Jak działają algorytmy rekomendacji: AI, które kształtuje Twoją ścieżkę

Za każdym razem, gdy ktoś otwiera YouTube, TikTok lub podobną aplikację, oprogramowanie klasyfikuje tysiące możliwych filmów, piosenek lub postów w ułamku sekundy i decyduje, które kilka wyświetlić na początku. Jest to system rekomendacji: zestaw algorytmów zaprojektowanych do przewidywania, które elementy konkretny użytkownik najchętniej chce, z katalogu zbyt dużego do ręcznego przeglądania przez jakąkolwiek osobę.

Dwie podstawowe idee u podstaw każdego rekomendatora

Zgodnie z technicznym słownikiem NVIDIA na temat systemów rekomendacji, większość silników łączy dwa podstawowe podejścia. Filtrowanie kolaboracyjne zakłada, że jeśli ludzie dokonywali podobnych wyborów w przeszłości, będą się zgadzać w przyszłości, więc system szuka użytkowników o podobnych wzorcach zachowania i rekomenduje to, co lubili podobni użytkownicy. Filtrowanie oparte na zawartości zamiast tego patrzy na atrybuty samych elementów — gatunek, aktorów, cechy audio, znaczniki — i sugeruje elementy podobne do tych, z którymi użytkownik już wchodził w interakcję.

Słownik NVIDIA dodaje trzecią warstwę używaną przez niektóre platformy: filtrowanie kontekstowe, które uwzględnia szczegóły sytuacyjne, takie jak typ urządzenia, pora dnia lub lokalizacja. Jako przykład przytacza praktykę Netflix polegającą na uwzględnianiu kraju, urządzenia, daty i godziny oglądania tytułu obok samego oglądania.

Nowoczesne systemy coraz częściej zastępują lub uzupełniają te podejścia głębokim uczeniem. NVIDIA opisuje metody takie jak kolaboracyjne filtrowanie neuronowe, które łączy faktoryzację macierzy z wielowarstwowymi sieciami neuronowymi, aby uchwycić nieliniowe relacje między użytkownikami a elementami, oraz modele oparte na sekwencjach wykorzystujące sieci rekurencyjne lub Transformery do nauki wzorców w kolejności, w której użytkownik ogląda lub słucha rzeczy.

O czym mówią platformy, że ich algorytmy optymalizują

Firmy rzadko publikują swój pełny kod rankingowy, ale niektóre opisują cele i sygnały za nim. Newsroom TikToka stwierdza, że jego ścieżka "Dla Ciebie" klasyfikuje filmy przy użyciu trzech kategorii sygnałów: interakcje użytkownika (polubienia, udostępnienia, obserwacje, komentarze i to, co osoba tworzy), informacje o wideo (napisy, dźwięki, hashtagi) i ustawienia urządzenia lub konta (język, kraj, typ urządzenia). TikTok mówi, że te sygnały są ważone różnie — mocny sygnał, taki jak oglądanie dłuższego wideo do końca, liczy się więcej niż słaby, taki jak dzielenie się ogólną geografią z innymi widzami.

TikTok wyraźnie stwierdza, że liczba obserwujących i historia wideo o wysokiej wydajności twórcy nie są bezpośrednimi czynnikami w tym, czy dane wideo zostanie zarekomendowane. Firma również mówi, że celowo mieszała zawartość spoza wyrażonych zainteresowań użytkownika i unika pokazywania kolejnych filmów od tego samego twórcy lub używania tego samego dźwięku, opisując to jako sposób dania ludziom "dodatkowych możliwości natknięcia się na nowe kategorie zawartości" zamiast ograniczenia się do wąskiej ścieżki.

Oficjalna strona YouTube "Jak działa YouTube" opisuje cel systemu rekomendacji jako zrozumienie, czego potrzebuje widz, i dostarczenie doświadczenia oglądania, które go nie zawiódzie, a nie po prostu maksymalizację czasu oglądania. Zawiera dane wejściowe, które zasilają rekomendacje, jako zachowanie przy oglądaniu i historię oglądania, wyraźne zaangażowanie, takie jak polubienia i niepolubienia, subskrypcje i bezpośrednie sprzężenie zwrotne, reputacja i jakość kanału, a także szersze trendy wśród szerszej publiczności, a nie tylko historię jednej osoby. YouTube mówi, że uzupełnia dane behawioralne ankietami zadowolenia i zewnętrznymi zespołami oceniających, aby sprawdzić, czy rekomendowana zawartość jest naprawdę wysokiej jakości, i że w przypadku wrażliwych tematów, takich jak wiadomości, finanse, zdrowie lub nauka, przywiązuje dodatkową wagę do autorytatywnych źródeł.

Dlaczego dwie osoby nigdy nie widzą tej samej ścieżki

Ponieważ filtrowanie kolaboracyjne porównuje zachowanie użytkownika z innymi użytkownikami, a filtrowanie zawartości porównuje elementy z własną historią osoby, żadne dwa konta nie noszą identycznej kombinacji sygnałów — różne historie oglądania, różne obserwacje, różne urządzenia i lokalizacje. TikTok wyraźnie stwierdza, że żaden z dwóch użytkowników nie będzie widzieć tej samej kombinacji filmów na swojej ścieżce "Dla Ciebie". Zarówno YouTube, jak i TikTok mówią również, że system stale się aktualizuje z każdą nową interakcją, więc ścieżka obserwowana rano może już wyglądać inaczej do wieczora na podstawie tego, co zostało obejrzane, pominięte lub oznaczone "nie interesuje mnie" pomiędzy nimi.

Jak dokładne według ludzi są te systemy?

Badanie tego, jak ludzie rzeczywiście postrzegają personalizację algorytmiczną, jest bardziej ograniczone niż literatura inżynierska. Ankieta Pew Research Center opublikowana 16 stycznia 2019 r. zapytała użytkowników Facebooka o kategorie zainteresowań i cech, które platforma przypisała im do celowania reklamami. Stwierdzono, że 74% użytkowników nie wiedziało o istnieniu tej listy cech, dopóki ankieta ich do niej nie skierowała, a tylko 12% było świadome tego wcześniej. Po pokazaniu własnemu kategoriom 59% powiedziało, że etykiety w rozsądny lub bardzo dokładny sposób odzwierciedlały ich rzeczywiste zainteresowania, a 27% się nie zgodziło; 51% powiedziało, że czuli się niekomfortowo, gdy platforma kompilowała takie listy, nawet jeśli uważali je za dokładne. Ankieta objęła 963 użytkowników Facebooka w USA w wieku 18 lat i starszych, poddanych ankiecie od 4 września do 1 października 2018 roku.

Czy użytkownicy mogą wpływać na algorytm lub go ograniczać?

Obie firmy opisują kontrole dla użytkownika. Na oficjalnej stronie YouTube wskazano, że zalogowani użytkownicy mogą w dowolnym momencie wstrzymać, edytować lub usunąć swoją historię wyszukiwania i oglądania, co bezpośrednio zasilą to, co system rekomendacji się uczy. TikTok mówi, że polubienia, obserwacje, komentarze, eksploracja hashtagów i wyraźne nażęcia "Nie interesuje mnie" wszystkie dostosowują przyszłe rekomendacje, oprócz kategorii zainteresowań, które osoba może wybrać podczas pierwszej konfiguracji konta.