Netflix pagó a externos para superar su propio algoritmo

Para 2006, el motor de recomendaciones de DVD por correo de Netflix, Cinematch, era central para el negocio —mejores recomendaciones significaban que los clientes seguían encontrando películas que les gustaban y seguían suscritos—, pero la precisión del algoritmo se había estancado a pesar de que el propio equipo de ciencia de datos de Netflix seguía trabajando en él.

En lugar de seguir ampliando su equipo interno, Netflix consideró otra palanca: poner sus datos de entrenamiento reales —calificaciones reales de usuarios, anonimizadas— frente a muchos más investigadores de los que jamás podría emplear, y pagar solo por un resultado que superara un umbral claramente definido, sin obligación de pagar nada si nadie lo lograba.

Publicó calificaciones reales anonimizadas y ofreció 1 millón de dólares por una mejora de precisión del 10 %, permitiendo que miles de equipos externos compitieran y pagando solo en caso de éxito.

Publicar datos reales atrajo a más de 40 000 equipos, mucho más diversos que cualquier equipo interno.

El premio estaba condicionado a superar un punto de referencia claro, por lo que Netflix pagaba solo por el éxito.

Los premios anuales por progreso sacaron a la luz mejoras incrementales, permitiendo a Netflix desplegar mejoras de forma temprana.

El costo del premio fue mucho menor que contratar talento equivalente en la propia empresa durante tres años.

Cuando la I+D interna se estanca, abre tus datos y paga solo por resultados que superen tu punto de referencia, convirtiendo costos fijos en contingentes.

Más de 40 000 equipos de más de 180 países participaron a lo largo de tres años, y Netflix incorporó las mejoras incrementales de la tabla de clasificación del Premio al Progreso anual a su algoritmo de producción mucho antes de que se declarara ningún ganador final. En 2009, un equipo fusionado llamado BellKor's Pragmatic Chaos cruzó el umbral del 10 % y ganó el premio de 1 000 000 de dólares —una fracción de lo que habría costado reclutar en la propia empresa una concentración equivalente de talento en aprendizaje automático durante tres años—, y Netflix ya había capturado gran parte de la mejora de precisión de forma gratuita durante la propia competición.