نحوه عملکرد الگوریتمهای پیشنهادگر نتفلیکس و علم داده در دنیای استریم
آشنایی با مکانیزمهای درونی غولهای تکنولوژی نه تنها دانشافزا و جالب است، بلکه برای درک آینده تعامل انسان و ماشین ضروری به نظر میرسد. این مقاله قصد دارد نقاب از چهره الگوریتمهای پیچیده نتفلیکس (Netflix) بردارد و بررسی کند که چگونه یک پلتفرم میتواند بهتر از خودمان، سلیقه ما را پیشبینی کند. آیا تا به حال از خود پرسیدهاید که چرا پیشنهادهای صفحه اصلی شما با دوستتان کاملاً متفاوت است؟ یا چرا گاهی احساس میکنید این نرمافزار ذهن شما را میخواند و دقیقاً همان مستندی را جلوی چشمتان میگذارد که شب قبل به آن فکر میکردید؟ در این مطلب میخواهیم فراتر از فرضیات ساده برویم و ببینیم آیا واقعاً هوش مصنوعی (AI) در حال مهندسی کردن علایق ماست یا صرفاً یک آینه تمامقد از رفتارهای ناخودآگاه ما به حساب میآید.
فهرست مطالب
- ۱. شناسنامه و کالبدشکافی پلتفرم
- ۲. داستان دادهها؛ از DVD تا یادگیری ماشین
- ۳. فراتر از امتیازدهی ستارهای
- ۴. خوشهبندی جوامع چشایی (Taste Communities)
- ۵. الگوریتمهای بازوهای چندگانه (Multi-Armed Bandits)
- ۶. جادوی پوسترهای پویا و شخصیسازی بصری
- ۷. روانشناسی پنهان در پس «تماشای پیدرپی»
- ۸. تفاوت فیلترینگ مشارکتی و محتوامحور
- ۹. اسرار پشتپرده و سوءبرداشتهای رایج
- ۱۰. آیندهنگری و تاثیر بر صنعت سینما
شناسنامه و کالبدشکافی پلتفرم
نتفلیکس در سال ۱۹۹۷ توسط رید هستینگز (Reed Hastings) و مارک راندولف (Marc Randolph) به عنوان یک سرویس اجاره دیویدی از طریق پست تاسیس شد. این شرکت با تغییر مدل کسبوکار خود به استریم در سال ۲۰۰۷، انقلاب بزرگی در مصرف رسانه ایجاد کرد و اکنون میزبان بیش از ۲۶۰ میلیون کاربر جهانی است. بازیگران اصلی این پلتفرم در واقع نه هنرپیشگان هالیوودی، بلکه الگوریتمهایی هستند که بر پایه زبانهای برنامهنویسی مثل پایتون (Python) و فریمورکهای یادگیری عمیق بنا شدهاند. هر تماشاگر در این سیستم یک پروفایل منحصربهفرد دارد که بر اساس میلیاردها داده ورودی در لحظه بهروزرسانی میشود.
داستان دادهها؛ از DVD تا یادگیری ماشین
در ابتدا نتفلیکس فقط یک مخزن فیلم بود که مردم دیسکهای فیزیکی را از آن کرایه میکردند و پس از تماشا، دوباره پست میکردند. این شرکت با برگزاری مسابقهای معروف به نام جایزه نتفلیکس (Netflix Prize) در سال ۲۰۰۶، یک میلیون دلار به تیمی جایزه داد که بتواند دقت پیشبینی امتیازدهی کاربران را ۱۰ درصد بهبود ببخشد. از آن زمان تاکنون، تمرکز از مدلهای ایستا به مدلهای پویا و بلادرنگ (Real-time) تغییر کرده است. امروزه دادههای بزرگی از زمان دقیق توقف فیلم، تکرار یک صحنه و حتی زمانی که شما ناامید شده و اپلیکیشن را میبندید، استخراج میشود. سیستم یاد گرفته است که بین «آنچه میگویید دوست دارید» و «آنچه واقعاً تماشا میکنید» تمایز قائل شود.
بسیاری از کاربران ممکن است در نظرسنجیها بگویند به مستندهای علمی علاقه دارند اما در عمل ترجیح میدهند یک کمدی ساده تماشا کنند. هوش مصنوعی نتفلیکس متوجه این تضاد رفتاری میشود و پیشنهادهای خود را بر اساس واقعیت عمل شما تنظیم میکند.
فراتر از امتیازدهی ستارهای
سیستم قدیمی امتیازدهی پنجستاره در سال ۲۰۱۷ بازنشسته شد و جای خود را به سیستم سادهتر «لایک و دیسلایک» داد چون دادهها نشان میدادند ستارهها دقت کافی ندارند. الگوریتمهای مدرن بر اساس فیلترینگ مشارکتی (Collaborative Filtering) کار میکنند که کاربران با سلیقه مشابه را در یک گروه قرار میدهد. اگر کاربر الف و کاربر ب هر دو به فیلمهای علمی-تخیلی و کلاسیک علاقه داشته باشند، سیستم فیلم جدیدی که کاربر الف دیده و پسندیده را به کاربر ب پیشنهاد میدهد. این شبکه عصبی (Neural Network) به قدری پیچیده شده که میتواند روابط بسیار ظریف بین ژانرهای به ظاهر بیربط را کشف کند. دیگر موضوع فقط ژانر نیست، بلکه حالوهوای فیلم، تمپو و حتی رنگبندی صحنهها در پیشنهاددهی موثر است.
خوشهبندی جوامع چشایی (Taste Communities)
نتفلیکس کاربران خود را به هزاران «جامعه چشایی» (Taste Communities) تقسیم میکند که فراتر از مرزهای جغرافیایی یا سن و جنسیت عمل میکنند. ممکن است شما عضوی از جامعهای باشید که عاشق درامهای کرهای و انیمیشنهای فرانسوی است، در حالی که همسایه شما در دسته طرفداران فیلمهای اکشن دهه ۸۰ قرار بگیرد. سیستم به جای اینکه بپرسد شما چند سال دارید، میپرسد شما در دو هفته گذشته چه چیزی را تا انتها دیدهاید. این رویکرد باعث شده تا محتوای غیرانگلیسیزبان مثل سریال بازی مرکب (Squid Game) به موفقیتی جهانی برسد. در واقع الگوریتم متوجه شد که پتانسیل جذب مخاطب در سراسر جهان برای این سبک خاص وجود دارد.
این خوشهبندیها به تولیدکنندگان محتوا کمک میکند تا دقیقاً بدانند برای چه کسی فیلم میسازند. مهندسی داده در اینجا به کمک هنر میآید تا ریسک شکست پروژههای گرانقیمت به حداقل برسد.
الگوریتمهای بازوهای چندگانه (Multi-Armed Bandits)
یکی از تکنیکهای پیشرفتهای که نتفلیکس برای بهینهسازی تجربه کاربری استفاده میکند، الگوریتم بازوهای چندگانه (Multi-Armed Bandits) است. این نام از ماشینهای قمار در کازینوها گرفته شده و در ریاضیات به مسئلهای اشاره دارد که باید بین «بهرهبرداری» از دانستههای قبلی و «اکتشاف» گزینههای جدید تعادل ایجاد کرد. سیستم به طور مداوم محتوای جدیدی را به شما نشان میدهد تا ببیند آیا نظر شما تغییر کرده است یا خیر. اگر همیشه در یک مسیر حرکت کند، شما دچار خستگی محتوایی میشوید و پلتفرم را ترک میکنید. بنابراین، بخشی از صفحه اصلی شما همیشه به «تست» اختصاص دارد تا افقهای جدید سلیقه شما را کشف کند.
جادوی پوسترهای پویا و شخصیسازی بصری
آیا میدانستید تصویری که برای یک فیلم خاص میبینید، ممکن است با تصویری که دوستتان میبیند متفاوت باشد؟ نتفلیکس از سیستمی به نام شخصیسازی آثار هنری (Artwork Personalization) استفاده میکند تا جذابترین جنبه یک فیلم را به شما نشان دهد. اگر شما به فیلمهای عاشقانه علاقه داشته باشید، پوستر فیلم ویل هانتینگ خوب (Good Will Hunting) ممکن است تصویری از دو بازیگر نقش اول را نشان دهد. اما اگر به فیلمهای کمدی علاقه داشته باشید، سیستم احتمالاً تصویری از رابین ویلیامز را در یک صحنه خندهدار برایتان نمایش میدهد. این سطح از جزئیات باعث میشود نرخ کلیک بر روی عناوین به شدت افزایش یابد.
این فرایند به صورت کاملاً خودکار و توسط هوش مصنوعی انجام میشود که هزاران فریم از فیلم را بررسی و بهترینها را انتخاب میکند. این یکی از نایابترین زوایای فنی است که اکثر کاربران از وجود آن بیاطلاع هستند.
روانشناسی پنهان در پس «تماشای پیدرپی»
پدیده تماشای پیدرپی (Binge-watching) تصادفی به وجود نیامده است، بلکه نتیجه مستقیم طراحی روانشناختی پلتفرم است. پخش خودکار قسمت بعدی (Autoplay) و حذف تیتراژ، اصطکاک تصمیمگیری را از بین میبرد و کاربر را در یک حلقه لذت قرار میدهد. از نظر علوم اعصاب، این کار باعث ترشح مداوم دوپامین در مغز میشود که مشابه واکنش مغز به بازیهای ویدئویی است. نتفلیکس با تحلیل دادهها متوجه شد که اگر کاربر در ۴۰ ثانیه اول چیزی برای تماشا پیدا نکند، احتمالاً پلتفرم را میبندد. به همین دلیل، تمام تلاش الگوریتم این است که در کمترین زمان ممکن، بیشترین جذابیت را ارائه دهد.
تفاوت فیلترینگ مشارکتی و محتوامحور
سیستمهای قدیمی فقط بر اساس برچسبها (Tags) کار میکردند؛ مثلاً اگر فیلمی برچسب «جنگی» داشت، فیلمهای جنگی دیگر را پیشنهاد میدادند. اما نتفلیکس ترکیبی از فیلترینگ محتوامحور (Content-based) و مشارکتی را به کار میگیرد تا دقت را به اوج برساند. در مدل مشارکتی، رفتار هزاران نفر که شبیه شما هستند تحلیل میشود تا الگوهای پنهان استخراج گردد. برای مثال، ممکن است سیستم کشف کند افرادی که مستندهای آشپزی میبینند، به طور عجیبی به فیلمهای معمایی بریتانیایی هم علاقه دارند. این پیوندهای غیرمنطقی از نظر انسانی، برای هوش مصنوعی کاملاً منطقی و دادهمحور هستند.
این تلاقی دادهها باعث میشود که شما گاهی با دیدن یک پیشنهاد متعجب شوید اما پس از تماشا متوجه شوید که دقیقاً همان چیزی بود که نیاز داشتید. این قدرت واقعی کلانداده (Big Data) در عصر حاضر است.
اسرار پشتپرده و سوءبرداشتهای رایج
یک سوءبرداشت رایج این است که نتفلیکس فقط فیلمهایی را پیشنهاد میدهد که برای خودش ارزانتر تمام میشود یا متعلق به خودش است. در واقعیت، اولویت اصلی الگوریتم نگه داشتن شما در پلتفرم است (Retention)، زیرا لغو اشتراک بزرگترین دشمن آنهاست. آنها حتی از دادههای دزدی دریایی در سایتهای تورنت استفاده میکردند تا بفهمند مردم در کشورهای مختلف به چه نوع محتوایی علاقه دارند. همچنین، هزاران نفر به عنوان «تگکننده» (Taggers) استخدام شدهاند تا فیلمها را با جزئیات بسیار ریز تماشا و دستهبندی کنند. این ترکیب هوش انسانی و ماشینی است که چنین دقت بالایی را به ارمغان میآورد.
آیندهنگری و تاثیر بر صنعت سینما
تاثیر نتفلیکس از یک پخشکننده فراتر رفته و اکنون به نحوه ساخت فیلمها نیز رسیده است. دادهها به فیلمنامهنویسان میگویند که مخاطبان در کدام دقیقه خسته میشوند یا کدام شخصیتها محبوبیت بیشتری دارند. این موضوع بحثهای جدی در مورد «مرگ خلاقیت» و تبدیل شدن هنر به محصولی کاملاً فرموله شده را برانگیخته است. با پیشرفت هوش مصنوعی مولد (Generative AI)، ممکن است در آینده شاهد فیلمهایی باشیم که پایانبندی آنها برای هر کاربر متفاوت و بر اساس سلیقه شخصی او ساخته میشود. ما در لبه دنیایی ایستادهایم که در آن محتوا دیگر ایستا نیست، بلکه موجودی زنده و در حال تغییر است.
سوالات متداول (FAQ)
جمعبندی نهایی
الگوریتمهای نتفلیکس فراتر از ابزارهای ساده ریاضی، در واقع معماران تجربه دیجیتال ما هستند که با ادغام علوم داده، روانشناسی رفتاری و هنر سینما، مدل جدیدی از تعامل را پدید آوردهاند. درک این سیستم به ما یادآوری میکند که هر کلیک و هر ثانیه تماشا، قطعهای از یک پازل بزرگتر است که هویت دیجیتال ما را شکل میدهد. اگرچه این فناوری لذت کشف محتوا را آسانتر کرده، اما مسئولیت آگاهی از حبابهای فیلتر و حفظ تنوع در انتخابهایمان همچنان بر عهده خود ماست. در نهایت، این همزیستی هوش مصنوعی و شهود انسانی است که آینده سرگرمی را در دنیای مدرن رقم میزند.
با بیش از ۲۰ سال نویسندگی «ترکیبی» مستمر در زمینهٔ پزشکی، فناوری، سینما، کتاب و فرهنگ.
باشد که با هم متفاوت بیاندیشیم!
مطالب مرتبط
آنچه NetFlix را متمایز می کند سیستم مدلسازی دو طرفه آن است. یعنی هم فیلمها را مدل می کند و هم کاربران را. بیشتر سایتهای دیگر تنها فیلم ها را مدل می کنند. بنابراین اگر تعداد زیادی از کسانی که فیلم A را دیده اند، فیلم B را هم ببینند این سایتها به هر کسی که A را دیده پیشنهاد تماشای B را می دهند. در حالی که بینندگان فیلم هم با هم متفاوت اند. الگوریتمهایی مشابه آنچه NetFlix استفاده می کند اکنون در بسیاری از دانشگاههای دنیا در زیر مجموعه درسهایی با عنوانهایی مانند data mining, machine learnin و یا statistical learning تدریس می شوند (مهندسی کامپیوتر یا برق یا متخصصان آمار ریاضی این درسها را می گیرند).
فکر میکنم آمازون هم روی این زمینه زیاد کار کرده باشه
سلام
کار نکردن netflix در ایران ربطی به پرداخت اینترنتی و سرعت اینترنت نداره. Netflix فقط در آمریکای شمالی (آمریکا و کانادا) , کشورهای کاراییب , بریتانیا , ایرلند , فنلاند , سوئد , نروژ و دانمارک کار میکنه. از IP هر کشوری دیگه ای که وصل بشید کار نخواهد کرد.
ژاپن رو یادتون رفت تو سایت خود نتفلیکس ژاپن هم هست.(ویکی نه)
اما من کار با تورنت رو ترجیح میدم و به لیست پیش نهادی چه سایت چه دوستان چه دووسستانن ریاد وابسته نیستم معمولا تریلر جدید میبینم اگر خوشم بیاد فیلم هم میبینم البته در کل ویدیو های موسسه تراست پورت، ترینسیگنال، لیندا (نه فیلم جدید بیوگرافی لیندا) و … رو ترجیح میدم
جالب بود! من همیشه به پیشنهادهای IMDb توجه میکردم ولی شاید یه سری هم به نت فلیکس زدم!!!