{"id":118,"date":"2023-11-30T16:30:29","date_gmt":"2023-11-30T16:30:29","guid":{"rendered":"https:\/\/aiopentext.itd.cnr.it\/iapourlesenseignants\/chapter\/ai-speak-how-youtube-learns-you-part-1\/"},"modified":"2024-01-31T11:51:03","modified_gmt":"2024-01-31T11:51:03","slug":"ai-speak-how-youtube-learns-you-part-1","status":"publish","type":"chapter","link":"https:\/\/aiopentext.itd.cnr.it\/iapourlesenseignants\/chapter\/ai-speak-how-youtube-learns-you-part-1\/","title":{"raw":"Parlons IA : Comment Youtube vous apprend Partie 1","rendered":"Parlons IA : Comment Youtube vous apprend Partie 1"},"content":{"raw":"

Mod\u00e8les et recommandation<\/h3>\n
\n

ACTIVIT\u00c9<\/strong><\/p>\n\n<\/header>\n

\n\n\"\"\n

Il s'agit des transactions par carte de cr\u00e9dit de deux personnes vivant \u00e0 Nantes. Elles cherchent des activit\u00e9s \u00e0 d\u00e9couvrir ce week-end. Que recommanderez-vous \u00e0 John Doe et \u00e0 Tom Harris ?<\/p>\n

Liste de choix :<\/p>\n\n

    \n \t
  1. Le nouveau point de vente Burger King<\/li>\n \t
  2. Une d\u00e9gustation d'huile d'olive<\/li>\n \t
  3. Un site de bagagerie en ligne<\/li>\n \t
  4. Un concert au bord de la rivi\u00e8re<\/li>\n \t
  5. Un cours de natation pour b\u00e9b\u00e9<\/li>\n<\/ol>\n<\/div>\n<\/div>\n

    Les syst\u00e8mes de recommandation existent depuis au moins aussi longtemps que les guides touristiques et les listes du top 10. Alors que Le Monde des meilleurs livres de 2022<\/em> conseille la m\u00eame liste \u00e0 tout le monde, vous l'adapteriez probablement lorsque vous choisissez pour vous-m\u00eame : choisissez-en quelques-uns et changez l'ordre de lecture en fonction de vos pr\u00e9f\u00e9rences personnelles.<\/p>\n

    Comment recommander des ouvrages \u00e0 des inconnus ? Dans l'activit\u00e9 ci-dessus, vous avez probablement essay\u00e9 d'imaginer leur personnalit\u00e9 \u00e0 partir des informations donn\u00e9es : vous avez port\u00e9 des jugements et appliqu\u00e9 des st\u00e9r\u00e9otypes. Puis, une fois que vous avez eu une id\u00e9e de leur \"genre\", vous avez choisi dans la liste des choses qui pourraient (ou non) \u00eatre pertinentes pour eux. Les recommandeurs comme Amazon, Netflix et Youtube suivent un processus similaire.<\/p>\n

    De nos jours, chaque fois qu'une personne recherche des informations ou cherche \u00e0 d\u00e9couvrir du contenu en ligne, elle utilise une sorte de syst\u00e8me de recommandation personnalis\u00e91,2<\/sup>. La principale fonction de Youtube est de dire \u00e0 ses utilisateurs quoi regarder parmi toutes les vid\u00e9os disponibles sur la plateforme. Pour les utilisateurs inscrits, il utilise leur activit\u00e9 pass\u00e9e pour cr\u00e9er un \"mod\u00e8le\", ou un type de personnalit\u00e9. Une fois qu'elle a un mod\u00e8le pour John, elle peut voir qui d'autre a des mod\u00e8les similaires \u00e0 lui. Elle recommande alors \u00e0 John \u00e0 la fois des vid\u00e9os similaires \u00e0 ce qu'il a regard\u00e9 et celles similaires \u00e0 ce que d'autres personnes comme lui ont regard\u00e9.<\/p>\n\n

    Qu'est-ce qu'un mod\u00e8le ?<\/h3>\n

    Les mod\u00e8les peuvent \u00eatre utilis\u00e9s pour imiter n'importe quoi, des utilisateurs aux vid\u00e9os jusqu'aux cours qu'un enfant doit apprendre. Un mod\u00e8le est une repr\u00e9sentation simplifi\u00e9e du monde afin qu'une machine puisse pr\u00e9tendre le comprendre :<\/p>\nhttps:\/\/www.youtube.com\/watch?v=C3RrfySCnAg&list=PLkm8ZqYSzE3fQBx8zGr4oONlMSO-Cevma&index=11&pp=iAQB\n

    Comment Youtube vous apprend<\/h3>\n

    Tous les probl\u00e8mes de recommandation impliquent une question de substitution : \"Que recommander<\/em>\" ; est un peu trop g\u00e9n\u00e9ral et vague pour un algorithme.Netflix a demand\u00e9 aux d\u00e9veloppeurs<\/a> quelle serait la note qu'un utilisateur A donnerait \u00e0 la vid\u00e9o B, compte tenu de ses notes pour d'autres vid\u00e9os. Youtube demande quelle serait la dur\u00e9e de lecture d'un utilisateur donn\u00e9 dans un contexte particulier. Le choix de ce qu'il faut demander - de ce qu'il faut pr\u00e9dire, a un impact important sur la recommandation affich\u00e9e3<\/sup>. L'id\u00e9e \u00e9tant qu'une pr\u00e9diction correcte conduira \u00e0 une bonne recommandation. La pr\u00e9diction elle-m\u00eame est bas\u00e9e sur d'autres utilisateurs ayant un historique de go\u00fbts similaires4<\/sup>. C'est-\u00e0-dire des utilisateurs dont les mod\u00e8les sont similaires.<\/p>\n\n

    Mod\u00e8les d'utilisateur<\/h3>\n

    Youtube divise la t\u00e2che de recommandation en deux parties et utilise des mod\u00e8les diff\u00e9rents pour chacune d'elles3<\/sup>. Nous nous en tiendrons toutefois ici \u00e0 une explication plus simple.<\/p>\n

    Pour cr\u00e9er un mod\u00e8le utilisateur, ses d\u00e9veloppeurs doivent se demander quelles donn\u00e9es sont pertinentes pour la recommandation de vid\u00e9os. Qu'en est-il de ce que l'utilisateur a regard\u00e9 auparavant ? Quelles ont \u00e9t\u00e9 leurs critiques, leurs \u00e9valuations et leurs pr\u00e9f\u00e9rences explicites jusqu'\u00e0 pr\u00e9sent ? Qu'ont-ils recherch\u00e9 ? Et plus que ces signaux explicites, Youtube utilise surtout des signaux implicites, car ils sont plus ais\u00e9ment disponibles3<\/sup> - Un utilisateur a-t-il simplement cliqu\u00e9 sur une vid\u00e9o ou l'a-t-il vraiment regard\u00e9e ? Si oui, pendant combien de temps ? Comment l'utilisateur a-t-il r\u00e9agi aux recommandations pr\u00e9c\u00e9dentes 1<\/sup> ? Quelles sont celles qu'il a ignor\u00e9es ? Outre les r\u00e9ponses \u00e0 ces questions, les informations d\u00e9mographiques telles que le sexe, la langue, la r\u00e9gion et l'appareil sont d'une grande valeur lorsque l'utilisateur est nouveau ou n'est pas connect\u00e93<\/sup>.<\/p>\n

    Une fois qu'un mod\u00e8le est disponible pour chaque utilisateur, nous pourrions voir quels utilisateurs sont similaires les uns aux autres et utiliser cette information pour la recommandation.<\/p>\n\n

    Mod\u00e8les de vid\u00e9o<\/h3>\n

    Similaire aux utilisateurs, nous pourrions \u00e9galement utiliser les vid\u00e9os qui sont similaires (ou diff\u00e9rentes) les unes des autres. \u00c9tant donn\u00e9 une vid\u00e9o, Youtube examine son contenu, son titre et sa description, la qualit\u00e9 de la vid\u00e9o, le nombre de personnes qui l'ont regard\u00e9e (nombre de vues), l'ont aim\u00e9e, l'ont favoris\u00e9e, l'ont comment\u00e9e ou partag\u00e9e, le temps \u00e9coul\u00e9 depuis son t\u00e9l\u00e9chargement et le nombre d'utilisateurs abonn\u00e9s \u00e0 la cha\u00eene m\u00e8re1<\/sup>.<\/p>\nhttps:\/\/www.youtube.com\/watch?v=3y5Gq500d2g&list=PLkm8ZqYSzE3fQBx8zGr4oONlMSO-Cevma&index=12&pp=iAQB\n

    Ce qu'un utilisateur regarde ensuite d\u00e9pendra \u00e9galement du fait qu'une vid\u00e9o fasse partie d'un \u00e9pisode d'une s\u00e9rie ou d'un \u00e9l\u00e9ment d'une liste de lecture. Si un utilisateur d\u00e9couvre un artiste, il pourrait passer des chansons les plus populaires \u00e0 des niches plus fines. De m\u00eame, un utilisateur ne cliquera pas sur une vid\u00e9o dont l'image de la vignette n'est pas bonne1,3<\/sup>. Toutes ces informations entrent \u00e9galement dans le mod\u00e8le.<\/p>\n

    L'un des \u00e9l\u00e9ments constitutifs du syst\u00e8me de recommandation est de passer d'une vid\u00e9o \u00e0 une liste de vid\u00e9os li\u00e9es. Dans ce contexte, nous d\u00e9finissons\u00a0 ; les vid\u00e9os li\u00e9es sont celles qu'un utilisateur est susceptible de regarder ensuite3<\/sup>. L'objectif est d'extraire le maximum de valeur des donn\u00e9es pour faire de meilleures recommandations4<\/sup>.<\/p>\n\n\n

    \n

    1 <\/sup>Davidson, J., Liebald, B., Liu, J., Nandy, P., Vleet, T., The Youtube Video Recommendation System<\/em>, Proceedings of the 4th ACM Conference on Recommender Systems, Barcelona, 2010.<\/p>\n

    2 <\/sup>Spinelli, L., and Crovella, M., How YouTube Leads Privacy-Seeking Users Away from Reliable Information<\/a><\/em>, In Adjunct Publication of the 28th ACM Conference on User Modeling, Adaptation and Personalization (UMAP '20 Adjunct), Association for Computing Machinery, New York, 244\u2013251, 2020.<\/p>\n

    3 <\/sup> Covington, P., Adams, J., Sargin, E., Deep neural networks for Youtube Recommendations<\/em>, Proceedings of the 10th ACM Conference on Recommender Systems, ACM, New York, 2016.<\/p>\n

    4 <\/sup>Konstan, J., Terveen, L., Human-centered recommender systems: Origins, advances, challenges, and opportunities<\/em>, AI Magazine, 42(3), 31-42, 2021.<\/p>","rendered":"

    Mod\u00e8les et recommandation<\/h3>\n
    \n
    \n

    ACTIVIT\u00c9<\/strong><\/p>\n<\/header>\n

    \n

    \"\"<\/p>\n

    Il s’agit des transactions par carte de cr\u00e9dit de deux personnes vivant \u00e0 Nantes. Elles cherchent des activit\u00e9s \u00e0 d\u00e9couvrir ce week-end. Que recommanderez-vous \u00e0 John Doe et \u00e0 Tom Harris ?<\/p>\n

    Liste de choix :<\/p>\n

      \n
    1. Le nouveau point de vente Burger King<\/li>\n
    2. Une d\u00e9gustation d’huile d’olive<\/li>\n
    3. Un site de bagagerie en ligne<\/li>\n
    4. Un concert au bord de la rivi\u00e8re<\/li>\n
    5. Un cours de natation pour b\u00e9b\u00e9<\/li>\n<\/ol>\n<\/div>\n<\/div>\n

      Les syst\u00e8mes de recommandation existent depuis au moins aussi longtemps que les guides touristiques et les listes du top 10. Alors que Le Monde des meilleurs livres de 2022<\/em> conseille la m\u00eame liste \u00e0 tout le monde, vous l’adapteriez probablement lorsque vous choisissez pour vous-m\u00eame : choisissez-en quelques-uns et changez l’ordre de lecture en fonction de vos pr\u00e9f\u00e9rences personnelles.<\/p>\n

      Comment recommander des ouvrages \u00e0 des inconnus ? Dans l’activit\u00e9 ci-dessus, vous avez probablement essay\u00e9 d’imaginer leur personnalit\u00e9 \u00e0 partir des informations donn\u00e9es : vous avez port\u00e9 des jugements et appliqu\u00e9 des st\u00e9r\u00e9otypes. Puis, une fois que vous avez eu une id\u00e9e de leur \u00ab\u00a0genre\u00a0\u00bb, vous avez choisi dans la liste des choses qui pourraient (ou non) \u00eatre pertinentes pour eux. Les recommandeurs comme Amazon, Netflix et Youtube suivent un processus similaire.<\/p>\n

      De nos jours, chaque fois qu’une personne recherche des informations ou cherche \u00e0 d\u00e9couvrir du contenu en ligne, elle utilise une sorte de syst\u00e8me de recommandation personnalis\u00e91,2<\/sup>. La principale fonction de Youtube est de dire \u00e0 ses utilisateurs quoi regarder parmi toutes les vid\u00e9os disponibles sur la plateforme. Pour les utilisateurs inscrits, il utilise leur activit\u00e9 pass\u00e9e pour cr\u00e9er un \u00ab\u00a0mod\u00e8le\u00a0\u00bb, ou un type de personnalit\u00e9. Une fois qu’elle a un mod\u00e8le pour John, elle peut voir qui d’autre a des mod\u00e8les similaires \u00e0 lui. Elle recommande alors \u00e0 John \u00e0 la fois des vid\u00e9os similaires \u00e0 ce qu’il a regard\u00e9 et celles similaires \u00e0 ce que d’autres personnes comme lui ont regard\u00e9.<\/p>\n

      Qu’est-ce qu’un mod\u00e8le ?<\/h3>\n

      Les mod\u00e8les peuvent \u00eatre utilis\u00e9s pour imiter n’importe quoi, des utilisateurs aux vid\u00e9os jusqu’aux cours qu’un enfant doit apprendre. Un mod\u00e8le est une repr\u00e9sentation simplifi\u00e9e du monde afin qu’une machine puisse pr\u00e9tendre le comprendre :<\/p>\n