Cara Kerja Algoritma Rekomendasi: AI yang Membentuk Feed Anda

Setiap kali seseorang membuka YouTube, TikTok, atau aplikasi serupa, perangkat lunak mengurutkan ribuan kemungkinan video, lagu, atau postingan dalam sebagian kecil dari satu detik dan memutuskan mana yang akan ditampilkan terlebih dahulu. Ini adalah sistem rekomendasi: serangkaian algoritma yang dirancang untuk memprediksi item mana yang paling mungkin diinginkan pengguna tertentu, dari katalog yang terlalu besar untuk dijelajahi secara manual oleh siapa pun.

Dua ide dasar di balik setiap rekomendasi

Menurut glosarium teknis NVIDIA tentang sistem rekomendasi, sebagian besar mesin menggabungkan dua pendekatan dasar. Penyaringan kolaboratif menganggap bahwa jika orang membuat pilihan serupa di masa lalu, mereka kemungkinan akan setuju di masa depan juga, jadi sistem mencari pengguna dengan pola perilaku yang cocok dan merekomendasikan apa yang disukai pengguna serupa tersebut. Penyaringan berbasis konten malah melihat atribut item itu sendiri — genre, aktor, fitur audio, tag — dan menyarankan item yang mirip dengan yang telah dilibatkan pengguna.

Glosarium NVIDIA menambahkan lapisan ketiga yang digunakan beberapa platform: penyaringan konteks, yang memperhitungkan detail situasi seperti jenis perangkat, waktu dalam sehari, atau lokasi. Sebagai contoh, ia mengutip praktik Netflix menimbang negara, perangkat, tanggal, dan waktu ketika judul ditonton, bersama dengan penayangan itu sendiri.

Sistem modern semakin menggantikan atau melengkapi pendekatan ini dengan pembelajaran mendalam. NVIDIA menjelaskan metode seperti Penyaringan Kolaboratif Saraf, yang menggabungkan faktorisasi matriks dengan jaringan saraf berlapis banyak untuk menangkap hubungan non-linear antara pengguna dan item, dan model berbasis urutan menggunakan jaringan berulang atau Transformer untuk mempelajari pola dalam urutan pengguna menonton atau mendengarkan sesuatu.

Apa yang dikatakan platform tentang optimasi algoritma mereka sendiri

Perusahaan jarang mempublikasikan kode peringkat lengkap mereka, tetapi beberapa menjelaskan tujuan dan sinyal di baliknya. Newsroom TikTok menyatakan bahwa feed For You-nya mengurutkan video menggunakan tiga kategori sinyal: interaksi pengguna (suka, bagikan, ikuti, komentar, dan apa yang dibuat seseorang), informasi video (keterangan, suara, hashtag), dan pengaturan perangkat atau akun (bahasa, negara, jenis perangkat). TikTok mengatakan sinyal ini diberi bobot berbeda — sinyal yang kuat, seperti menonton video lebih lama hingga selesai, dihitung lebih dari sinyal lemah, seperti berbagi geografi umum dengan penonton lain.

TikTok secara eksplisit menyatakan bahwa jumlah pengikut dan riwayat video berkinerja tinggi kreator bukan faktor langsung dalam apakah video tertentu mendapat rekomendasi. Perusahaan juga mengatakan ia dengan sengaja mencampur konten di luar minat yang dinyatakan pengguna dan menghindari menampilkan video berturut-turut dari kreator yang sama atau menggunakan suara yang sama, menggambarkannya sebagai cara memberi orang "peluang tambahan untuk menemukan kategori konten baru" daripada terbatas pada feed yang sempit.

Situs "How YouTube Works" resmi YouTube membingkai tujuan sistem rekomendasinya sebagai memahami apa yang dibutuhkan pemirsa dan memberikan pengalaman menonton yang meninggalkan mereka puas, bukan hanya memaksimalkan waktu tontonan. Ini mendaftar input yang memberi makan rekomendasi sebagai perilaku menonton dan riwayat tontonan, keterlibatan eksplisit seperti suka dan tidak suka, langganan dan umpan balik langsung, reputasi dan kualitas saluran, dan tren yang lebih luas di antara audiens yang lebih luas, bukan hanya riwayat satu orang. YouTube mengatakan ia melengkapi data perilaku dengan survei kepuasan dan tim pengevaluasi eksternal untuk memeriksa apakah konten yang direkomendasikan benar-benar berkualitas tinggi, dan untuk topik sensitif seperti berita, keuangan, kesehatan, atau sains, ia memberikan bobot tambahan pada sumber yang berwenang.

Mengapa dua orang tidak pernah melihat feed yang sama

Karena penyaringan kolaboratif membandingkan perilaku pengguna dengan pengguna lain, dan penyaringan konten membandingkan item dengan riwayat orang itu sendiri, tidak ada dua akun yang membawa kombinasi sinyal yang identik — riwayat tontonan berbeda, pengikutan berbeda, perangkat dan lokasi berbeda. TikTok menyatakan secara langsung bahwa tidak ada dua pengguna yang akan melihat kombinasi video yang sama di feed For You mereka. Baik YouTube maupun TikTok juga mengatakan sistem terus diperbarui dengan setiap interaksi baru, sehingga feed yang diamati di pagi hari dapat sudah terlihat berbeda pada malam hari berdasarkan apa yang ditonton, dilewati, atau ditandai "tidak tertarik" di antaranya.

Seberapa akurat menurut pendapat orang sistem ini

Penelitian tentang bagaimana orang benar-benar melihat personalisasi algoritmik lebih terbatas daripada literatur teknik. Survei Pew Research Center yang diterbitkan pada 16 Januari 2019 menanyakan pengguna Facebook tentang kategori minat dan sifat yang telah ditetapkan platform untuk penargetan iklan. Temuan menunjukkan 74% pengguna tidak tahu daftar sifat ini ada sampai survei menunjukkan kepada mereka, dan hanya 12% menyadarinya sebelumnya. Setelah ditunjukkan kategori mereka sendiri, 59% mengatakan label mencerminkan minat kehidupan nyata mereka dengan cukup atau sangat akurat, sementara 27% tidak setuju; 51% mengatakan mereka merasa tidak nyaman dengan platform mengkompilasi daftar seperti itu bahkan ketika mereka menganggapnya akurat. Survei mencakup 963 pengguna Facebook AS, berusia 18 tahun ke atas, disurvei dari 4 September hingga 1 Oktober 2018.

Bisakah pengguna mempengaruhi atau membatasi algoritma

Kedua perusahaan menjelaskan kontrol yang dihadap pengguna. Halaman resmi YouTube mencatat bahwa pengguna yang masuk dapat menjeda, mengedit, atau menghapus riwayat pencarian dan tontonan mereka kapan saja, yang langsung memberi makan apa yang dipelajari sistem rekomendasi. TikTok mengatakan suka, ikuti, komentar, eksplorasi hashtag, dan ketukan "Tidak Tertarik" eksplisit semuanya menyesuaikan rekomendasi masa depan, selain kategori minat yang dapat dipilih seseorang saat pertama kali menyiapkan akun.