Sihir gibi geliyor, ama değil
Netflix'i açıyorsunuz ve ilk sıradaki içerik tam da o an canınızın istediği şey. TikTok'ta on dakika geçiriyorsunuz ve videolar mizah anlayışınıza biraz fazla iyi uyuyor. Uygulamanın sizi tanıdığını düşünmek cazip. Aslında elinde olan şey, sizin gibi insanların neler yaptığına dair devasa bir kayıt ve bu kayıttaki örüntüleri bulmakta çok başarılı bir sistem.
YouTube, Spotify, Amazon, Instagram ve çoğu haber uygulamasında ne göreceğinize bu öneri sistemleri karar veriyor. Nasıl çalıştıklarını sade bir dille anlatayım.
Bir öneri sistemi ne yapar?
Öneri sistemi, henüz görmediğiniz bir şeyi ne kadar seveceğinizi, tıklayacağınızı ya da satın alacağınızı tahmin eder ve size en yüksek tahmini alan öğeleri gösterir. Neredeyse hepsi iki fikir üzerine kuruludur: işbirlikçi filtreleme ve içerik tabanlı filtreleme.
İşbirlikçi filtreleme: sizin gibiler bunu sevdi
İşbirlikçi filtreleme, devasa ölçekte kulaktan kulağa tavsiyedir. Siz de arkadaşınız Ali de bilimkurguya bayılıyorsunuz ve Ali sizin izlemediğiniz bir fantastik diziyi de izlemiş. Ali o diziyi çok sevdiyse, sizin de sevme ihtimaliniz epey yüksek.
Sistem aynı şeyi milyonlarca insanla yapar. Geçmişinizi (neyi izlediğinizi, beğendiğinizi, satın aldığınızı ya da geçtiğinizi) herkesinkiyle karşılaştırır, zevkleri sizinkiyle örtüşen insanları bulur ve onların sevip sizin henüz denemediğiniz şeyleri önerir. Bir içeriğin ne hakkında olduğunu bilmesine hiç gerek yoktur; yalnızca kimin sevdiğini bilmesi yeterlidir.
Bu yaklaşım, Netflix'in 2006-2009 yılları arasında düzenlediği Netflix Prize yarışmasıyla ünlendi. Netflix, puan tahminlerini yüzde 10 iyileştirebilene bir milyon dolar ödül vaat etmişti. Kazanan ekipler büyük ölçüde matris ayrıştırmaya dayanıyordu; bu teknik milyonlarca puanı, her kullanıcı ve her film için az sayıda gizli "zevk boyutuna" indirger.
İçerik tabanlı filtreleme: sevdiğinizden biraz daha
İçerik tabanlı filtreleme içeriğin kendisine bakar. Güçlü bir kadın başrolün olduğu çok sayıda polisiye dizi izliyorsanız, sistem bu dizilerin özelliklerine (tür, oyuncular, temalar, tempo) bakar ve bu özellikleri paylaşan başka içerikler bulur. Mantığı şudur: "Bu gerilim filmini sürpriz sonu yüzünden sevdin, işte sürpriz sonlu on gerilim filmi daha."
Güçlü yanı, henüz kimsenin puanlamadığı yepyeni içerikler için de çalışması. Zayıf yanı ise sizi nadiren şaşırtması.
Pratikte: ikisi birden ve çok daha fazlası
Büyük platformlar ikisini birleştirir ve çok daha fazla sinyal ekler. Örneğin TikTok bir videoyu ne kadar süre izlediğinize, tekrar izleyip izlemediğinize, paylaşıp paylaşmadığınıza, ayrıca videonun açıklamasına, sesine ve etiketlerine bakar ve hepsini her aday video için tek bir tahminde birleştirir.
Sistem "benzer"i nasıl ölçer?
İki yöntem de iki şeyin ne kadar birbirine benzediğini ölçmeye dayanır. İki kullanıcı, aynı filmlerin çoğuna aynı puanları verdiyse benzerdir. İki video, etiketleri, sesleri ya da görsel tarzları örtüşüyorsa veya genellikle aynı kişiler tarafından izleniyorsa benzerdir. Stranger Things'i ve The Umbrella Academy'yi kaç kişi birlikte izlemiş? Bu sayı olağanüstü yüksekse iki dizi sistemin haritasında birbirine yakın durur ve birini sevmek, diğerinin size önerilme ihtimalini artırır.
Bunu her kullanıcı ve içerik çifti için tekrarlayın; ortaya devasa bir ilişkiler ağı çıkar. Önerileri kişisel hissettiren de bu ağdır.
Neden bu kadar iyi, hatta bazen fazla iyi çalışıyor?
Bir uygulamayı ne kadar çok kullanırsanız elindeki veri o kadar artar ve tahminleri o kadar iyileşir. Ama bir sorun var. Size yalnızca zaten sevdiğiniz şeyleri gösteren bir sistem sizi bir filtre balonuna hapsedebilir; akışınızdaki her şey zaten düşündüğünüzü ve sevdiğinizi onaylar. Bir akışın aynı anda hem tam size göre hem de tuhaf biçimde tekrara düşmüş hissettirmesinin nedeni bu.
Platformlar bunun farkında ve çoğu bilinçli olarak biraz keşif içeriği ekliyor: zevkinizin sandığından geniş olup olmadığını test etmek için modelin pek emin olmadığı içerikler. Yeni kullanıcılar ise tam tersi bir sorunla karşılaşır; buna soğuk başlangıç (cold start) denir. Dayanacak bir geçmiş olmadığında uygulama, sizi daha iyi tanıyana kadar popüler olanı göstermekle yetinir.
Onu durmadan eğitiyorsunuz
Her hareketiniz sistemi besliyor: bitirdiğiniz bir dizi, iki saniye sonra geçtiğiniz bir video, tekrar tekrar dinlediğiniz bir şarkı. Çoğu zaman fark etmeden ona sürekli tercihlerinizi öğretiyorsunuz. Bu da haklı sorular doğuruyor: gizlilik (ne toplanıyor ve ne kadar süre saklanıyor), önyargı (sistem kimin zevkini öne çıkarmayı öğreniyor) ve özerklik (seçtiklerinizin ne kadarı gerçekten sizin seçiminiz). Temelleri anlamak, bunların herhangi biri hakkında fikir sahibi olmanın ilk adımı.
Kontrolü biraz geri almak
- Geçmişinizi temizleyin ya da duraklatın; özellikle önerileriniz istemediğiniz bir yöne kaydığında.
- Bilerek daha çeşitli içeriklere yönelin. Algoritma size ancak sevebileceğinizi düşündüğü şeyleri gösterebilir.
- Ayrı profiller kullanın; farklı kişiler, hatta farklı ruh hâlleri için. Böylece biri diğerinin önerilerini bozmaz.
- "İlgilenmiyorum" düğmesini kullanın. Olumsuz geri bildirim, çoğu sistemin aldığı en güçlü sinyallerden biri.
Kişiselleştirmeyi tamamen kapatabilir misiniz? Bazı platformlar takibi sınırlamanıza ya da kişiselleştirilmemiş bir akış kullanmanıza izin veriyor. Avrupa Birliği'nde Dijital Hizmetler Yasası, en büyük platformların profillemeye dayanmayan en az bir öneri seçeneği sunmasını zorunlu tutuyor. Bunu kullanırsanız önerilerin size daha az uyacağını bilin.
Son söz
Önerileri anlamak için veri bilimci olmanız gerekmiyor; biraz merak ve sağlıklı bir şüphecilik yeterli. Bu sistemler sizi ekranda neyin tutacağını tahmin etmekte çok başarılı, ama bu her zaman sizin için iyi olanla aynı şey değil. Bunu akılda tutarak kullandığınızda onlar sizin için çalışır, siz onlar için değil.
