Redacción - El Semanal
LinkedIn ha completado una overhaul de su sistema de recomendación de contenido, abandonando cinco arquitecturas dispares por un único modelo de lenguaje grande (LLM) que escala a sus 1.300 millones de usuarios. Este cambio, que ha requerido más de un año de trabajo, no solo optimiza la infraestructura, sino que redefine cómo los profesionales —incluidos los del sector de la moda— descubren tendencias, oportunidades laborales y redes de contacto en la plataforma.
El antiguo funcionamiento era un mosaico de pipelines independientes: un índice cronológico de contactos, temas virales por región, filtros por intereses, contenidos específicos de industria y sistemas basados en embeddings. Cada uno operaba con lógicas y mantenimiento propios, generando costes operativos desproporcionados y una coherencia limitada en la experiencia del usuario. La unificación bajo un solo LLM permite ahora una comprensión semántica más profunda del contenido y una coincidencia personalizada con los miembros, según confirmaron fuentes de la compañía.
El reto fundamental era dual: alinear los intereses profesionales declarados —como cargo, habilidades o sector— con el comportamiento real de navegación, y superar la limitación de mostrar solo publicaciones de la red inmediata. En el ámbito de la moda, esto implica que un diseñador, un editor o un estudiante puedan recibir referencias no solo de sus contactos directos, sino de voces autorizadas y tendencias globales del sector, incluso si no forman parte de su círculo.
La implementación técnica exigió innovaciones en varias frentes. En primer lugar, LinkedIn desarrolló una biblioteca de prompts para convertir datos estructurados (perfiles, publicaciones, métricas de interacción) en secuencias de texto procesables por el LLM. Para los posts, se integraron metadatos como formato, autor, engagement y texto; para los usuarios, se incluyeron historiales laborales, habilidades y una secuencia cronológica de interacciones previas.
Un hallazgo crucial durante las pruebas offline fue el tratamiento de las cifras. Cuando el modelo recibía datos como «vistas:12345», los interpretaba como un token más, perdiendo la señal de popularidad. El equipo solucionó esto transformando los números en percentiles y envolviéndolos en tokens especiales, lo que mejoró significativamente la ponderación del alcance de las publicaciones. Para la industria de la moda, donde el engagement suele correlacionarse con alcance viral, este ajuste es determinante.
En la capa de ranking, LinkedIn creó un modelo propio llamado Generative Recommender (GR). A diferencia de los sistemas tradicionales que evalúan cada publicación de forma aislada, GR procesa miles de interacciones históricas para identificar patrones temporales e intereses a largo plazo. Es decir, interpreta la trayectoria profesional del usuario como una narrativa —»la historia contada a través de los posts con los que has interactuado»— y en el contexto de la moda, esto permite sugerir contenido que evolucione con la carrera: desde estudiantes de diseño hasta directores creativos.
La escalabilidad computacional planteó otro desafío. Ejecutar LLMs a esta magnitud dispara los costes de GPU. La respuesta arquitectónica fue desacoplar el procesamiento de características (ligado a CPU) de la inferencia del modelo ( GPU intensiva), optimizando cada recurso para su función. También se desarrollaron cargadores de datos en C++ para reducir la sobrecarga de Python y una variante personalizada de Flash Attention para acelerar los cálculos de atención. Además, el checkpoints de entrenamiento se paralelizaron, maximizando el uso de memoria de GPU.
Estas mejoras no solo reducen el gasto operativo, sino que permiten una mayor agilidad en la experimentación. Para marcas y profesionales de la moda, un sistema más eficiente puede traducirse en una integración más fluida de contenidos patrocinados y orgánicos, con una segmentación que respete la privacidad (el modelo se basa en señales profesionales, no en atributos demográficos) y se audita regularmente para garantizar equidad.
El mensaje clave para el sector es que la nueva arquitectura de LinkedIn ya está en funcionamiento, refinando el feed de forma invisible pero constante. Quienes generen contenido de moda —ya sea análisis de pasarelas, novedades de tejidos, oportunidades de empleo o pensamiento de liderazgo— podrían experimentar una mayor resonancia si su alineación con las señales profesionales del algoritmo es coherente. No se trata de manipular el sistema, sino de comprender que ahora valora más la coherencia narrativa de la trayectoria individual y la calidad contextual del contenido.
En un entorno donde la moda se discute cada vez más en redes profesionales, esta transformación tecnológica subraya que la plataforma no es solo un tablero de ofertas laborales, sino un ecosistema dinámico de descubrimiento. La ironía es que, al simplificar su backend, LinkedIn ha complicado —en el buen sentido— la forma en que los usuarios experimentan la moda como dimensión de su identidad profesional.
GIPHY App Key not set. Please check settings