Benvenuto nella rubrica Tech Explained!
Rispetto ai primi esempi risalenti agli anni ‘90, le più recenti applicazioni di dating online presentano funzionalità decisamente avanzate (la prima piattaforma di successo di dating online su internet fu Match.com, servizio lanciato nel 1995 ed ancora oggi attivo); l’intelligenza artificiale ha giocato un ruolo chiave in questa trasformazione, permettendo a piattaforme come Tinder, OkCupid e Bumble di offrire esperienze personalizzate e sicure agli utenti.
Di seguito si vedrà come varie tecnologie riconducibili all’area dell’intelligenza artificiale stiano facendo la differenza in questo settore. Dunque:
- Matchmaking personalizzato: una delle principali funzionalità per le quali vengono impiegate soluzioni di intelligenza artificiale è il “matchmaking”, principale responsabile dell’avvicinamento, all’interno della piattaforma di dating in questione, di utenti potenzialmente compatibili. Rispetto ai primordi del dating online, quando venivano utilizzate rigide regole deterministiche per l’abbinamento di profili potenzialmente compatibili, ora vengono impiegati modelli di Machine Learning, generalmente supervisionato (non hai mai sentito parlare di Machine Learning supervisionato? Leggi il nostro articolo sull’argomento!), i quali sono addestrati su moltitudini di dati multimodali (per “dati multimodali” s’intendono informazioni che provengono da diverse modalità sensoriali o di input, come ad esempio testo, immagini, audio, video, segnali biologici, etc.) riguardanti gli utenti (ad esempio passioni, interessi vari, caratteristiche fisiche, like e interazioni con altri utenti, azioni che evidenziano determinate attitudini comportamentali, etc.) al fine di realizzare la capacità di associare un determinato profilo ad un altro ad esso il più possibile affine. Le moderne app di dating basano gran parte del loro successo su modelli di Machine Learning in grado di analizzare enormi quantità di dati e proporre agli utenti “match” sempre più pertinenti ed efficaci. Tinder, ad esempio, utilizza un algoritmo chiamato “collaborative filtering”, il quale implementa soluzioni di Machine Learning in grado di suggerire all’utente profili potenzialmente compatibili sulla base dei suoi like, dei comportamenti e delle preferenze emerse durante l’utilizzo dell’applicazione (come i vari “swipe a destra” o il tempo trascorso a guardare determinati profili) e delle statistiche relative alle interazioni intrattenute con altri utenti. Al fine di migliorare l’efficacia delle funzionalità di matchmaking, inoltre, sono anche impiegati modelli di Machine Learning non supervisionato, come gli algoritmi di clustering (tipicamente algoritmi di clustering partizionale come il K-Means), al fine di raggruppare gli utenti in base a innumerevoli loro caratteristiche raggruppandoli in categorie di elementi simili (non hai mai sentito parlare del Machine Learning non supervisionato e degli algoritmi di clustering? Leggi il nostro articolo sull’argomento!).
- Sicurezza e moderazione: l’utilizzo dell’intelligenza artificiale si rivela determinante anche in tema di sicurezza. Le moderne app di dating implementano infatti raffinate soluzioni finalizzate al monitoraggio di comportamenti inadeguati al contesto ed all’identificazione di profili falsi. Per quanto riguarda il monitoraggio del comportamento, tipicamente vengono impiegate soluzioni di “anomaly detection” le quali, come suggerisce il nome, sono finalizzate ad identificare eccezioni comportamentali (o, per meglio dire, anomalie) rispetto ai normali modelli d’interazione tra gli utenti. Gli algoritmi di anomaly detection implementano tipicamente, dal punto di vista del Machine Learning, un approccio misto di apprendimento supervisionato e non supervisionato. Modelli di clustering sono spesso utilizzati per categorizzare determinate modalità comportamentali, isolando quelle che si discostano dalla norma. Ad esempio, se un utente manda un elevato numero di messaggi rispetto alla media o utilizza un linguaggio insolito, il pattern comportamentale ad egli associato può non essere riconducibile a nessuno dei cluster identificati dall’algoritmo di clustering durante la fase di training e di conseguenza bollato come anomalo. Questo non significa necessariamente che l’utente in questione stia adottando un comportamento inadeguato, offensivo o in qualche modo fraudolento (potrebbe semplicemente trattarsi di un personaggio un po’ eccentrico) ed è per questo motivo che, nell’ambito dell’anomaly detection, ad algoritmi non supervisionati di clustering sono affiancati algoritmi supervisionati basati su modelli di Machine Learning come ad esempio le classiche reti neurali feed-forward. Una volta isolato un comportamento anomalo, il caso può essere passato ad un modello supervisionato in grado, eventualmente, di ricondurlo ad altri specifici comportamenti inadeguati (conosciuti dal modello durante la fase di training). Più di recente, grazie ai grandi progressi realizzati nell’ambito del Natural Language Processing, al fine di rilevare comportamenti inappropriati nelle interazioni testuali sono spesso utilizzati avanzati modelli di Machine Learning come i “Large Language Models” (LLMs). Modelli come BERT e ChatGPT sono infatti in grado ora di comprendere con elevatissima precisione il contesto ed il linguaggio umano, potendo quindi essere sfruttati efficacemente come strumenti di sentiment analysis per rilevare con notevole raffinatezza interazioni offensive, razziste, minatorie, o violente in generale (non hai mai sentito parlare degli LLMs? Leggi il nostro articolo sull’argomento!). Per quanto riguarda l’identificazione di profili falsi o in generale sospetti, una classica soluzione vede l’impiego di modelli di riconoscimento delle immagini i quali, se opportunamente addestrati, garantiscono con un alto livello di affidabilità probabilistica, ad esempio, il riconoscimento di foto profilo fasulle, riducendo così il problematico fenomeno noto come “catfishing” (il “catfishing” è una truffa online in cui una persona finge di essere qualcun altro per ingannare e manipolare altre persone, spesso in contesti romantici o di amicizia virtuale). Tali modelli si basano tipicamente sulle reti neurali convoluzionali (in inglese “Convolutional Neural Networks” – CNN), particolari architetture di Machine Learning ottimizzate per la classificazione di dati fotografici (non hai mai sentito parlare delle reti neurali convoluzionali? Leggi il nostro articolo sull’argomento!). Tramite l’implementazione di soluzioni di questo genere è così possibile analizzare caratteristiche come la qualità delle foto od eventuali incoerenze presenti al suo interno (come ritagli o fotomontaggi) al fine di verificarne l’autenticità.
- Chatbot e gamification: l’utilizzo dell’intelligenza artificiale sta anche migliorando l’interazione tra gli utenti. Alcune app, come Hinge e OkCupid, utilizzano chatbot basati su sofisticati modelli di Natural Language Processing (NLP) per aiutare gli utenti a rompere il ghiaccio, ad esempio suggerendo argomenti di conversazione o indirizzando meglio le risposte, migliorando così la “customer experience” per utenti particolarmente timidi, introversi o semplicemente poco loquaci. Addirittura, in alcuni casi, chatbot di questo tipo possono essere impostati per rispondere ai messaggi quando l’utente è occupato. Un esempio significativo in questo senso è il progetto sul quale sta lavorando la piattaforma Grindr, la quale ha dichiarato che sta sviluppando un cosiddetto “AI wingman” destinato a essere lanciato nel 2027. Questo nuovo assistente virtuale non solo suggerirà risposte, ma potrà anche interagire in modo autonomo con altri utenti, programmare appuntamenti e persino riconoscere segnali d’allarme (le famose “red flag”) nei potenziali partner. L’idea di fondo consiste nell’alleggerire gli utenti da inutili conversazioni con altri utenti incompatibili, aiutando nella selezione tramite bot che comunicano tra loro prima di coinvolgere gli utenti reali (in pratica, ogni utente possiederà un “gemello digitale” in grado di impersonarlo il più fedelmente possibile nell’ambito di una conversazione; prima che due utenti “reali” comincino a parlare, i rispettivi bot parleranno tra loro coprendo intere conversazioni in frazioni di secondo e fornendo un feedback ad entrambi gli utenti sulla reciproca compatibilità. In questo modo, ad esempio, ciascun utente potrebbe trovare ogni mattina un suggerimento circa uno specifico altro utente risultato particolarmente compatibile sulla base di una conversazione avvenuta tra i due rispettivi bot nella notte). Alcune app inoltre includono elementi di “gamification”, come ad esempio premi per l’interazione attiva o per il comportamento dimostrato dall’utente, al fine di stimolare ed incoraggiare una maggiore partecipazione ed in generale un maggiore utilizzo del servizio. Un classico esempio è stato implementato da Tinder, piattaforma che ha di fatto trasformato in una specie di “gioco” (in gergo, appunto, ha “gamificato”) la pratica degli incontri online, introducendo l’ormai celebre “swipe”: scorrendo a destra si esprime interesse per una persona, scorrendo a sinistra la si rifiuta. Questo meccanismo si traduce in una sorta di gioco “hot or not” il quale, per molti utenti, già costituisce fonte di piacere spostando l’obiettivo dall’effettiva ricerca di un partner all’ottenimento del maggior numero di “match”; la ricerca diventa un gioco, una perenne sfida con sé stessi e con gli altri utenti. L’intelligenza artificiale gioca un ruolo centrale nella funzionalità di “swiping” di Tinder, contribuendo a personalizzare ed ottimizzare le raccomandazioni fornite agli utenti circa i profili potenzialmente compatibili. Tinder utilizza algoritmi di Machine Learning tramite i quali ogni singolo “swipe” viene elaborato al fine di profilare il “prototitpo di partner ideale” dell’utente, migliorando la selezione delle proposte di match. Il risultato è quindi raccomandazione sempre più mirata di potenziali partner, affinata attraverso l’analisi continua delle reazioni dell’utente.
Francesco