Un algoritm de recomandare este un sistem care estimează ce te-ar putea interesa și ordonează conținutul în funcție de această estimare. Fluxul unei rețele sociale, lista „s-ar putea să-ți placă” dintr-un magazin online, următorul videoclip care pornește singur sau playlistul generat automat sunt toate rezultatul unor astfel de sisteme, care aleg pentru tine câteva zeci de elemente din milioane posibile.
Recomandările se bazează pe urmele pe care le lași, de la ce apeși la cât timp te oprești pe o imagine, și pe comportamentul altor milioane de utilizatori. Mai jos afli ce date folosesc aceste sisteme, cum funcționează principalele metode, ce optimizează de fapt, de ce pot închide oamenii în bule și ce poți face concret ca să ai mai mult control asupra a ceea ce vezi.
Ce este un algoritm de recomandare și de ce există
Un algoritm de recomandare există pentru că oferta depășește cu mult timpul tău de atenție. O platformă video primește în fiecare minut mai mult conținut decât ai putea urmări într-o viață, iar un magazin online are sute de mii de produse. Fără un filtru, ai vedea un amestec haotic; cu un filtru, vezi o selecție care, ideal, se potrivește cu interesele tale.
Problema poate fi formulată simplu: pentru fiecare pereche „utilizator – element”, sistemul încearcă să prezică o valoare, de exemplu probabilitatea să apeși, să urmărești până la capăt sau să cumperi. Apoi îți arată elementele cu valorile cele mai mari. Tot restul, de la colectarea datelor la modelele complicate, servește la a face această predicție mai precisă.
Cele mai multe sisteme moderne folosesc învățarea automată, adică modele care descoperă singure tipare în date, fără reguli scrise manual de programatori. Bazele acestei tehnologii sunt explicate în articolul despre învățarea automată, iar imaginea de ansamblu în ghidul despre inteligența artificială.
Semnalele pe care le folosesc
Algoritmii învață din două tipuri de semnale: cele pe care le dai intenționat și cele pe care le lași fără să te gândești. Cele implicite sunt mult mai numeroase și, de multe ori, mai importante pentru sistem.
| Tip de semnal | Exemple | Ce spune despre tine |
|---|---|---|
| Explicit | apreciere, evaluare cu stele, abonare, „nu mă interesează” | ce declari că îți place |
| Implicit, de atenție | cât timp privești, dacă derulezi mai departe, dacă revii | ce te captează de fapt |
| Implicit, de acțiune | clic, distribuire, comentariu, salvare, cumpărare | ce te mobilizează |
| Context | ora, ziua, dispozitivul, limba, poziția aproximativă | în ce situație ești |
| Social | ce urmăresc prietenii și conturile la care ești abonat | cercul tău |
| Al elementului | subiect, durată, popularitate, noutate, autor | ce este conținutul |
Un detaliu care surprinde pe mulți: timpul petrecut pe un element contează adesea mai mult decât aprecierile. Dacă te oprești zece secunde pe o știre despre un accident, chiar fără să apeși nimic, sistemul poate învăța că acel tip de conținut îți reține atenția și îți va arăta mai mult.
Multe dintre aceste semnale sunt colectate și în afara platformei, prin cookie-uri și pixeli de urmărire integrați în alte site-uri, mecanism detaliat în articolul despre urmărirea online. Contextul de locație vine, la rândul lui, din poziția telefonului, calculată cum explicăm în ghidul despre GPS.
Filtrarea colaborativă: „oamenii ca tine au mai ales…”
Filtrarea colaborativă recomandă ce au apreciat utilizatorii cu gusturi asemănătoare cu ale tale, fără să aibă nevoie să „înțeleagă” conținutul. Este metoda clasică, de la care au pornit primele sisteme de recomandare din magazinele online.
Cum funcționează pe un exemplu
Imaginează-ți un tabel uriaș, cu utilizatorii pe rânduri și filmele pe coloane, în care fiecare căsuță conține nota dată de un utilizator unui film sau rămâne goală. Majoritatea căsuțelor sunt goale, pentru că fiecare om a văzut doar o mică parte din filme. Sistemul caută utilizatori ale căror note seamănă cu ale tale și completează căsuțele tale goale cu notele lor.
Există două variante:
- bazată pe utilizatori: găsește oameni cu gusturi similare și îți recomandă ce le-a plăcut lor;
- bazată pe elemente: găsește elemente apreciate de aceiași oameni care au apreciat ce îți place ție; de aici vine celebrul „clienții care au cumpărat acest produs au cumpărat și…”.
Factorizarea: gusturile ca puncte în spațiu
Metodele mai avansate descompun tabelul în factori ascunși: fiecare utilizator și fiecare element devin o listă de numere, un fel de coordonate într-un spațiu cu zeci sau sute de dimensiuni. Elementele potrivite pentru tine sunt cele „apropiate” de coordonatele tale. Interesant este că dimensiunile nu sunt definite de nimeni; modelul le descoperă singur, iar uneori corespund unor trăsături recognoscibile, precum „comedie ușoară” sau „documentar științific”, alteori nu au un sens evident.
Filtrarea bazată pe conținut și modelele hibride
Filtrarea bazată pe conținut recomandă elemente asemănătoare, ca trăsături, cu cele care ți-au plăcut deja. Dacă ai citit trei articole despre grădinărit, sistemul analizează textul, etichetele și imaginile acestora și caută alte articole cu caracteristici similare.
| Metodă | Pe ce se bazează | Punct forte | Punct slab |
|---|---|---|---|
| Filtrare colaborativă | comportamentul altor utilizatori | descoperă surprize plăcute, nu are nevoie să analizeze conținutul | nu știe ce să facă cu elementele noi, fără istoric |
| Bazată pe conținut | trăsăturile elementelor | funcționează pentru conținut nou | te ține aproape de ce știi deja |
| Hibridă | ambele, plus context | combină avantajele | complexă, greu de explicat |
| Bazată pe popularitate | ce e urmărit acum de mulți | simplă, utilă pentru utilizatori noi | ignoră preferințele personale |
În practică, platformele mari folosesc modele hibride, în care rețele neuronale primesc toate semnalele deodată. Conținutul este transformat în reprezentări vectoriale (embeddings): textul, imaginea și sunetul devin liste de numere care plasează elementele asemănătoare aproape unele de altele. Același principiu stă la baza modelelor de limbaj și a căutării după sens.
Cum arată un sistem modern: candidați, clasare, reguli
Un sistem de recomandare de mari dimensiuni lucrează în mai multe etape, pentru că nu își poate permite să evalueze în detaliu toate milioanele de elemente pentru fiecare utilizator, de fiecare dată când deschide aplicația.
- Generarea candidaților: din tot catalogul, mai multe metode rapide aleg câteva sute sau mii de elemente posibil relevante: de la conturile pe care le urmărești, similare cu ce ți-a plăcut, populare în zona ta, noi și promițătoare.
- Clasarea: un model mai complex, de obicei o rețea neuronală, estimează pentru fiecare candidat probabilitatea mai multor acțiuni (să privești, să apreciezi, să distribui, să ascunzi) și le combină într-un scor.
- Reordonarea și regulile: se aplică reguli de diversitate (nu zece clipuri la rând de la același autor), se elimină ce ai văzut deja, se filtrează conținutul care încalcă politicile platformei și se inserează reclame.
- Afișarea și învățarea: reacția ta la lista afișată devine imediat date de antrenare pentru data următoare.
Toate aceste etape rulează în fracțiuni de secundă, pe servere din centre de date mari, folosind volume uriașe de date de comportament, ale căror metode de prelucrare sunt descrise în articolul despre big data.
Important: Sistemul nu „știe” ce gândești; el doar observă corelații statistice între comportamente. Dacă altcineva se uită la filme de pe contul tău, recomandările se vor amesteca, pentru că algoritmul vede un singur utilizator.
Ce optimizează de fapt algoritmul
Algoritmul optimizează exact obiectivul pe care i-l stabilesc inginerii, iar acest obiectiv este, în general, legat de interesul platformei. Cel mai des, ținta este combinată din timpul de vizionare, numărul de interacțiuni și revenirea în aplicație, toate legate de veniturile din publicitate sau din abonamente.
| Obiectiv urmărit | Ce câștigă platforma | Efect secundar posibil |
|---|---|---|
| Timp petrecut | mai multe reclame afișate | derulare nesfârșită, greu de oprit |
| Interacțiuni (comentarii, distribuiri) | conținut viu, mai mult trafic | favorizarea subiectelor care provoacă emoții puternice |
| Rata de clic | eficiență aparentă | titluri și imagini care exagerează |
| Satisfacția declarată | fidelizare pe termen lung | mai greu de măsurat, deci folosită mai rar singură |
| Diversitate | descoperire, utilizatori mulțumiți | poate reduce temporar interacțiunea |
Platformele au început să includă în obiective și semnale de calitate, precum sondaje în aplicație sau evaluări ale credibilității surselor, tocmai pentru că optimizarea pură a atenției produce efecte nedorite. Echilibrul exact diferă de la o platformă la alta și nu este, de obicei, public în detaliu.
Bula de filtrare, camera de ecou și explorarea
Bula de filtrare este ideea că un algoritm care îți arată mereu ce îți place te poate izola de puncte de vedere și subiecte diferite. Camera de ecou descrie un fenomen apropiat: un grup în care aceleași opinii se repetă și se amplifică, iar opiniile opuse apar rar sau doar în forme caricaturale.
Cercetările pe acest subiect au rezultate mixte. Unele studii arată că mulți oameni văd online o varietate mai mare de surse decât ar consuma singuri, altele găsesc efecte de îngustare mai ales la utilizatorii foarte activi sau la anumite subiecte. Ce pare sigur este că alegerile personale, cum ar fi pe cine urmărești, și designul algoritmului se amplifică reciproc.
Spirala recomandărilor
Un mecanism ușor de observat este spirala: vizionezi un clip dintr-un domeniu, primești altele asemănătoare, îți rețin atenția, așa că primești și mai multe, eventual tot mai extreme pentru că acestea generează reacții puternice. Ieșirea din spirală cere de obicei o acțiune explicită din partea ta.
Pornirea la rece și explorarea
Problema pornirii la rece apare atunci când sistemul nu are date despre un utilizator nou sau despre un element nou. Fără istoric, filtrarea colaborativă nu are de unde porni.
Soluțiile frecvente sunt:
- întrebarea directă la înscriere, prin alegerea câtorva subiecte de interes;
- recomandarea elementelor populare în țara sau în zona utilizatorului;
- folosirea trăsăturilor de conținut pentru elementele noi, până acumulează reacții;
- explorarea controlată: sistemul îți arată din când în când lucruri din afara profilului tău, ca să afle dacă te interesează.
Echilibrul dintre exploatare, adică a-ți arăta ce știe sigur că îți place, și explorare, adică a încerca ceva nou, este o problemă clasică a acestor sisteme. Prea multă exploatare te plictisește și te închide în bulă; prea multă explorare îți umple fluxul cu lucruri irelevante.
Transparența și regulile europene
În Uniunea Europeană, Regulamentul privind serviciile digitale (DSA) impune platformelor obligații de transparență legate de sistemele de recomandare. Platformele trebuie să explice, în condițiile de utilizare, principalii parametri care decid ce vezi, iar platformele online și motoarele de căutare foarte mari trebuie să ofere cel puțin o opțiune de flux care nu se bazează pe profilarea ta. Reclamele bazate pe profilare nu pot folosi categorii sensibile de date personale și nu pot viza minori.
În România, autoritatea desemnată drept coordonator pentru serviciile digitale este ANCOM, iar pentru drepturile tale privind datele personale, inclusiv dreptul de a afla ce date se prelucrează despre tine, autoritatea competentă este ANSPDCP. Regulile și modul de aplicare se pot schimba, așa că informațiile la zi le găsești pe site-urile celor două instituții.
Cum îți iei controlul înapoi
Nu poți opri complet algoritmii de recomandare, dar poți influența puternic ce îți arată, pentru că ei reacționează la fiecare semnal.
- Folosește butoanele de feedback: „nu mă interesează”, „vezi mai puține de acest fel”, ascunderea unui autor. Sunt semnale explicite, cu greutate mare.
- Alege fluxul cronologic sau cel neprofilat, acolo unde platforma îl oferă.
- Fă curățenie în urmăriri: dezabonează-te de conturile care nu îți mai aduc nimic; ele alimentează direct generarea de candidați.
- Șterge sau pune pe pauză istoricul de vizionare și de căutare, dacă vrei să pornești de la zero.
- Folosește profiluri separate pentru membrii familiei pe aplicațiile video comune.
- Oprește redarea automată a următorului clip.
- Caută activ: căutarea directă și abonarea intenționată la surse alese de tine trimit semnale mai puternice decât derularea pasivă.
Sfat: Dacă simți că un flux îți strică starea, nu te opri doar din apreciat: algoritmul măsoară și cât timp te oprești. Derulează rapid peste conținutul pe care nu-l mai vrei și folosește butonul „nu mă interesează”; efectul se vede de obicei în câteva zile.
Pentru a vedea cum se încadrează aceste sisteme în lanțul complet al tehnologiei digitale, de la biți la aplicații, citește ghidul despre tehnologia digitală. Despre felul în care sunt stocate și interogate datele de comportament afli mai multe în articolul despre bazele de date.
Ce merită reținut despre recomandări
Algoritmii de recomandare prezic, din urmele tale și ale altor utilizatori, ce elemente ți-ar reține atenția, apoi le ordonează în fracțiuni de secundă. Combină filtrarea colaborativă, analiza conținutului și contextul, iar obiectivul lor este stabilit de platformă, de obicei în jurul timpului petrecut și al interacțiunii. Ai mai multă influență asupra lor decât pare, pentru că fiecare gest devine semnal.
De reținut:
- timpul în care te oprești pe un conținut contează la fel de mult ca o apreciere;
- sistemul lucrează în etape: candidați, clasare, reguli;
- obiectivul optimizat nu coincide neapărat cu interesul tău;
- în Uniunea Europeană, platformele foarte mari trebuie să ofere și un flux neprofilat;
- butoanele de feedback și curățenia în urmăriri schimbă vizibil ce vezi.
Întrebări frecvente
Mă ascultă telefonul ca să-mi recomande produse?
Nu există dovezi solide că aplicațiile mari ar înregistra în ascuns conversațiile pentru reclame. Coincidențele se explică de obicei prin alte semnale: căutări, locație, activitatea persoanelor din jur și datele colectate de pe alte site-uri.
De ce văd mereu același tip de conținut?
Pentru că algoritmul a învățat că acel tip îți reține atenția și îți arată mai mult din el. Semnalele negative explicite și urmărirea intenționată a altor subiecte schimbă treptat recomandările.
Pot dezactiva complet recomandările personalizate?
Pe multe platforme poți alege un flux cronologic sau neprofilat, iar platformele foarte mari din Uniunea Europeană sunt obligate să ofere o astfel de opțiune. Recomandările generale, bazate pe popularitate, rămân de obicei.
Algoritmii de recomandare folosesc inteligență artificială?
Da, majoritatea sistemelor moderne folosesc modele de învățare automată, inclusiv rețele neuronale, antrenate pe comportamentul a milioane de utilizatori. Unele componente simple, precum regulile de diversitate, sunt însă scrise manual.
Ștergerea istoricului chiar schimbă recomandările?
De obicei da, pentru că modelul pierde o parte din semnalele pe care se baza. Efectul poate fi temporar, dacă revii la același comportament, iar unele platforme păstrează și alte date, precum abonările.
