Recientemente, los motores de búsqueda se están centrando en dar respuestas a preguntas específicas. Si por ejemplo ponemos “capital de Botswana” en la mayoría de los motores de búsqueda, nos mostrarán la respuesta correcta y nos proporcionarán vínculos a páginas de relevancia. Sin embargo la mayoría de los motores de búsqueda no sirven demasiado para preguntas un poco más abstractas, del tipo “¿Qué libro debería leer?” o “¿Qué puedo preparar de cena?”

Hunch, una página web que se lanza al público hoy, espera ser la respuesta a estas preguntas y a muchas otras.

Hunch comienza “allí donde los motores de búsqueda terminan,” según la cofundadora Caterina Fake, que previamente cofundó el sitio para compartir fotos Flickr, y más tarde trabajó en Yahoo Answers. Fake señala que un motor de búsqueda normal proporcionaría a un usuario interesado en comprar una cámara una serie de vínculos a cientos de páginas con opiniones críticas y comparaciones entre los últimos modelos. El usuario tiene que clasificar toda esa información y averiguar qué cámara es la más apropiada.

Por el contrario, Hunch hace una serie de preguntas simples y de múltiples respuestas, incluyendo “¿En qué tipo de fotografía está interesado?,” “¿Desea una tipo ‘apunta y dispara,’ una SLR, o una cámara Rangefinder?,” y “¿Cuánto zoom necesita?” antes de recomendar un modelo específico.

El sitio ofrece recomendaciones personalizadas para todos los tipos de preguntas. Aunque muchas de las preguntas que actualmente están en la página son muy desenfadadas, por debajo se esconde un tipo de tecnología informática muy avanzada.

Después de que el usuario crea una cuenta y entra en Hunch, lo siguiente consiste en responder una serie de preguntas dentro de una sección etiquetada “Enséñale a Hunch Cosas Acerca de Ti.” A medida que el usuario responde estas preguntas, Hunch construye una serie de datos en las que basar las recomendaciones que luego hará.

Para poder afinar estas recomendaciones, Hunch equilibra las respuestas del usuario con preguntas con información obtenida de su perfil. Los usuarios pueden indicar si las recomendaciones de Hunch fueron buenas o no, y esta información ayudará a ajustar los factores en los que se basan los algoritmos del sitio.

Fake cree que muchos de los sistemas de recomendaciones actuales, tales como los de Amazon o Netflix, tienen problemas porque los datos que recogen están relacionados con un abanico de temas más amplio. Cree que el problema es que sólo funcionan a base de la clasificación que los usuarios hacen de libros o películas. “El hecho de que te gustase Napoleon Dynamite puede que esté relacionado con el hecho de que jugases mucho al pinball de pequeño,” afirma Fake.

Fake considera que Hunch es un gran experimento, aunque su éxito dependerá de la voluntad de los usuarios para generar nuevos contenidos en la web y para entrenar a los algoritmos mediante la evaluación de sus resultados. Aunque la compañía ya ha instalado varias preguntas y temas en el sitio, la mayoría de lo que hay ahora ha sido añadido por los usuarios durante la fase beta de pruebas, afirma Fake.

Además de evaluar si un resultado ha sido útil o no, los usuarios pueden sugerir otras recomendaciones o mejorar las encuestas. Se pueden añadir nuevas preguntas temáticas dentro de un área “taller”. En esta área las preguntas se desarrollan hasta que los votos de los usuarios determinan que son lo suficientemente precisas como para ser compartidas en el sitio ampliamente.

John Riedl, profesor de ciencias informáticas de la Universidad de Minnesota, dedicado al estudio de los sistemas de recomendación y la colaboración en red, afirma que Hunch aborda un problema fascinante, uno en que los investigadores académicos llevan trabajando durante mucho tiempo. Los ordenadores son estupendos para crear juegos del tipo 20 Preguntas, afirma; Hunch, sin embargo, trata con problemas mucho más amorfos. Una misma pregunta puede tener docenas de posibles resultados, y la información que proporciona el usuario puede que no ayude al ordenador a distinguir claramente entre las distintas opciones.

Un problema principal, afirma Riedl, será ver si el sitio es capaz de construir una base de voluntarios que estén dispuestos a hacer contribuciones. Mientras que aquellos proyectos que dependen de contenidos generados por los usuarios—tales como Wikipedia—representan “alguno de los grandes logros de nuestro tiempo,” Riedl afirma, Hunch pide demasiado de sus usuarios.

Aún está por ver cómo podría generar dinero, aunque Fake afirma que los beneficios de Hunch llegarán a partir de los vínculos esponsorizados que aparezcan junto a los resultados. O, si Hunch recomienda una marca particular de ordenador portátil, el sitio puede que se lleve una comisión por la recomendación y el usuario termina comprando el aparato. Sin embargo, Fake afirma que la publicidad sólo aparecería después de que el resultado se generase y no influenciaría los productos que el sitio sugiere.

Mientras que el sitio mejora, Fake espera que los resultados vayan siendo cada vez más intuitivos, apropiados, e incluso un poco misteriosos. Según afirma, “quiero que sea una experiencia similar a la de usar la Bola 8 Mágica.”