a los resultados.

Pero hay otros riesgos más allá de la aplicación de sesgos. Quizá el principal esté en la escala. Para crear IAs realmente efectivas, necesitamos un gran volumen de información, pero no todos los anunciantes disponen de inversión en medios suficiente como para crear estos grandes repositorios de datos. Más aún si para entrenar a los modelos de IA no es suficiente con nutrirlos de datos, también hay que aportarles información sobre el contexto de la campaña y los resultados obtenidos.

La IA es un gran aliado, sin duda, pero siempre en combinación con la inteligencia humana, aunque sólo sea, como dice el dicho, porque “el diablo sabe más por viejo que por diablo”. Nosotros como planificadores disponemos de un aprendizaje que muchas IAs aún no tienen y que no llegarán a tener en mucho tiempo, y porque esos sesgos se ven limitados al trabajar en equipo con profesionales que han obtenido diferentes experiencias en la gestión de campañas.

También te puede interesar…