LinkedIn creó en 2006 la función "Personas que quizá conozcas". Su objetivo era razonable: a los usuarios les interesaría saber dónde trabajan sus viejos compañeros de universidad y ex colegas. Solo dos años más tarde, Facebook la copió, sin siquiera cambiarle el nombre. Poco después ya era responsable de "una parte significativa de los nuevos amigos en Facebook".

El número de amigos es clave para una red social. La gente que tiene más contactos la usa más tiempo y más a menudo. Hoy todas las grandes apps quieren engancharte con recomendaciones de más amigos, gente a quien seguir, personas que quizá conozcas o contactos de los que quieras saber la música que escuchan.

El algoritmo que busca a gente conocida es uno de los secretos mejor refinados de una red social. Pero también es el germen de grandes líos para muchos usuarios: allí le ha aparecido al marido el amante de la mujer, al paciente de una psiquiatra otros pacientes, a la trabajadora sexual con doble vida sus clientes más pasionales. No solo eso: a través de nuestros amigos una red puede saber nuestras creencias, orientación sexual o gustos. Ni siquiera es necesario que uno sea miembro de esa red social. Solo con aparecer en las redes de otros miembros puede ser suficiente.

A pesar de las quejas de privacidad y los problemas humanos que ha generado, las grandes empresas no ceden. Podrían retocar el algoritmo para que no fuera tan fino. Pero no: ahí está un nuevo compañero de trabajo días después de haber empezado, el conocido que hacía años que no veíamos y se nos cruzó el otro día o el médico que nos ha atendido.

Ahora llega una investigación, publicada por Nature, que es el primer recurso de una posible futura caja de herramientas para que los humanos sepamos responder y engañar a los algoritmos: "Es lo que en redes neuronales se llama un ataque adversario", dice Esteban Moro, investigador del MIT Media Lab y de la Universidad Carlos III, y uno de los autores. "Es un ataque para que el algoritmo falle más a la hora de recomendar a gente", añade.

¿Qué debemos hacer para crear uno de esos ataques? Borrar de tu lista de amigos a cinco personas clave. "Esos eslabones clave son los que están en la mayoría de los triángulos de tu vida. Puede hacerse una clasificación de cuáles de tus relaciones están en más triángulos. Si quitas las cinco primeras, el resto de relaciones quedan bastante perjudicadas", explica Moro. Y el algoritmo será menos eficaz.

Si por tanto cada cual elimina a las cinco personas más importantes de entre sus conexiones, el algoritmo perderá parte de su fiabilidad. No es evidentemente un remedio perfecto. Primero, el algoritmo seguirá intentando acertar a gente más o menos próxima. Y segundo, ¿qué cinco amigos son los más importantes? ¿Y si es mi jefa? ¿Quién quiere ganar privacidad a cambio de borrar a su jefa en LinkedIn? ¿O dejar de ver las actualizaciones de su pareja? ¿O ver qué dice esa persona tan influyente en su ámbito de interés?

"Hemos visto que tenemos que borrar aquellas relaciones con las que compartimos más amigos en común. Suena mal porque deberías borrar alguna relación con alguien con quien te llevas muy bien. La idea no es que dejes de ser amigo de esa persona, sino que dejes de demostrarlo. Eso haría que esas relaciones que el algoritmo puede detectar mediante esos amigos comunes sean más difíciles de encontrar", dice Moro.

Un motor clave

En 2008 en Facebook había unos 100 millones de personas. Ahora hay más de 2.000 millones. Ese "personas que quizá conozcas" ha sido uno de los grandes motores del crecimiento. En el post de 2008 en que Facebook anunció la función, el motivo era simple: esto te ayudará a saber qué amigos ya tienen Facebook.

El modo más sencillo del algoritmo es establecer conexiones con la lista de los contactos de cada usuario: "Si Jaime conoce a Jorge y Jorge conoce a Ana, es probable que Jaime conozca a Ana". Cuando esos triángulos entre dos amigos se entrelazan mucho, la amistad es más probable. El algoritmo de recomendación no se alimenta solo de los contactos –aunque es el principal. Las redes no dan detalles, pero a veces parecen salir "amigos" de viejos emails o mensajes.

Aunque en la salsa hay mucho más: "Los algoritmos de recomendación de amigos tienen muchos componentes. La estructural es la más importante. El 60% de recomendación de amigos vienes de con quién te relacionas. Otra grande son los gustos. Estas dos las más importantes. Más del 80% del algoritmo", dice Moro.

Este ataque adversario puede ser un beneficio personal, pero para que mejore nuestra relación general con los algoritmos le falta algo más: "Me recuerda a las pegatinas que se ponen activistas en la cara para distraer los mecanismos de reconocimiento facial. Puede engañar a la máquina, por lo menos hasta que la adapten con otros datos o métodos", dice David García, investigador en el Complexity Science Hub de Viena (Austria).

La información que dejan nuestros amigos es también importante para nuestro perfil: "Hay mucha información que está fuera de nuestro control. Con los 'perfiles en la sombra' un individuo tiene control nulo para eliminar contactos porque no está en la red social. La información es la que comparten nuestros amigos. Ahí estas herramientas no funcionarían por el hecho de que la privacidad en nuestra sociedad digital es un fenómeno complejo que se escapa del control que tiene un individuo sobre sus datos", explica García.
Necesitaríamos, añade García, que fuera algo masivo, como una vacuna que se inyecta al 90% de la sociedad para que a las redes les cueste más saber mucho de todos.

Un primer paso

Pero como primer paso tentativo y personal es atractiva. Los investigadores hicieron su experimento a partir de una base de datos de 829.725 llamadas entre 248.763 individuos. La cifra de 5 amigos que deberían desaparecer para eliminar conexiones sale a partir de unas redes que forman 30-40 amigos. Es probable que esas 5 amistades aumentaran en redes sociales reales con cientos de amistades.

Pero el método sería el mismo: elimina los eslabones clave de tu vida y añade ruido. "Es nuestra primera caja de herramientas para maximizar la privacidad. Cada uno de nosotros podríamos tener una serie de herramientas para ver cómo engañamos a los algoritmos de las redes sociales. No solo al de amigos, también al de recomendación de productos, al de publicidad", dice Moro.

Esta línea de investigación acaba de empezar. Algunos de los siguientes pasos son comprobar el valor de eliminar individuos cercanos para cada usuario y crear una herramienta para que cada cual pueda ver quiénes son los amigos que debería de eliminar: "Nos gustaría hacer una herramienta para enseñar a la gente cómo funciona el algoritmo en su red social y qué nodos debería borrar para que el algoritmo se confundiera más", explica Moro.

La literatura académica ya ha creado modos para que estos algoritmos funcionen peor. Pero deben aplicarlos las mismas redes sociales, que son quienes ven todos los datos. Por ahora no parecen tan interesadas en esta vía de proteger la privacidad de sus usuarios.

El  País