:format(jpeg)/www.elespectador.comhttp://thumbor-prod-us-east-1.photo.aws.arc.pub/MKJei4fxle6thl9GxWcjb8Rwy1o=/arc-anglerfish-arc2-prod-elespectador/public/VJEQCCUMEFDBDGUWKQDXH42CBA.jpg)
Con más de 2.000 cursos en línea y 26 millones de usuarios globales, uno de los problemas de Coursera, uno de los mayores sitios de aprendizaje en internet, es el tamaño de su plataforma, la escala de su propio éxito. ¿Cómo seguir siendo relevantes de cara a cada usuario? ¿Cómo saber que cada persona en el servicio encontrará el curso que necesita justo para lo que necesita aprender?
De cierta forma, estas son las mismas preguntas que se hacen otros servicios que nada tienen que ver con educación, pero que buscan satisfacer necesidades personalizadas, gustos individuales. Piense acá en servicios como Spotify, Apple Music o Netflix, que le sugieren constantemente qué escuchar o ver para facilitar el proceso de descubrimiento y uso de mundos con un vasto catálogo de contenido.
Por eso no resulta extraño que, para solucionar estos retos, Coursera esté tomando el uso de algoritmos y la automatización de sugerencias al usuario para seguir siendo relevante de cara al crecimiento en personas y contenido en su plataforma.
Tampoco resulta extraño que Tom Willerer, una de las personas que realizó este cambio masivo en el interior del sistema, haya trabajado en Netflix anteriormente. Willerer es actualmente el jefe de producto de Coursera y fue uno de los encargados de diseñar una fórmula para sugerirles contenido a los usuarios del sitio, junto con Emily Glassberg Sands, quien maneja el área de data science en la plataforma.
Pero una cosa es sugerir películas o música, pues ambos productos están asociados con el gusto del individuo y, por ende, se pegan de variables como géneros, reproducciones de contenido similar y así. Y otra es aplicar una lógica similar a cursos universitarios en línea, pues muchas veces no sólo es cuestión de gusto, sino de necesidad. Los usuarios de Coursera entran masivamente a la plataforma para aprender, porque ese conocimiento les es útil, porque lo necesitan.
“Entendimos que lo que queremos es ayudar a construir la carrera de nuestros usuarios, a mejorarla. Y desde esa visión, la variable que más nos importaba son las habilidades. Una persona que quiere ascender en el mundo del aprendizaje de máquinas probablemente necesita mejorar en álgebra lineal, por ejemplo. Álgebra lineal, entonces, es una habilidad para nosotros y así podemos entregar mejores y más clases que realmente traten el tema”, cuenta Willerer.
Para poner en marcha este ambicioso sistema, el equipo de Glassberg tuvo que diseñar una suerte de mapa madre sobre las habilidades más buscadas en Coursera: cuáles están presentes en qué cursos y eso cruzarlo con el consumo de cursos educativos por parte de los usuarios. “Se trata de etiquetar el contenido, de la misma forma que se hace en otros sitios, sólo que acá tenemos el reto añadido que las habilidades que buscamos encontrar en un curso a veces están en la descripción del contenido como tal, pero a veces no. En otras ocasiones resulta que una lección que prometía álgebra lineal no tiene tanto como otra que estaba marcada como análisis estadístico. Buena parte de lo que hacemos está automatizado, pero en este punto es clave la participación de los usuarios. Sólo ellos nos pueden llevar a las mayores correcciones en los algoritmos”.
Entonces, por ejemplo, una lección que se denomina álgebra lineal, pero que termina siendo de otra cosa puede recibir una valoración inicial muy alta en el sistema y ser sugerida constantemente a quienes están interesados en esta habilidad. Pero su falta de consulta es una señal para que el algoritmo la baje en la lista de prioridades y deje de mostrarla con tanta prominencia.
El mapa de habilidades opera en cada uno de los lenguajes que ofrece la plataforma, lo que le añade un nivel de complejidad extra a la plataforma. “La ubicación geográfica de la persona determina cuál set de datos cargará la plataforma para él, cuál será el idioma del sistema de recomendaciones que le proveeremos. Ahora, en cada idioma también se hacen consultas hacia otras lenguas y esos cambios y preferencias también enriquecen la experiencia propia de cada base de datos. Por ejemplo, una persona que busque álgebra linear puede recibir también recomendaciones en inglés porque suficientes usuarios en su idioma consultaron y encontraron satisfactorias las lecciones en otra lengua”, dice Glassberg.
El trabajo en la plataforma comenzó luego de una serie de reuniones en las que las cabezas del sitio se sentaron para definir cuál es el rol que éste cumple en la vida de sus usuarios. “Rápidamente entendimos que no sólo se trata de proveer contenido, sino de aspirar a cambiar las carreras de las personas que nos consultan. Una vez tuvimos clara esta idea, fue casi natural pasar al modelo de recomendaciones por habilidades”, cuenta Willerer.
Aunque no provee métricas específicas, Glassberg califica este cambio como uno de los más relevantes hechos en la plataforma y asegura que sus ramificaciones se extenderán hacia el futuro, a la forma como la plataforma continúa mejorando los métodos de búsqueda y descubrimiento de contenido.