Öneri Algoritmaları Nasıl Çalışır: Akışınızı Şekillendiren Yapay Zeka

Birisi YouTube, TikTok veya benzer bir uygulamayı her açtığında, yazılım saniyenin bir kısmında binlerce olası video, şarkı veya gönderiyi sıralar ve ilk olarak hangi küçük bir grubun gösterileceğine karar verir. Bu bir öneri sistemidir: hiçbir insanın manuel olarak göz atamayacağı kadar büyük bir katalogdan, belirli bir kullanıcının en muhtemel istediği öğeleri tahmin etmek için tasarlanmış bir algoritma dizisi.

Her öneri sisteminin arkasındaki iki temel fikir

NVIDIA'nın öneri sistemleri üzerine teknik sözlüğüne göre, çoğu motor iki temel yaklaşımı birleştirir. İşbirlikçi filtreleme, insanlar geçmişte benzer seçimler yaptıysa gelecekte de büyük olasılıkla benzer seçimlerde hemfikir olacaklarını varsayar; bu nedenle sistem eşleşen davranış kalıplarına sahip kullanıcıları arar ve bu benzer kullanıcıların beğendiklerini önerir. İçerik tabanlı filtreleme ise öğelerin kendi özelliklerine bakar — tür, oyuncular, ses özellikleri, etiketler — ve kullanıcının zaten etkileşimde bulunduğu öğelere benzer öğeler önerir.

NVIDIA'nın sözlüğü, bazı platformların kullandığı üçüncü bir katman ekliyor: cihaz türü, günün saati veya konum gibi durumsal ayrıntıları hesaba katan bağlam filtrelemesi. Örnek olarak, Netflix'in bir yapımın izlendiği ülke, cihaz, tarih ve saati, izlemenin kendisiyle birlikte tartma uygulamasını gösteriyor.

Modern sistemler bu yaklaşımları giderek daha fazla derin öğrenme ile değiştiriyor veya tamamlıyor. NVIDIA, kullanıcılar ve öğeler arasındaki doğrusal olmayan ilişkileri yakalamak için matris çarpanlarına ayırmayı çok katmanlı sinir ağlarıyla birleştiren Nöral İşbirlikçi Filtreleme gibi yöntemleri ve bir kullanıcının bir şeyleri izleme veya dinleme sırasındaki kalıpları öğrenmek için tekrarlayan ağlar veya Transformer'lar kullanan sıralama tabanlı modelleri tanımlıyor.

Platformlar kendi algoritmalarının neyi optimize ettiğini nasıl açıklıyor

Şirketler tam sıralama kodlarını nadiren yayınlar, ancak bazıları bunun ardındaki hedefleri ve sinyalleri tanımlar. TikTok'un Haber Odası, Sizin İçin akışının videoları üç sinyal kategorisi kullanarak sıraladığını belirtiyor: kullanıcı etkileşimleri (beğeniler, paylaşımlar, takip etmeler, yorumlar ve bir kişinin oluşturduğu içerikler), video bilgisi (altyazılar, sesler, hashtag'ler) ve cihaz veya hesap ayarları (dil, ülke, cihaz türü). TikTok, bu sinyallerin farklı şekilde ağırlıklandırıldığını söylüyor — daha uzun bir videoyu sonuna kadar izlemek gibi güçlü bir sinyal, diğer izleyicilerle genel bir coğrafyayı paylaşmak gibi zayıf bir sinyalden daha fazla sayılıyor.

TikTok, takipçi sayısının ve bir içerik üreticisinin yüksek performanslı video geçmişinin, belirli bir videonun önerilip önerilmeyeceğinde doğrudan bir faktör olmadığını açıkça belirtiyor. Şirket ayrıca, bir kullanıcının ifade ettiği ilgi alanları dışında kasıtlı olarak içerik karıştırdığını ve aynı içerik üreticisinden veya aynı sesi kullanan ardışık videoları göstermekten kaçındığını söylüyor; bunu, insanları dar bir akışla sınırlamak yerine "yeni içerik kategorileriyle tesadüfen karşılaşmaları için ek fırsatlar" vermenin bir yolu olarak tanımlıyor.

YouTube'un resmi "YouTube Nasıl Çalışır" sitesi, öneri sisteminin hedefini sadece izlenme süresini en üst düzeye çıkarmak yerine, bir izleyicinin neye ihtiyacı olduğunu anlamak ve onu tatmin eden bir izleme deneyimi sunmak olarak çerçeveliyor. Önerileri besleyen girdileri izleme davranışı ve izleme geçmişi, beğeniler ve beğenmemeler gibi açık etkileşimler, abonelikler ve doğrudan geri bildirim, bir kanalın itibarı ve kalitesi ve sadece bir kişinin geçmişi değil, daha geniş izleyici kitlesi arasındaki daha büyük eğilimler olarak listeliyor. YouTube, önerilen içeriğin gerçekten yüksek kalitede olup olmadığını kontrol etmek için davranışsal verileri memnuniyet anketleri ve dış değerlendirici ekiplerle desteklediğini ve haber, finans, sağlık veya bilim gibi hassas konular için güvenilir kaynaklara ekstra ağırlık verdiğini söylüyor.

İki kişi neden aynı akışı asla görmez

İşbirlikçi filtreleme bir kullanıcının davranışını diğer kullanıcılarınkiyle karşılaştırdığından ve içerik filtrelemesi öğeleri bir kişinin kendi geçmişiyle karşılaştırdığından, hiçbir iki hesap aynı sinyal karışımını taşımaz — farklı izleme geçmişleri, farklı takip edilenler, farklı cihazlar ve konumlar. TikTok, hiçbir iki kullanıcının Sizin İçin akışında aynı video kombinasyonunu görmeyeceğini doğrudan belirtiyor. YouTube ve TikTok'un her ikisi de sistemin her yeni etkileşimle güncellenmeye devam ettiğini söylüyor; bu nedenle sabah gözlemlenen bir akış, arada izlenen, atlanan veya "ilgilenmiyorum" olarak işaretlenen şeylere bağlı olarak akşama kadar zaten farklı görünebilir.

İnsanlar bu sistemlerin ne kadar doğru olduğunu düşünüyor?

İnsanların algoritmik kişiselleştirmeyi gerçekte nasıl algıladığına dair araştırmalar, mühendislik literatüründen daha sınırlıdır. 16 Ocak 2019'da yayınlanan bir Pew Research Center anketi, Facebook kullanıcılarına platformun reklam hedeflemesi için kendilerine atadığı ilgi alanı ve özellik kategorilerini sordu. Anket, kullanıcıların %74'ünün bu özellik listesinin varlığından, anket onlara bunu göstermeden önce haberdar olmadığını ve sadece %12'sinin önceden bundan farkında olduğunu buldu. Kendi kategorileri gösterildiğinde, %59'u etiketlerin gerçek hayattaki ilgi alanlarını makul derecede veya çok doğru bir şekilde yansıttığını söylerken, %27'si bunu kabul etmedi; %51'i, bu listeleri doğru buldukları durumlarda bile platformun bu tür listeler derlemesinden rahatsızlık duyduğunu söyledi. Anket, 4 Eylül - 1 Ekim 2018 tarihleri arasında ankete katılan 18 yaş ve üzeri 963 ABD'li Facebook kullanıcısını kapsadı.

Kullanıcılar algoritmayı etkileyebilir veya sınırlayabilir mi?

Her iki şirket de kullanıcıya yönelik kontrolleri tanımlıyor. YouTube'un resmi sayfası, oturum açmış kullanıcıların arama ve izleme geçmişlerini herhangi bir zamanda duraklatabileceğini, düzenleyebileceğini veya silebileceğini belirtiyor; bu, öneri sisteminin öğrendiği şeyi doğrudan besliyor. TikTok, beğenilerin, takip etmelerin, yorumların, hashtag keşfinin ve açık "İlgilenmiyorum" dokunuşlarının, bir kişinin hesabını ilk kurarken seçebileceği ilgi alanı kategorilerine ek olarak, gelecekteki önerileri ayarladığını söylüyor.