Durante decadas, las recomendaciones de peliculas funcionaron de la misma manera: encontrar personas que les gustaron peliculas similares y sugerir lo que vieron despues. Este enfoque, llamado filtrado colaborativo, impulsa la mayoria de los motores de recomendacion. Funciona razonablemente bien, pero tiene un defecto fundamental: solo recomienda lo que ya es popular dentro de tu grupo.
El primer gran cambio vino con el filtrado basado en contenido. En lugar de mirar lo que otros usuarios vieron, estos sistemas analizan las peliculas en si. La limitacion: definir similitud a traves de metadatos es tosco.
Los embeddings vectoriales lo cambiaron todo. Al codificar peliculas como puntos en un espacio matematico de alta dimension (tipicamente 768 dimensiones), la IA puede capturar relaciones sutiles que los metadatos no detectan.
El clustering de gustos se basa en embeddings y reconoce que la mayoria de las personas no tienen un solo gusto. Usando algoritmos como K-Means, un sistema puede descubrir tus personas de gusto distintas.
La evolucion mas reciente es la Generacion Aumentada por Recuperacion (RAG), que combina busqueda vectorial con modelos de lenguaje grandes.
La tecnologia sigue evolucionando. Los desafios actuales incluyen el problema del arranque en frio, el sesgo de popularidad y el riesgo de camara de eco. Los mejores sistemas equilibran familiaridad con descubrimiento.