Hur Netflix använder AI för bättre innehållsrekommendationer

Netflix: världens mest populära prenumerationsbaserade videostreaming som erbjuds över hela världen!

”Black Mirror, Dead to Me och Medici”. – Topprekommendationer på Netflix att titta på härnäst.

Men hur kan Netflix veta vilken genre som bäst passar användarens smak?

Allt tack vare de toppmoderna rekommendationsmotorerna.

En rekommendationsmotor är ett verktyg för datafiltrering som använder data och algoritmer för att filtrera en katalog och förutspå relevanta objekt och produkter för användaren. Rekommendationsmotorer kombinerar både innehållsbaserade och samarbetsbaserade metoder. Nu förlitar sig det innehållsbaserade tillvägagångssättet på de inneboende objekt som användaren tidigare har visat intresse för och föreslår därmed ett liknande mönster av dessa egenskaper. Å andra sidan analyserar ett samarbetsbaserat tillvägagångssätt alla användare av tjänsten och rekommenderar en ny användare baserat på relevanta objekt från andra användare med liknande smak.

1 miljon dollar: priset som Netflix vann för de idéer som de projicerar på bättre rekommendationsmotorer.

Miljonärsföretaget lade ner ett stort intresse på att idealisera idéer från djupinlärning och maskininlärning i ingenjörskonsten bakom produkten.

Här är vad Netflix Senior Data Scientist, Mohammad Sabah sa 2014,

”75 procent av användarna väljer filmer baserat på företagets rekommendationer, och Netflix vill göra den siffran ännu högre.”

I dag är Netflix tveklöst sinnebilden för innehållsrekommendationer och personlig användarupplevelse.

Lång historia i korthet:

Domänerna bakom Netflix, Randolph och Hastings samlar in data om användarinteraktion i ett försök att få bättre och tydligare insikter om hur kunderna använder DVD-uthyrningsmjukvaran. Därefter började de samla in data genom enkäter och till och med genom att ringa till användarnas bostäder. Lyckligtvis för dem utvecklades tekniken i takt med att deras metod för att samla in data.

Även efter två decennier är Netflix fortfarande på väg att göra förbättringar med hjälp av viktiga insikter om mjukvaruanvändning. Så småningom kommer AI och maskininlärning att spela en större roll, vilket gör det möjligt för varje abonnent att genomgå en upplevelse i enlighet med den granulära kunskapen i abonnentbasen.

Vilka förändringar genomgick Netflix?

De flesta rekommendationssystem fungerar med hjälp av att användarna rangordnar produkter utifrån en skala från 1 till 5. Men Netflix har gjort sig av med det. Miljonföretaget bestämde sig för att gå över till en enklare version av systemet för betygsättning med tummen upp eller tummen ner tillsammans med en procentsats som visar kompatibiliteten mellan användaren och filmen. Förändringen skedde av vissa skäl som att människor i allmänhet betygsätter filmer för din räkning, vilket gör att deras betyg kan vara partiska. Detta hade i viss mån en inverkan på algoritmerna (input och output). Så i stället för att få inmatningarna i form av 0 och 5 får den nu ett mer detaljerat binärt ”ja” och ett binärt ”nej” beroende på om användaren uppskattar filmen eller inte. Och när det gäller utdata måste systemet ge en procentuell överensstämmelse mellan användaren och filmen. Du kan föreställa dig hur mycket arbete algoritmingenjörerna och AI-ingenjörerna var tvungna att lägga ner.

Beroende av detta har Netflix bestämt sig för att använda mer data för att erbjuda den bästa rekommendationen. För närvarande är de flesta av Netflix rekommendationer baserade på deras globala publik. Därmed är förslagen inte längre begränsade till regionspecifika. En annan viktig anledning till att Netflix hade snabb expansion.

👉Minnesbilder/artanpassning

Minnesbildernas projektion har gjort det ännu enklare för användarna att välja de filmer de föredrar. De flesta användare tenderar att välja filmer eller serier utifrån miniatyrbilden för att avgöra om det är värt att se filmen eller inte. Med tiden inser Netflix att titeln ensam inte kan övertyga användaren att titta på filmen, därmed har deras projektion mot dynamisk personlig miniatyrbild.

Varje miniatyrbild som väljs är algoritmbaserad, genom vilken användarnas preferenser väljs, och baserat på den tidigare visningshistoriken har den valda miniatyrbilden den högsta konverteringsgraden. För varje program i Netflix finns det ett varierat utbud av affischer som var och en vänder sig till en specifik grupp tittare. Eftersom algoritmen samlar in data och information om användaren baserat på miniatyrbilderna ger den ett bättre svar när det gäller att identifiera användarens genre.

👉Optimal streamingkvalitet

Strömningskvaliteten är en viktig mätare som specifikt bidrar till avvisningsfrekvensen. Med över 140 miljoner prenumeranter världen över blir det en utmaning för Netflix att erbjuda sina tittare den bästa streamingkvaliteten. Men med hjälp av AI och maskininlärning kan Netflix nu förutsäga framtida krav och placera tillgångar på strategiska serverplatser långt i förväg. Genom att i förväg placera videotillgångarna närmare abonnenterna kan tittarna strömma video av hög kvalitet även under rusningstid utan avbrott.

👉Skräddarsydda filmrekommendationer gjorda bara för dig

Trots att två personer loggar in på Netflix samtidigt skulle båda erbjudas olika programrekommendationer. Även om detta kan tyckas uppenbart på ytan är dock den inre historien helt annorlunda. Netflix rekommendationssystem arbetar på algoritmbaserad, men den viktigaste faktorn som ökar relevansen av dessa rekommendationer är på grund av maskininlärning och AI. Algoritmen lär sig allteftersom data samlas in. Ju mer tid du spenderar på Netflix, desto mer relevanta program kommer därför att rekommenderas.

Netflix rekommenderade motor som är värd över 1 miljard dollar per år kommer med ett personligt rutnät av förslag som endast är anpassat till tittarnas smak.

Lämna ett svar

Din e-postadress kommer inte publiceras.