Investigadores de la Universidad del Sur de California presentan un innovador marco para recomendaciones basado en modelos de lenguaje que preserva la privacidad, abordando los desafíos que presenta la implementación de recomendaciones personalizadas empleando grandes modelos de lenguaje como ChatGPT o Google Gemini. Estos modelos, aunque potentes, implican preocupaciones de privacidad debido a la transmisión de datos personales a servidores remotos.

En un entorno donde la privacidad del usuario es un tema candente, los expertos proponen un sistema híbrido de recomendaciones que separa los datos sensibles de los no sensibles, transmitiendo solo los datos que no representan un riesgo para la privacidad al servidor. Este sistema conserva la funcionalidad y la precisión de las recomendaciones basadas en LLMs sin comprometer la privacidad, logrando scores HR@10 comparables a modelos que comparten todos los datos con el servidor.

La propuesta cuenta con un módulo de desofuscación que permite recuperar las recomendaciones perdidas relacionadas con los datos sensibles al ejecutarse localmente. Aunque los LLM llevan millones de parámetros, lo que hace su implementación compleja a nivel local, los avances recientes permiten que modelos como Llama 3.2 funcionen de manera eficiente en dispositivos de consumo promedio.

Se llevó a cabo una serie de experimentos usando datos de comercio electrónico reales, que confirmaron la eficacia de la metodología en mantener casi inalterada la utilidad de las recomendaciones en comparación con técnicas que obfuscaban sólo los datos. La alineación en la distribución de categorías y mejores scores HR@10 fueron reflejo de un equilibrio óptimo entre calidad de recomendación y protección de privacidad, marcando una diferencia sensible respecto a los métodos convencionales.

El enfoque no solo ofrece una solución práctica para la privacidad en sistemas de recomendación, sino también una vía hacia el cumplimiento de normativas de privacidad más estrictas. Los investigadores concluyen que la tecnología desarrollada no solo es capaz de proporcionar una alternativa viable para servicios de recomendaciones personalizadas que necesitan proteger información sensible del usuario, sino también de establecer un precedente en el debate sobre privacidad y tecnología. En futuros trabajos se explorará ampliar la aplicabilidad del modelo a otros tipos de interacciones digitales más allá de las recomendaciones basadas en compra, enriqueciendo aún más la protección de datos personales.