Как искусственный интеллект заранее знает, какой фильм или сериал вам понравится?

Возможно, вы знаете, что искусственный интеллект может предсказывать поведение пользователей. Во многом выбор фильмов и сериалов определяется AI, на основе нейросетей работают рекомендательные системы современных онлайн-кинотеатров. Кратко об AI.

Кратко об искусственном интеллекте

Искусственный интеллект (AI)-это система, которая может имитировать поведение человека для выполнения определенных задач и постепенно учиться на основе полученной информации. Когда дело доходит до искусственного интеллекта, многие втайне представляют себе гуманоидную машину, готовящуюся доказать свое превосходство в мире. Но на самом деле искусственный интеллект может расширить нашу способность анализировать и прогнозировать данные, но ни в коем случае не заменять человека. Потому что существующие сегодня системы могут применяться в очень узком диапазоне областей.

Мы сталкиваемся с искусственным интеллектом каждый день. Общаемся с чат-ботом и голосовыми помощниками, составляем маршруты с учетом пробок, используем функцию разблокировки по лицу на смартфоне и переводим онлайн-тексты на другие языки. Искусственный интеллект способен обрабатывать огромные объемы информации, поэтому он используется в различных сферах жизни человека.

Как работает система рекомендаций в онлайн-кинотеатре?

Часто пользователи используют онлайн-кинотеатр, чтобы просто что-то посмотреть, а не конкретный фильм или сериал. Поэтому любой современный видеосервис — это не просто библиотека контента с функцией поиска.

Пользователю предлагается фильм или сериал, которые его интересуют и помогают продолжать пользоваться сервисом. Что именно будет отображаться на страницах для аудитории, определяется системой рекомендаций.

Искусственный интеллект постепенно адаптируется к увеличивающемуся пространству интерфейса и пытается угадать подходящий контент для каждой аудитории почти сразу после регистрации. Если пользователь Новичок и о его предпочтениях известно немного, система выдаст лишь небольшую часть личного контента. По сути, выбор будет состоять из случайных, популярных фильмов и сериалов в категории. Со временем система постепенно учится и адаптируется к зрителю, используя собранные данные: чем чаще используется сервис, тем больше он принимает соответствующие предложения фильмов и сериалов в рекомендациях.

В результате, в зависимости от профиля каждого конкретного клиента, система предлагает в различных пропорциях:

— известные фильмы;

— фильмы и сериалы, которые клиент смотрел раньше;

— нетипичные для пользователя новинки жанра (это делается для увеличения разнообразия и   изучения возможных предпочтений клиентов, которые еще не появились);

— подборка мероприятий (например, на Новый год или важное событие).

Как это работает?

Выбор правильного видео для каждого конкретного зрителя осуществляется многоуровневой системой рекомендаций. Она основана на алгоритмах, анализирующих пользователя и его поведение, а также на всей базе видеоданных в сервисе. В зависимости от проблемы это могут быть простые алгоритмы (например, популярность в пользовательском сегменте) и более сложные подходы к нейронным сетям, учитывающие разные интересы одного и того же человека.

Например, если пользователь смотрит корейские мелодрамы, детективы и фильмы о зомби, модель учитывает, что у клиента есть несколько разных групп интересов. В основном такому пользователю рекомендуется контент в кластерах «драма», «детектив» и «про зомби». Но на самом деле мы понимаем, что никто не смотрит постоянно фильмы и телешоу только на три темы. По этой причине алгоритмы извлекают выборки из соответствующих областей: например, «турецкие сериалы», «триллеры», «постапокалипсисные фильмы» и т. д.

Какие данные учитывают алгоритмы?

Если мы говорим о новых клиентах, которые еще ничего не видели, можно получить представление об их потенциальных интересах, основываясь на информации о первых действиях в приложении, канале закупок и действиях в экосистеме.

Как только пользователь начинает пользоваться сервисом, его профиль постепенно обогащается информацией о том, где он нажимал, что искал, что просматривал и тогда уже каждый атрибут имеет свой вес: например, клики дают нам меньше информации об интересах пользователя, чем просмотры, а короткие просмотры (менее нескольких минут) означают гораздо меньше, чем долгие просмотры.

Кроме того, модель понимает, какова «продолжительность» движения: новые движения имеют больший вес. Поэтому при изменении интересов пользователя рекомендательная система быстро перестраивается. В то же время, если новый вектор интересов пользователя не поддерживается дальнейшими взаимодействиями, модель распознает это и вернет коллекции к более знакомым темам.

Помимо пользователей, алгоритмы имеют определенную информацию о каждом заголовке (серии заголовков) в библиотеке. Это данные на уровне простых параметров, таких как год выпуска или состав актеров, чтобы понять различия между фильмом и сериалом.