Las recomendaciones sobre qué canciones deberíamos escuchar son cada vez más precisas y están más personalizadas. Las plataformas de streaming, grandes valedoras de la difusión masiva de repertorios musicales, utilizan algoritmos diseñados para acertar no solo con tus gustos, también con tu franja horaria, el lugar en el que vives o el estado de ánimo en el que te encuentras cuando le das al play. Todo esto de manera inmediata y comprimido a 320 Kbps.

Sergio Oramas es músico, formó parte de la banda Supertrópica y adopta ahora el nombre artístico Muyaio cuando le da por componer canciones a medio camino entre el folk sicotrópico de Devendra Banhart y la ironía dadaísta de Albert Pla. En definitiva, es un autor peculiar. No en vano, cuenta con una licenciatura en Musicología y una especialización en Composición de Jazz. Pero su historia va a más. Inquieto amante de los sonidos selváticos, Oramas empezó a programar con apenas siete años hasta que a los catorce descubrió la música y esta le borró de un plumazo toda pasión por la informática. Cosas de la edad. Afortunadamente, el tinerfeño acabó cediendo a la presión familiar y ahora puede vacilar de tener una licenciatura en Ciencias de la Computación y de trabajar como científico en Pandora/SiriusXM, líder en entretenimiento de audio en EE UU. También ha sido profesor adjunto de Machine Learning en la Universidad Pompeu Fabra y colabora cada año en la organización de Sónar+D, aunque realmente contactamos con él como creador de algoderitmo.com, una web para descubrir artistas independientes con un algoritmo de recomendación más justo. Y es que, aunque invierta la mayor parte de su tiempo trabajando para un gigante tecnológico, Serio Oramas esconde dentro un verdadero activista de la democratización digital.

Tengo 52 años, un coche coreano y me encanta The Velvet Underground. Si con estos datos tuvieras que recomendarme una banda española, ¿cuál sería y por qué?

Pues Los Planetas. Primero por la similitud sonora que hay entre las dos formaciones, siendo además conocido que Velvet Underground son una influencia fundamental para Los Planetas. Segundo, por tu edad, perfecta para haber vivido el comienzo de esa banda en la segunda mitad de los 90. Lo que menos información me da es lo del coche, aunque un modelo coreano me da arroja el dato clase media y Los Planetas encajan bien en ese sector demográfico.

Vaya, pues siento contradecir a tu algoritmo personal, pero no soy muy fan de Los Planetas.

Es que solo me diste un input [risas].

Has tenido una evolución muy curiosa. Con apenas siete años eras un freak de la informática y a los catorce descubriste la guitarra y abandonaste la programación. Al final, acabaste haciendo la carrera de Informática para luego pasar a estudiar música en profundidad.

He tenido épocas en las que he estado más centrado en la música y etapas más volcadas en la informática. A los 32 me dieron una beca de doctorado para ir al Music Technology Group de Barcelona. Entonces decidí dejar la música de lado para centrarme en la inteligencia artificial y así reconecté con la informática. Me saqué el doctorado, escribí un montón de artículos y empecé a trabajar para Pandora. Una vez logrado todo esto, llegó la pandemia, que cambió las cosas y de nuevo relancé mi carrera artística con un nuevo proyecto: Muyaio.

Trabajas como científico de datos y te habrá pillado de lleno el hype del algoritmo. La gente lo cita como si fuera un ente superior que conoce tus gustos, cuando realmente se trata de un conjunto de instrucciones ordenadas para procesar datos y solucionar problemas. ¿Estamos mitificando en exceso?

Sin duda. Un algoritmo de personalización es una máquina de operaciones estadísticas capaz de calcular la probabilidad de que te guste una canción u otra, por ejemplo. El cálculo se basa principalmente en los patrones de escucha de millones de usuarios y cuantos más, mejor funcionará. Pero estos algoritmos tienen puntos débiles, tienden a recomendar pocas canciones, son repetitivos, tienen sesgos y están optimizados para que pases el mayor tiempo posible en la plataforma, no para que crezcas como persona o ayudarte a conocer otros géneros o artistas. Sufren la tiranía de la mayoría y la mayoría es probablemente diferente a ti.

Parece que ahora se trata más de acumular datos de muchos perfiles similares en vez de dejarse llevar por ese colega melómano que te conoce y que sabe lo que podría gustarte. ¿Dónde quedó aquello de que el deep learning nos haría más libres?

Es lo que te comentaba, la tiranía de la mayoría. Los gustos se aplanan porque el algoritmo no está suficientemente personalizado, no te conoce lo suficiente. Realmente, el deep learning es lo que ha venido para salvarnos de eso. El mejor algoritmo de recomendación y que aún se usa mucho es el llamado matrix factorization, que ya estaba ahí antes que el deep learning y se basa solo en los patrones de escucha. El aprendizaje profundo, sin embargo, permite que para recomendar usemos cosas más allá de los patrones de escucha, combinándolos con el audio de las canciones, con las letras, con los metadatos. El problema es que gran parte de los oyentes no quiere descubrir música y el algoritmo de toda la vida, el matrix factorization, les funciona de perlas. Al final la mayoría es la que manda.

Como artista buscas abrirte camino en el océano de músicos emergentes. Para eso creaste tu propia arma: un algoritmo justo de recomendación musical.

Mi objetivo en el campo de la recomendación musical ha sido conseguir ayudar a artistas como yo para que puedan encontrar su público potencial. Lo he perseguido desde mi tesis doctoral, que iba sobre este tema, hasta mi trabajo actual en Pandora, donde trato de promover este tipo de enfoque. Por eso hice algoderitmo.com, para poder probar uno de estos algoritmos más justos.

¿Y cómo funciona esa web?

La diseñé con un objetivo egoísta: la promoción de mi canción “El algoritmo”. Digamos que me dije: ¿cómo podría mi yo científico, con un cierto estatus y reconocimiento, ayudar a mi yo artista, un pobre autor emergente ahogado en un mar de creadores? Y se me ocurrió montar un site para descubrir otros artistas emergentes haciendo lo que mejor se me da, un algoritmo de recomendación. En la web tú eliges un artista famoso que te guste y mi algoritmo te crea una playlist de nuevos artistas españoles similares al que has seleccionado. Y esa similitud se basa en una red neuronal que analiza el audio de las canciones del artista y las convierte en ese número mágico que pongo en el mapa.

Actualmente trabajas para una gran empresa como Pandora, un servicio de streaming musical con más de 50 millones de usuarios en EE UU y una radio por satélite que funciona en casi todos los automóviles del país. ¿No es mucha responsabilidad?

Bueno como somos unos cincuenta científicos trabajando allí, mi responsabilidad se diluye en el equipo. De hecho, cuesta que mis ideas acaben en el producto. Siempre trato de empujar para crear algoritmos que mejoren la recomendación de artistas emergentes, artistas long-tail, como los llamamos, y de hacer herramientas para dar el control de la recomendación al usuario. Pero estas dos cosas son difíciles de incluir en un producto consolidado con más de 50 millones de oyentes. Cualquier implementación tiene que estar supermedida y no debería afectar a la gran métrica por antonomasia, las horas en total que se consumen en la plataforma. Puede resultar que mi algoritmo sea la maravilla para el 10 % de los oyentes, pero al resto no le va a funcionar.

Tendrás entonces algoritmos para dar y regalar

Uf, me dedico a muchas cosas diferentes. Tengo algoritmos que analizan el audio, los patrones de escucha y los metadatos para extraer de todo eso un número mágico, un vector de coordenadas capaz de colocarme una canción o un artista en un mapa. Y para entrenar esos algoritmos tengo que programar, recopilar datos y prepararlos para entrenarlos, crear datasets donde evaluar qué tal funciona mi historia o ver qué puedo hacer para mejorar los resultados, los propios datos o la arquitectura de la red neuronal. Es una labor de ingeniería con computación en la nube, big data básicamente.