सिफारिश एल्गोरिथ्म कैसे काम करते हैं: AI जो आपके फीड को आकार देता है

जब भी कोई YouTube, TikTok, या इसी तरह के ऐप को खोलता है, सॉफ्टवेयर हज़ारों संभावित वीडियो, गाने या पोस्ट को एक सेकंड के अंश में रैंक करता है और तय करता है कि कौन से कुछ को पहले दिखाना है। यह एक सिफारिश प्रणाली है: एल्गोरिदम का एक सेट जो यह भविष्यवाणी करने के लिए डिज़ाइन किया गया है कि कोई विशिष्ट उपयोगकर्ता किस चीज़ को सबसे ज़्यादा चाहता है, एक कैटलॉग से जो किसी भी व्यक्ति के लिए मैन्युअल रूप से ब्राउज़ करने के लिए बहुत बड़ा है।

हर सिफारिशकर्ता के पीछे दो मूल विचार

NVIDIA की सिफारिश प्रणाली पर तकनीकी शब्दावली के अनुसार, अधिकांश इंजन दो मूल दृष्टिकोणों को जोड़ते हैं। सहयोगी फ़िल्टरिंग मानती है कि यदि लोगों ने अतीत में समान पसंद बनाई हैं, तो वे भविष्य में भी सहमत होंगे, इसलिए सिस्टम मिलते-जुलते व्यवहार पैटर्न वाले उपयोगकर्ताओं को ढूंढता है और सुझाता है कि उन समान उपयोगकर्ताओं को क्या पसंद आया। सामग्री-आधारित फ़िल्टरिंग इसके बजाय स्वयं आइटम की विशेषताओं को देखता है — शैली, अभिनेता, ऑडियो सुविधाएँ, टैग — और उन आइटम के समान आइटम सुझाता है जिन्हें एक उपयोगकर्ता पहले से जुड़ा हुआ है।

NVIDIA की शब्दावली कुछ प्लेटफ़ॉर्म द्वारा उपयोग की जाने वाली एक तीसरी परत जोड़ती है: संदर्भ फ़िल्टरिंग, जो स्थितिगत विवरणों को ध्यान में रखती है जैसे डिवाइस प्रकार, दिन का समय या स्थान। एक उदाहरण के रूप में, यह Netflix के अभ्यास का हवाला देता है जो देश, डिवाइस, तारीख़ और समय को वजन देता है जब कोई शीर्षक देखा गया था, देखने के साथ।

आधुनिक सिस्टम तेजी से इन दृष्टिकोणों को गहन शिक्षा के साथ बदलते या पूरक करते हैं। NVIDIA न्यूरल सहयोगी फ़िल्टरिंग जैसे तरीकों का वर्णन करता है, जो उपयोगकर्ताओं और आइटम के बीच गैर-रेखीय संबंधों को कैप्चर करने के लिए मैट्रिक्स फ़ैक्टराइज़ेशन को बहु-स्तरीय तंत्रिका नेटवर्क के साथ जोड़ता है, और अनुक्रम-आधारित मॉडल जो पुनरावर्ती नेटवर्क या ट्रांसफॉर्मर का उपयोग करते हैं उपयोगकर्ता के देखने या सुनने के क्रम में पैटर्न सीखने के लिए।

प्लेटफ़ॉर्म अपने एल्गोरिथ्म को क्या अनुकूल करने के लिए कहते हैं

कंपनियां शायद ही कभी अपना पूर्ण रैंकिंग कोड प्रकाशित करती हैं, लेकिन कुछ इसके पीछे के लक्ष्यों और संकेतों का वर्णन करती हैं। TikTok का न्यूजरूम कहता है कि इसका For You फीड तीन संकेत श्रेणियों का उपयोग करके वीडियो रैंक करता है: उपयोगकर्ता इंटरैक्शन (लाइक, शेयर, अनुसरण, टिप्पणियां, और कोई व्यक्ति क्या बनाता है), वीडियो जानकारी (कैप्शन, ध्वनियां, हैशटैग) और डिवाइस या खाता सेटिंग्स (भाषा, देश, डिवाइस प्रकार)। TikTok कहता है कि ये संकेत विभिन्न तरीकों से वजन किए जाते हैं — एक मजबूत संकेत, जैसे किसी वीडियो को पूरा करने तक देखना, एक कमजोर संकेत से अधिक गिनता है, जैसे अन्य दर्शकों के साथ सामान्य भूगोल साझा करना।

TikTok स्पष्ट रूप से कहता है कि अनुयायी गणना और किसी निर्माता के उच्च-प्रदर्शन वीडियो का इतिहास यह निर्धारित करने का प्रत्यक्ष कारक नहीं है कि क्या किसी दिए गए वीडियो की सिफारिश की जाएगी। कंपनी यह भी कहती है कि यह जानबूझकर उपयोगकर्ता के व्यक्त किए गए हितों के बाहर सामग्री को शामिल करती है और एक ही निर्माता से या एक ही ध्वनि का उपयोग करके लगातार वीडियो दिखाने से बचती है, इसे लोगों को "नई सामग्री श्रेणियों पर ठोकर खाने के अतिरिक्त अवसर" देने के तरीके के रूप में वर्णित करते हुए एक संकीर्ण फीड तक सीमित होने के बजाय।

YouTube की आधिकारिक "How YouTube Works" साइट अपनी सिफारिश प्रणाली के लक्ष्य को यह समझने के रूप में वर्णित करती है कि एक दर्शक को क्या चाहिए और एक दृश्य अनुभव प्रदान करना जो उन्हें संतुष्ट छोड़े, बस देखने के समय को अधिकतम करने के बजाय। यह सिफारिशों को खिलाने वाली इनपुट सूचीबद्ध करता है: देखने का व्यवहार और देखने का इतिहास, स्पष्ट जुड़ाव जैसे लाइक और डिसलाइक, सदस्यता और प्रत्यक्ष प्रतिक्रिया, एक चैनल की प्रतिष्ठा और गुणवत्ता, और व्यापक दर्शकों के बीच व्यापक रुझान, सिर्फ एक व्यक्ति का इतिहास नहीं। YouTube कहता है कि यह व्यवहार संबंधी डेटा को संतुष्टि सर्वेक्षण और बाहरी मूल्यांकनकर्ता टीमों के साथ पूरक करता है यह जांचने के लिए कि क्या सिफारिश की गई सामग्री वास्तव में उच्च गुणवत्ता की है, और समाचार, वित्त, स्वास्थ्य या विज्ञान जैसे संवेदनशील विषयों के लिए यह आधिकारिक स्रोतों पर अतिरिक्त वजन रखता है।

दो लोग एक ही फीड क्यों नहीं देखते

क्योंकि सहयोगी फ़िल्टरिंग एक उपयोगकर्ता के व्यवहार की तुलना अन्य उपयोगकर्ताओं से करती है, और सामग्री फ़िल्टरिंग किसी व्यक्ति के अपने इतिहास के आइटमों की तुलना करती है, कोई भी दो खातों में संकेतों का समान मिश्रण नहीं रखते हैं — विभिन्न दृश्य इतिहास, विभिन्न अनुसरण, विभिन्न डिवाइस और स्थान। TikTok सीधे कहता है कि कोई भी दो उपयोगकर्ता अपने For You फीड पर वीडियो के समान संयोजन नहीं देखेंगे। YouTube और TikTok दोनों यह भी कहते हैं कि सिस्टम हर नई बातचीत के साथ अपडेट होता रहता है, इसलिए सुबह देखा गया फीड शाम तक पहले से अलग दिख सकता है जिसके आधार पर क्या देखा गया, छोड़ा गया, या "रुचि नहीं" के रूप में चिह्नित किया गया।

लोग सोचते हैं कि ये प्रणालियां कितनी सटीक हैं

लोग वास्तव में एल्गोरिथम व्यक्तिगतकरण को कैसे मानते हैं, इस पर शोध इंजीनियरिंग साहित्य की तुलना में अधिक सीमित है। Pew Research Center सर्वे 16 जनवरी, 2019 को प्रकाशित, Facebook उपयोगकर्ताओं से पूछा गया कि प्लेटफॉर्म ने उन्हें विज्ञापन लक्ष्यीकरण के लिए कौन सी रुचि और विशेषता श्रेणियां सौंपी हैं। इसमें पाया गया कि 74 प्रतिशत उपयोगकर्ता इस विशेषताओं की सूची के अस्तित्व से अनजान थे जब तक सर्वे ने उन्हें इसकी ओर इशारा नहीं किया, और केवल 12 प्रतिशत पहले से ही इससे अवगत थे। अपनी श्रेणियों को दिखाए जाने के बाद, 59 प्रतिशत ने कहा कि लेबल उनकी वास्तविक जीवन की रुचियों को उचित या बहुत सटीक रूप से प्रतिबिंबित करते हैं, जबकि 27 प्रतिशत असहमत थे; 51 प्रतिशत ने कहा कि वे प्लेटफॉर्म द्वारा ऐसी सूचियां संकलित किए जाने से असहज महसूस करते हैं यहां तक कि जब वे उन्हें सटीक मानते थे। सर्वे में 963 अमेरिकी Facebook उपयोगकर्ताओं को शामिल किया गया, 18 वर्ष और उससे अधिक आयु, 4 सितंबर से 1 अक्टूबर, 2018 तक सर्वेक्षण किया गया।

क्या उपयोगकर्ता एल्गोरिथम को प्रभावित या सीमित कर सकते हैं

दोनों कंपनियां उपयोगकर्ता-सामने वाले नियंत्रणों का वर्णन करती हैं। YouTube की आधिकारिक पृष्ठ नोट करता है कि साइन इन किए गए उपयोगकर्ता किसी भी समय अपने खोज और देखने के इतिहास को रोक, संपादित या हटा सकते हैं, जो सीधे सिफारिश प्रणाली में जाता है। TikTok कहता है कि लाइक, अनुसरण, टिप्पणियां, हैशटैग अन्वेषण और स्पष्ट "Not Interested" टैप सभी भविष्य की सिफारिशों को समायोजित करते हैं, उपयोगकर्ता द्वारा चयनित रुचि श्रेणियों के अतिरिक्त जो कोई खाता पहली बार सेट अप करते समय चुन सकता है।