Come funzionano gli algoritmi di raccomandazione: l'IA che modella il tuo feed

Ogni volta che qualcuno apre YouTube, TikTok o un'app simile, il software classifica migliaia di possibili video, canzoni o post in una frazione di secondo e decide quale manciata mostrare per primo. Questo è un sistema di raccomandazione: un insieme di algoritmi progettati per prevedere quali elementi uno specifico utente potrebbe desiderare, da un catalogo troppo grande per essere sfogliato manualmente da chiunque.

Le due idee fondamentali dietro ogni sistema di raccomandazione

Secondo il glossario tecnico di NVIDIA sui sistemi di raccomandazione, la maggior parte dei motori combina due approcci fondamentali. Il filtro collaborativo presuppone che se le persone hanno fatto scelte simili in passato, probabilmente saranno d'accordo anche su quelle future, quindi il sistema cerca utenti con modelli di comportamento corrispondenti e raccomanda quello che questi utenti simili hanno apprezzato. Il filtro basato sui contenuti invece esamina gli attributi degli elementi stessi — genere, attori, caratteristiche audio, tag — e suggerisce elementi simili a quelli con cui un utente ha già interagito.

Il glossario di NVIDIA aggiunge un terzo strato utilizzato da alcune piattaforme: il filtro contestuale, che fattorizza dettagli situazionali come il tipo di dispositivo, l'ora del giorno o la posizione. Come esempio, cita la pratica di Netflix di pesare il paese, il dispositivo, la data e l'ora in cui un titolo è stato guardato, insieme alla visione stessa.

I sistemi moderni sempre più spesso sostituiscono o integrano questi approcci con il deep learning. NVIDIA descrive metodi come il Neural Collaborative Filtering, che combina la fattorizzazione matriciale con reti neurali multistrato per catturare relazioni non lineari tra utenti ed elementi, e modelli basati su sequenze che utilizzano reti ricorrenti o Transformer per apprendere modelli nell'ordine in cui un utente guarda o ascolta le cose.

Cosa dicono le piattaforme di ottimizzare i loro stessi algoritmi

Le aziende raramente pubblicano il loro codice di classificazione completo, ma alcune descrivono gli obiettivi e i segnali dietro di esso. La Newsroom di TikTok afferma che il suo feed For You classifica i video utilizzando tre categorie di segnali: interazioni degli utenti (like, condivisioni, follow, commenti e quello che una persona crea), informazioni sui video (didascalie, suoni, hashtag) e impostazioni di dispositivo o account (lingua, paese, tipo di dispositivo). TikTok dice che questi segnali sono ponderati diversamente — un segnale forte, come guardare un video più lungo fino al completamento, conta più di un segnale debole, come condividere una geografia generale con altri spettatori.

TikTok afferma esplicitamente che il conteggio dei follower e la cronologia di video ad alte prestazioni di un creatore non sono fattori diretti nel fatto che un determinato video sia consigliato. L'azienda dice anche di mescolare deliberatamente contenuti al di fuori degli interessi espliciti di un utente ed evita di mostrare video consecutivi dallo stesso creatore o usando lo stesso suono, descrivendo questo come un modo per dare alle persone "opportunità aggiuntive di scoprire nuove categorie di contenuti" piuttosto che essere confinati in un feed ristretto.

Il sito ufficiale di YouTube "How YouTube Works" descrive l'obiettivo del suo sistema di raccomandazione come la comprensione di ciò che uno spettatore ha bisogno e la fornitura di un'esperienza visiva che lo lasci soddisfatto, piuttosto che semplicemente massimizzare il tempo di visione. Elenca gli input che alimentano le raccomandazioni come il comportamento di visualizzazione e la cronologia di visione, l'impegno esplicito come like e dislike, gli abbonamenti e il feedback diretto, la reputazione e la qualità di un canale e le tendenze più ampie tra il pubblico più ampio, non solo la storia di una persona. YouTube dice che integra i dati comportamentali con sondaggi sulla soddisfazione e team di valutatori esterni per verificare se il contenuto consigliato è genuinamente di alta qualità, e che per argomenti sensibili come notizie, finanza, salute o scienza attribuisce un peso extra alle fonti autorevoli.

Perché due persone non vedono mai lo stesso feed

Poiché il filtro collaborativo confronta il comportamento di un utente con altri utenti e il filtro di contenuto confronta gli elementi con la cronologia personale di una persona, nessun account ha una miscela di segnali identici — cronologie di visione diverse, seguiti diversi, dispositivi e posizioni diversi. TikTok afferma direttamente che nessun due utenti vedranno la stessa combinazione di video nel loro feed For You. Sia YouTube che TikTok dicono anche che il sistema continua ad aggiornarsi ad ogni nuova interazione, quindi un feed osservato al mattino può già sembrare diverso alla sera in base a quello che è stato guardato, saltato o marcato come "non interessato" nel frattempo.

Quanto accurati pensano le persone che siano questi sistemi?

La ricerca su come le persone percepiscono effettivamente la personalizzazione algoritmica è più limitata rispetto alla letteratura ingegneristica. Un sondaggio del Pew Research Center pubblicato il 16 gennaio 2019 ha chiesto agli utenti di Facebook quali fossero le categorie di interessi e tratti che la piattaforma aveva assegnato loro per il targeting degli annunci. Ha rilevato che il 74% degli utenti non conosceva questa lista di tratti fino a quando il sondaggio non li ha puntati, e solo il 12% ne era consapevole in anticipo. Una volta mostrate le loro categorie, il 59% ha detto che le etichette riflettevano i loro veri interessi ragionevolmente o molto accuratamente, mentre il 27% non era d'accordo; il 51% ha detto di sentirsi a disagio con la compilazione di tali liste da parte della piattaforma anche quando le ritenevano accurate. Il sondaggio ha coperto 963 utenti di Facebook negli Stati Uniti, età 18 e più, intervistati dal 4 settembre al 1° ottobre 2018.

Gli utenti possono influenzare o limitare l'algoritmo?

Entrambe le aziende descrivono controlli rivolti agli utenti. La pagina ufficiale di YouTube nota che gli utenti connessi possono mettere in pausa, modificare o eliminare la loro cronologia di ricerca e visione in qualsiasi momento, che alimenta direttamente quello che il sistema di raccomandazione impara. TikTok dice che mi piace, follow, commenti, esplorazione di hashtag e tocchi espliciti "Non interessato" tutti regolano le raccomandazioni future, oltre alle categorie di interesse che una persona può selezionare quando configura per la prima volta un account.