Este artículo propone un marco novedoso para la auditoría de justicia algorítmica en sistemas de recomendación personalizados que operan bajo regulaciones de autopreferencia. La propuesta se basa en el aprendizaje contrastivo dinámico, una técnica que identifica y mitiga sesgos derivados de la amplificación implícita de preferencias, promoviendo una exposición más equitativa entre distintas demografías de usuarios y categorías de contenido. En experimentos controlados el método mostró una mejora de hasta 15% en métricas de equidad sin sacrificar la calidad de recomendación.

Contexto y problema abordado: Los sistemas de recomendación personalizados son omnipresentes y pueden reproducir o amplificar desigualdades sociales. Las regulaciones diseñadas para limitar la preferencia por contenido propio de la plataforma, conocidas como autopreferencia, introducen complejidad adicional: sin una auditoría adecuada, estas políticas pueden generar nuevos sesgos. Este trabajo aborda la auditoría continua de la equidad, enfatizando la necesidad de métodos que capten la interacción entre las estrategias de recomendación y el comportamiento de los usuarios.

Concepto clave: aprendizaje contrastivo dinámico. El aprendizaje contrastivo tradicional busca que puntos de datos similares queden próximos en el espacio de incrustaciones y que los disímiles estén separados. Adaptado a recomendación, esto significa aprender representaciones donde ítems consumidos por usuarios con gustos similares queden cercanos. El aprendizaje contrastivo dinámico o DCL extiende esta idea ajustando de forma iterativa la función de pérdida contrastiva en función del estado actual del sistema. En cada iteración DCL analiza distribución de usuarios, impresiones de ítems y métricas de interacción para recalibrar los pesos de la pérdida y priorizar objetivos de equidad emergentes.

Componente de mitigación de sesgo. Además de la pérdida contrastiva, DCL incorpora una pérdida explícita de mitigación de sesgo que penaliza desigualdades detectadas entre grupos protegidos como edad, género o ubicación. Los pesos asignados a cada grupo se ajustan dinámicamente según métricas observadas de representación y oportunidad, y el balance entre la pérdida contrastiva y la pérdida de equidad se controla mediante un mecanismo de optimización reforzada que adapta los hiperparámetros en tiempo real.

Formulación intuitiva: la función objetivo combina dos términos, uno que maximiza coherencia en las incrustaciones para mejorar la recomendación y otro que corrige desviaciones distributivas detectadas por grupo. El sistema reequilibra dichos términos de forma continua para reaccionar a cambios en la plataforma, como políticas de autopreferencia que alteren las impresiones de productos o contenidos.

Diseño experimental: para evaluar DCL se construyó un entorno simulado que reproduce dinámicas de comercio electrónico. Se generaron perfiles de usuario con atributos protegidos y un catálogo de ítems con metadatos de categoría, precio y popularidad. La simulación modeló la interacción entre agentes usuarios y políticas de autopreferencia para medir cómo dichas políticas afectan impresiones, clics y compras. Las métricas evaluadas incluyeron paridad demográfica, igualdad de oportunidad y NDCG para la calidad de recomendación.

Resultados principales: DCL superó técnicas de auditoría y mitigación post procesamiento en escenarios con autopreferencia variable, mostrando mejoras sustanciales en medidas de equidad y manteniendo NDCG competitivo. El análisis mostró que DCL aumenta de forma proactiva la exposición de ítems infrarepresentados y ajusta sus objetivos cuando emergen sesgos específicos, logrando hasta un 15% de mejora en métricas de equidad en pruebas A/B variadas.

Escalabilidad y aplicaciones prácticas: la arquitectura modular de DCL permite paralelización del componente contrastivo en GPU y su integración en sistemas productivos mediante bucles de retroalimentación y aprendizaje por refuerzo para ajuste automático de hiperparámetros. Esta metodología es adecuada para plataformas de comercio electrónico, medios de contenido y cualquier servicio que combine recomendaciones personalizadas con políticas comerciales como autopreferencia.

Sobre Q2BSTUDIO: en Q2BSTUDIO desarrollamos soluciones a medida que incorporan investigación avanzada como DCL en productos reales. Somos una empresa de desarrollo de software y aplicaciones a medida, especialistas en inteligencia artificial y ciberseguridad, y ofrecemos servicios cloud aws y azure, servicios inteligencia de negocio y soluciones con power bi. Si su organización busca integrar capacidades de IA para empresas o desarrollar agentes IA adaptados a sus procesos, podemos ayudar a diseñar e implementar sistemas que equilibran rendimiento, equidad y cumplimiento regulatorio. Conozca nuestras capacidades en inteligencia artificial visitando IA para empresas y solicite proyectos de software a medida para integrar auditorías de equidad en sus pipelines de recomendación.

Conclusión: el aprendizaje contrastivo dinámico ofrece una vía concreta para auditar y mitigar sesgos en sistemas de recomendación bajo regulaciones de autopreferencia, combinando representación robusta con objetivos de equidad adaptativos. Adoptar enfoques como DCL permite a las empresas construir motores de recomendación más transparentes, responsables e inclusivos, alineados con marcos regulatorios en evolución y con prácticas de seguridad y privacidad que Q2BSTUDIO integra en cada proyecto.

Palabras clave: aplicaciones a medida, software a medida, inteligencia artificial, ciberseguridad, servicios cloud aws y azure, servicios inteligencia de negocio, ia para empresas, agentes IA, power bi.