Хаби Лэйма и другие клипы появляется первая статистика, на которой машина обучается. Причем учитывается любая реакция: спешное пролистывание или досматривание с удовольствием и репост маме. Система начинает догадываться, как задерживать пользователя в соцсети дольше.
Точность рекомендаций увеличивается с накоплением полученных знаний о:
– поведении пользователя,
– взаимодействии других пользователей с медиапродуктом.
Рекомендации точнее, когда о зрителе накоплено большое досье, машина обучилась и знает его предпочтения. Популярные ролики при этом становятся еще популярнее, потому что об их зрителях также собрана приличная база данных.
В какой-то степени этот эффект – слабое место рекомендательных систем. «Богатые богатеют», а неудачные ролики болтаются в пустых аккаунтах с нулями. Мы будем пользоваться этой слабостью и знать: чем больше показов, тем легче раскручиваться дальше. Пробив некий порог просматриваемости, можно безгранично далеко продвинуться. Потолка нет. Для начала давайте хотя бы поверхностно разберемся, что же такое «машинное обучение». В одном из курсов Google.Developers объясняют: в алгоритмах обучения нейросетей используются переменные. Это Label – вещь, которую мы предсказываем, Feature – изучаемые машиной свойства (их могут быть десятки), Example – конкретный набор данных, Model – демонстрирует взаимосвязь между Label и Feature.
Простыми словами, машинное обучение – это когда компьютер, изучая большое количество ситуаций, видит между ними взаимосвязь и повторяющиеся модели поведения. На основе выявленных из опыта закономерностей машина предсказывает поведение объекта в будущем.
Для «эффекта чтения мыслей» нейросети даже не должны понимать суть видео.
Вот как они к этому пришли.
Контекстная реклама – это первое поколение рекомендательных систем. Они анализируют суть и содержание текста с помощью алгоритмов, заданных человеком. В онлайн-курсе Яндекса по контекстной рекламе сообщается: поисковая система анализирует семантику интернет-страниц, а рекламодатель задает ключевые слова для показа объявлений. Исходя из контекста веб-страницы, рекламная сеть подбирает подходящую по тематике рекламу или советует к прочтению статью. Алгоритм не учитывает никакие параметры, кроме контекста.
Контекстный подход для программирования рекомендаций по видеоконтенту оказался неприменимым. Для понимания сути и содержания роликов недостаточно расшифровать звук и затем проанализировать текст. На смысл влияют также эмоции, интонации и визуальные образы. Программисты пошли дальше, пытаясь сканировать надписи и распознавать лица и объекты. Но и это не помогало определять контекст, не говоря уже о точном попадании в несформулированные желания пользователя. Поэтому пришлось решать задачу: «Как понять предпочтения зрителя, не вникая в суть ролика?» Решение этой задачи нашлось благодаря нейросетям и большому количеству накопленных паттернов поведения пользователей.
Нейросеть наблюдает за вашим поведением. Помечает выполнение вами индикативных действий.
