Netflix to platforma streamingowa, która zasłynęła nie tylko bogatą biblioteką filmów i seriali, ale też wyjątkowo trafnymi rekomendacjami dla swoich użytkowników. Sztuczna inteligencja (AI) odgrywa kluczową rolę w tym, jak Netflix podpowiada nam kolejne tytuły do obejrzenia. Szacuje się, że ponad 80% treści oglądanych na Netflix jest odkrywanych właśnie dzięki spersonalizowanym rekomendacjom algorytmu.
Innymi słowy, większość tego, co wybieramy do obejrzenia, jest efektem pracy „czarnej skrzynki” – zaawansowanych modeli uczenia maszynowego analizujących nasze gusta. Poniżej przyglądamy się szczegółowo, jak działa to magiczne narzędzie: od personalizacji propozycji, przez algorytmy AI i analizę zachowań widzów, po wpływ AI na tworzenie nowych produkcji oraz omówienie korzyści i wyzwań z tym związanych.
Personalizacja rekomendacji – jak Netflix dopasowuje treści do widza
Jednym z największych atutów Netflixa jest personalizacja – każdy użytkownik widzi na swojej stronie głównej inny zestaw polecanych filmów i seriali, skrojony pod jego unikalny gust. Platforma dzieli swoich widzów na tysiące „społeczności smaków” (ang. taste communities), grupujących osoby o podobnych upodobaniach.
Według Netflix, istnieje około 1300 klastrów rekomendacyjnych, które filtrują katalog liczący kilka tysięcy tytułów, aby dobrać te najbardziej pasujące do profilu każdego z ponad 200 milionów użytkowników na świecie.
To oznacza, że jeśli lubisz np. kryminały polityczne i historie z silnymi postaciami kobiecymi, Netflix przypisze Cię do odpowiedniej grupy i pokaże tytuły cieszące się popularnością wśród osób o podobnym guście.
Co wpływa na personalizację? Przede wszystkim Twój historyczny wybór treści. Algorytm bierze pod uwagę, co oglądałeś(-aś) w przeszłości, jakie gatunki lubisz, których aktorów i reżyserów cenisz, a nawet w jakim tempie pochłaniasz kolejne odcinki. Przykładowo, jeśli jednego wieczoru obejrzałeś cały sezon serialu „The Crown”, system „wie”, że spodobały Ci się „kostiumowe dramaty historyczne z silnymi postaciami kobiecymi” i zaproponuje podobne treści – np. seriale pokroju „Bridgerton” czy „Downton Abbey”
Jeśli z kolei masz słabość do komedii romantycznych, na Twojej stronie głównej częściej pojawią się lekkie filmy miłosne, a miłośnikowi thrillerów psychologicznych Netflix podsunie mrożące krew w żyłach dreszczowce.
Co ciekawe, Netflix personalizuje nie tylko jakie tytuły rekomenduje, ale także jak je prezentuje.
Okładki i miniatury filmów również są dobierane pod gusta użytkownika. Na przykład film „Buntownik z wyboru” (Good Will Hunting) może być pokazywany różnym widzom z innym obrazkiem: fanowi komedii platforma wyświetli na okładce uśmiechniętego Robina Williamsa (znanego z ról komediowych), a wielbicielowi romansów – kadr z romantycznej sceny Matta Damona i Minnie Driver
Wszystko po to, by maksymalnie przyciągnąć Twoją uwagę. Jeśli uwielbiasz danego aktora, Netflix może nawet zaprezentować Ci miniaturę filmu eksponującą właśnie tę postać, zachęcając: „Zobacz, gra tu Twój ulubieniec!” Takie personalizowanie grafiki to efekt algorytmów, które na podstawie danych decydują, która wersja okładki danego tytułu najbardziej Cię zainteresuje.
Dzięki tej personalizacji, Twój Netflix staje się inny niż Netflix sąsiada – każdy profil użytkownika to unikatowa kombinacja polecanych treści. W praktyce około 75–80% oglądanych godzin na platformie pochodzi z takich spersonalizowanych poleceń, co pokazuje, jak skuteczny jest system rekomendacji w angażowaniu widzów.
Algorytmy sztucznej inteligencji – technologie stojące za rekomendacjami
Personalizacja w Netflix nie byłaby możliwa bez zaawansowanych algorytmów AI i modeli uczenia maszynowego, które przetwarzają ogromne zbiory danych o naszych upodobaniach. Początki sięgają roku 2006, kiedy to Netflix ogłosił słynny konkurs Netflix Prize – oferując milion dolarów za poprawienie o 10% skuteczności ówczesnego algorytmu rekomendacji (nazywanego Cinematch).
Konkurs ten zapoczątkował dynamiczny rozwój algorytmów rekomendacyjnych. Zwycięskie rozwiązanie łączyło wiele metod (m.in. faktoryzację macierzy oraz ograniczone maszyny Boltzmanna), co pozwoliło znacznie precyzyjniej przewidywać oceny filmów przez widzów
Choć Netflix ostatecznie nie wdrożył bezpośrednio tego zwycięskiego modelu do produkcji (bo w międzyczasie zmienił się charakter danych i interfejsu), konkurs udowodnił, że uczenie maszynowe potrafi skutecznie przewidywać gusta widzów.
Dzisiejszy system rekomendacji Netflixa jest dużo bardziej złożony i korzysta z hybrydowego podejścia, łącząc kilka typów algorytmów
- Filtrowanie współdziałające (collaborative filtering)
Klasyczna metoda rekomendacji, która szuka podobieństw między użytkownikami. Jeżeli inni o zbliżonym profilu do Ciebie wysoko ocenili serial “Stranger Things”, istnieje spora szansa, że Tobie również się on spodoba. Netflix wykorzystuje zarówno podejście user-based (szukanie „sąsiadów” o podobnym guście), jak i item-based (szukanie filmów podobnych do tych, które już lubisz). W początkach działania serwisu filtrowanie współdziałające opierało się głównie na ocenach gwiazdkowych, jakie wystawiali widzowie. Jednak z czasem okazało się, że nie każdy widz ocenia filmy, za to każdy coś ogląda – więc dziś większy nacisk kładzie się na dane implicit (zachowanie) niż explicit (jawne oceny).
- Metody oparte na zawartości (content-based filtering)
Skupiają się na cechach samego filmu czy serialu. Każdy tytuł w katalogu Netflixa jest opisany dziesiątkami atrybutów: gatunek (komedia, thriller, dokument itd.), obsada (aktorzy, reżyser), kraj produkcji, tematyka, styl, tempo narracji, nastrój itp. Netflix zatrudnia nawet specjalnych taggerów, którzy oglądają każde nowe dzieło i przypisują mu szczegółowe tagi – od oczywistych, jak „dramat historyczny”, po bardziej niszowe, jak „serial o dojrzewaniu” czy „komedia z czarnym humorem”. Algorytmy analizują te metadane, aby znaleźć treści podobne do tych, które już polubiłeś. Przykładowo, jeśli często oglądasz filmy z określonym aktorem, system to zauważy i zarekomenduje Ci inne produkcje z jego udziałem. Content-based filtering jest ważne zwłaszcza wtedy, gdy gust widza jest nietypowy – pomaga odkryć niszowe perełki na podstawie ich cech, nawet jeśli mało kto inny je ogląda.
- Uczące się rankery (learning-to-rank) i modele głębokiego uczen