جدول المحتويات
هل جربت يومًا فهم السبب وراء توصيات Netflix المستمرة بالأفلام التي تثير شكوكك في قراراتك؟ لست وحدك. إن اعتمادنا على الذكاء الاصطناعي في توصيات الوسائط يقف وراء تغير طريقة استهلاكنا للمحتوى الإعلامي، لكن ببعض الغموض. تستعرض هذه المقالة عالم Netflix المثير للاهتمام في خوارزميات التوصيات، وتكشف لماذا يبدو في بعض الأحيان أنها تعتقد أن ذوقك يميل للأفلام السيئة. سندرس المعايير وراء تلك التوصيات، ونستكشف حالات حيث ارتكب الذكاء الاصطناعي أخطاء فارغة، ونناقش كيفية تعقيد اختيارات الذوق الشخصي للإنسان. وفي النهاية، سنلقي نظرة على السبل التي يمكن بها تحسين تلك الأنظمة الذكية لخدمة تفضيلاتنا بشكل أفضل.
زيادة الذكاء الاصطناعي في توصيات المحتوى
أصبح الذكاء الاصطناعي عنصرًا أساسيًا في أنظمة توصيات المحتوى الحديثة. من Spotify الذي يقترح أغنيتك المقبلة إلى Amazon الذي يوجهك نحو تلك الأجهزة الإلكترونية الضرورية، فإن الذكاء الاصطناعي في كل مكان. كانت Netflix، بمكتبتها الشاملة من المحتوى، رائدة في استخدام الذكاء الاصطناعي لجذب المشاهدين إلى شاشاتهم.
ابتدأت الرحلة في عام 2006 حين أعلنت Netflix عن جائزة Netflix، وهي تحدي تقدم جائزة مليون دولار لأي شخص يمكنه تحسين خوارزمية التوصيات بنسبة 10٪. هذه المبادرة أدت إلى تقدمات كبيرة في تقنيات التعلم الآلي وتقنيات الفلترة التعاونية. بحلول عام 2010، دمجت Netflix هذه التطورات في منصتها، مغيرة إلى الأبد كيف نكتشف المحتوى الجديد.
يكمن دور الذكاء الاصطناعي في توصيات المحتوى ليس فقط في توجيه خيارات مشاهدتك القادمة، بل في تقديم تجربة شخصية تحافظ على متعة المستخدمين. وفقًا لدراسة سنة 2017 من ماكنزي، 35٪ من مشتريات المستهلكين على أمازون و 75٪ من المشاهدات على Netflix جاءت من التوصيات. يبدو واضحًا أن الذكاء الاصطناعي يقوم بعمل جيد، لكنه ليس بدون أخطاء.
على الرغم من نجاحاته، يحمل الذكاء الاصطناعي في توصيات المحتوى عيوبه. قد تؤدي التعقيدات الناجمة عن ذوق الإنسان وقيود الخوارزميات في بعض الأحيان إلى اقتراحات غريبة وساخرة. وهذا يوجهنا نحو جوهر القضية: لماذا تعتقد Netflix أنك تحب الأفلام المروعة؟
فهم خوارزمية Netflix
لقد تجاوزت خوارزمية التوصيات في Netflix إلى تكنولوجيا متقدمة، لكنها تبقى لغزًا. تعتمد الشركة على مزيج من تقنيات تعلم الآلة، مثل الفلترة التعاونية والفلترة المعتمدة على المحتوى والتعلم العميق، لتوقع ما ستستمتع بمشاهدته بعد ذلك.
تعد تقنية التصفية التعاونية واحدة من أهم التقنيات المستخدمة. تعمل من خلال تحليل عادات المشاهدة لملايين المشاهدين للعثور على أنماط وتشابهات. على سبيل المثال، إذا وجد الخوارزم أن لديك مع مشاهد آخر تاريخ مشاهدة متشابه، فسيفترض أنكما قد تستمتعان بنفس الأفلام الجديدة. هذا النهج، رغم فعاليته، قد يؤدي أحيانًا إلى توصيات غريبة عندما تحتوي مجموعة البيانات على قيم متطرفة أو انحرافات.
من ناحية أخرى، فإن التصفية المعتمدة على المحتوى تركز على خصائص المحتوى نفسه. عند مطابقة المحتوى الجديد مع تفضيلاتك السابقة، يتم التركيز على الأنواع، والممثلين، والمخرجين، وحتى الكلمات الأساسية المستخدمة. يمكن أن يكون هذا النهج أكثر دقة، لكنه مقيد بالجودة.
المقاييس وراء توصيات الأفلام
توقيت المشاهدة يعد معياراً هاماً. مع كل وقت تقضيه في مشاهدة نوع معين من المحتوى، زيادة احتمالية توصية الخوارزمية بمحتوى مشابه. هذا يُمكن أن يكون أمراً معقداً. إذا شاهدت فيلمًا سيئًا بفضول أو لأنك نمت ولازال نتفليكس مشغلًا، قد تفهم الخوارزمية بشكل خاطئ أنك استمتعت به.
المعدلات الانتهاء هي معيار آخر مهم. بمجرد انتهائك من فيلم أو مسلسل، يستعيد الخوارزمية أنك قد استمتعت به. ومع ذلك، هذا المعيار يمكن أن يكون مضللاً. قد تنتهي من مشاهدة فيلم لأنك تأمل في تطوره، أو ربما لأنك كنت عنيدًا للدفع إلى الأمام. بشكل عام، تعتبر الخوارزمية هذا ايجابيًا.
كانت تقييمات المستخدمين تلعب دوراً كبيراً في توصيات نتفليكس، ولكن الشركة قد انتقلت إلى نظام الإعجاب/عدم الإعجاب. على الرغم من أنه بسيط، إلا أن هذا النظام الثنائي يفتقد للحساسية المتوفرة في تقييمات الخمس نجوم ويربما يؤدي إلى توصيات أقل دقة. قد يُعامل فيلم تعتقد أنه جيد بنفس الطريقة التي يتم فيها التعامل مع فيلم أعجبك أو لم يعجبك.
المعيار الآخر الذي تأخذه نتفليكس بعين الاعتبار هو تنوع توقيت المشاهدة. إذا شاهدت مجموعة واسعة من الأنواع والأساليب من المحتوى، ستكون لدى الخوارزمية معلومات أكبر للتعامل معها، مما يؤدي إلى توصيات أكثر دقة. لكن، إذا كان توقيت مشاهداتك محدودًا، فإن الخوارزمية تملك أقل معلومات للعمل وقد ترتكب المزيد من الأخطاء.
عندما يخطئ الذكاء الاصطناعي: دراسات الحالة
الذكاء الاصطناعي ليس خاليًا من الأخطاء، وهناك العديد من دراسات الحالة الممتعة حيث انحرفت خوارزمية توصيات نتفليكس بشكل مضحك. أحد الأمثلة البارزة هو ميزة “لأنك شاهدت”، التي تقدم أحيانًا اقتراحات مربكة. تخيل أنك تشاهد وثائقيًا جادًا حول المناخ ثم تُوصى بفيلم كوميدي ساخر. هذا يثير الشك في عملية التفكير لدى الخوارزمية.
حالة أخرى تتعلق بـ “تأثير آدم ساندلر المشهور”. وقعت نتفليكس في اتفاقية مع آدم ساندلر، وفجأة، وجد المستخدمون الذين شاهدوا فيلمًا واحدًا لساندلر أن توصياتهم تُغلق على فيلموجرافيته بأكمله. بينما قد يحب بعض الأشخاص أفلام ساندلر، كان آخرون يتساءلون لماذا اعتقدت نتفليكس أنهم يرغبون في المزيد من نفس الفكاهة السطحية.
حالة أخرى شائعة هي “مأزق أفلام العطلة”. عندما تبدأ المواسم المهدية، يزيد نتفليكس من اقتراحاتها لأفلام عيد الميلاد. إذا قررت مشاهدة واحدة من فضول، قد تلاحظ أن توصياتك ستكون مليئة بأفلام العطلة لفترة طويلة. يبدو أن الخوارزمية تفترض أنك أصبحت فجأة عاشقًا لعيد الميلاد لمدة العام كاملاً.
ثم يأتي “مفارقة المتعة السرية”. لدينا جميعًا تلك الأفلام التي نستمتع بها سرًا ولكننا نتردد في الاعتراف بها. سواء كانت كوميدية رومانسية مبتذلة أو فيلم رعب بميزانية منخفضة. الخوارزمية لا تدرك فكرة المتعة السرية وستُوصي باستمرار بمحتوى مماثل، مما يُثير غضبك.
العنصر البشري: لماذا تعتمد الاختيارات على الذوق الشخصي
أحد التحديات الرئيسية أمام الذكاء الاصطناعي في توصية المحتوى هي الطبيعة الشخصية لتفضيلات الأفراد. ما يعتبره الشخص موهبة، يمكن أن يُرى من قبل الآخرين كضياعًا للوقت تمامًا. هذه الجوانب الشخصية تجعل من الصعب للغاية على الخوارزمية أن تحصل دائمًا على التوصيات الصحيحة.
تلعب الفروقات الثقافية أيضًا دوراً حاسمًا في تشكيل تفضيلاتنا. فيلم ناجح في بلد قد يكون فاشلاً في آخر بسبب اختلاف القواعد الثقافية والقيم. نتفليكس تعمل في
أكثر من 190 دولة، مما يجعل من الصعب جدًا تخصيص التوصيات للمستخدمين الفرادى.
اللقاءات الشخصية والعواطف تشكل ذوقنا أيضًا. فيلم شاهدته خلال فترة فرحية أو حزينة في حياتك قد يكون له أهمية كبيرة بالنسبة لك، ولكن الخوارزمية تفتقر إلى القدرة على فهم هذا السياق. إنها قادرة فقط على فحص نقاط البيانات، وليس على العواطف المضمنة فيها.
علاوة على ذلك، تتطور تفضيلاتنا مع مرور الوقت. ما أثار اعجابك قبل خمس سنوات قد لا يعجبك اليوم. ومع ذلك، تعتمد الخوارزمية على البيانات التاريخية، مما قد يؤدي أحيانًا إلى توصيات قديمة أو غير ذات صلة. وهذا يفسر لماذا قد تتلقى توصيات لأفلام قد تجاوزتها منذ فترة طويلة.
معالجة النقائص: تحسين توصيات الذكاء الاصطناعي
إذاً، كيف يمكننا تحسين توصيات الذكاء الاصطناعي لتناسب تفضيلاتنا المتنوعة والمتغيرة باستمرار؟ إحدى الاستراتيجيات هي دمج المزيد من مدخلات المستخدمين في الخوارزمية. تسمح للمستخدمين بتقديم تقييمات وآراء مفصلة يمكن أن تساعد الخوارزمية في فهم تفاصيل تفضيلات كل فرد.
يعتبر إدخال مزيد من التنوع في عملية التوصيات حلاً آخر. من خلال عرض المستخدمين لمجموعة أوسع من المحتوى، يمكن للخوارزمية جمع المزيد من نقاط البيانات وتوليد توقعات أكثر دقة. لقد بدأت Netflix بالفعل في ذلك من خلال عرض مختلف الأنواع والفئات على صفحتها الرئيسية.
تحسين جودة البيانات الوصفية أمر أساسي أيضًا. كلما كانت البيانات الوصفية شاملة ودقيقة، كلما استطاعت الخوارزمية مواءمة المحتوى مع تفضيلات المستخدمين بشكل أفضل. وهذا يشمل ليس فقط التفاصيل الأساسية مثل النوع والفريق التمثيلي ولكن أيضًا سمات أكثر تحديدًا مثل اللهجة والإيقاع والمواضيع.
أخيرًا، يمكن أن يساعد دمج المزيد من الإشراف البشري في عملية التوصيات في تحديد وتصحيح الأخطاء التي قد تغفل عنها الخوارزمية. يمكن لـ Netflix أن تشهر المشرفين بمراجعة وضبط التوصيات، مضمنة بذلك توافقها أكثر مع تفضيلات المستخدمين.
الاستنتاج
لختام الأمر، على الرغم من أن خوارزمية توصيات Netflix تعتبر إنجازًا تكنولوجيًا رائعًا، إلا أنها ليست خالية من العيوب. يمكن أن تؤدي المقاييس التي توجه هذه التوصيات أحيانًا إلى اقتراحات غريبة ومضحكة، وتقدم الطبيعة الشخصية لتفضيلات البشر طبقة أخرى من التعقيد. ومع ذلك، من خلال دمج المزيد من تعليقات المستخدمين، وتحسين جودة البيانات الوصفية، وإدخال المزيد من الإشراف البشري، يمكننا تنقيح هذه الأنظمة الذكية لفهم تفضيلاتنا المتنوعة بشكل أفضل وتلبيتها. لذا، في المرة القادمة التي يقترح فيلمًا مخيبًا للآمال Netflix، خذها بروية وتذكر أن للذكاء الاصطناعي أحيانًا خطوات غير دقيقة.
