{"id":127,"date":"2023-11-30T17:30:53","date_gmt":"2023-11-30T17:30:53","guid":{"rendered":"https:\/\/aiopentext.itd.cnr.it\/umetnainteligenca\/chapter\/ai-speak-how-youtube-learns-you-part-1\/"},"modified":"2024-01-31T11:48:02","modified_gmt":"2024-01-31T11:48:02","slug":"ai-speak-how-youtube-learns-you-part-1","status":"publish","type":"chapter","link":"https:\/\/aiopentext.itd.cnr.it\/umetnainteligenca\/chapter\/ai-speak-how-youtube-learns-you-part-1\/","title":{"raw":"Govorica UI: Kako vas YouTube spoznava - 1. del","rendered":"Govorica UI: Kako vas YouTube spoznava – 1. del"},"content":{"raw":"

Modeli in priporo\u010dila<\/h3>\n
\n

AKTIVNOST<\/strong><\/p>\n\n<\/header>\n

\n\n\"\"\n

Na sliki so prikazane karti\u010dne transakcije dveh oseb, ki \u017eivita v Nantesu. Razmi\u0161ljata o tem, kaj bi po\u010dela naslednji konec tedna. Kaj bi priporo\u010dili Johnu Doeju in kaj Tomu Harrisu?<\/p>\n

Izbirate lahko med naslednjimi mo\u017enostmi:<\/p>\n\n

    \n \t
  1. Obisk nove\u00a0poslovalnice\u00a0Burger King-a<\/li>\n \t
  2. Degustacija\u00a0olj\u010dnega olja<\/li>\n \t
  3. Obisk spletne trgovine\u00a0s potovalno opremo<\/li>\n \t
  4. Koncert ob reki<\/li>\n \t
  5. Te\u010daj plavanja za otroke<\/li>\n<\/ol>\n<\/div>\n<\/div>\n

    Sistemi priporo\u010dil obstajajo vsaj tako dolgo kot turisti\u010dni vodniki ali seznami tipa \"deset najbolj\u0161ih\". No, medtem ko izbor \u010dasnika\u00a0The\u00a0<\/em>Guardian - Best Books of 2022<\/em> vsem priporo\u010da isti seznam knjig, bi ga vi sami verjetno prilagodili, \u010de bi izbirali zase: izbrali bi jih le nekaj in spremenili bi vrstni red branja glede na svoje osebne preference.<\/p>\n

    Kako pa priporo\u010diti nekaj nekomu, ki ga ne poznamo? Pri zgornji aktivnosti ste si verjetno posku\u0161ali predstavljati Johnove in Tomove osebnosti na podlagi danih informacij: uporabili ste lastno presojo in vsaj nezavedno so na vas vplivali tudi stereotipi. Nato ste na podlagi ustvarjene predstave o tipu\u00a0<\/em>njunih osebnosti\u00a0s seznama izbrali tiste mo\u017enosti, ki bi lahko bile (ali pa tudi ne) pomembne zanju. Priporo\u010dilni sistemi podjetij, kot so Amazon, Netflix ali YouTube, se poslu\u017eujejo podobnega postopka.<\/p>\n

    Ko danes i\u0161\u010demo informacije ali \u017eelimo poiskati dolo\u010dene vsebine na spletu, vsi uporabljamo dolo\u010deno vrsto personaliziranih sistemov priporo\u010dil1,2<\/sup>. Ena od glavnih funkcij YouTuba je, da uporabnikom predlaga, kaj naj si ogledajo izmed vseh videoposnetkov, ki so na voljo na platformi. Pri vpisanih (prijavljenih) uporabnikih se zana\u0161a na njihove pretekle aktivnosti, na podlagi katerih ustvari \"model\" ali tip osebnosti. Ko ustvari model za Johna, lahko prepozna druge s podobnim modelom. Johnu zato priporo\u010di videoposnetke, podobne tistim, ki jih je \u017ee gledal, in videoposnetke, podobne tistim, ki so si jih ogledali drugi, njemu podobni uporabniki.<\/p>\n\n

    Kaj pomeni \"model\"?<\/h3>\n

    Modeli se uporabljajo za posnemanje \u010desarkoli, od uporabnikov in videoposnetkov do vsebin, ki se jih mora nau\u010dit otrok ali u\u010denec. Model je poenostavljena reprezentacija sveta, zaradi katere se lahko stroj \"pretvarja\", da razume svet okrog sebe:<\/p>\nhttps:\/\/www.youtube.com\/watch?v=fqlTTn6AaNc&list=PLkm8ZqYSzE3fv8uQT7zz1I_Tvelj0U2vd&index=11&pp=iAQB\n

    Kako vas YouTube spoznava<\/h3>\n

    Vsi sistemi priporo\u010dil vklju\u010dujejo podvpra\u0161anja. Najosnovnej\u0161e vpra\u0161anje, kaj priporo\u010diti?<\/em>\u00a0- je nekoliko preve\u010d splo\u0161no in nenatan\u010dno za algoritem.\u00a0Netflix je razvijalce<\/a> vpra\u0161al, kak\u0161no oceno bi uporabnik A dal videu B glede na njegove ocene drugih videov. YouTube spra\u0161uje po \u010dasu (trajanju) gledanja za dolo\u010denega uporabnika v dolo\u010denem kontekstu. Izbira tega, kaj vpra\u0161ati (in kaj napovedati), ima velik vpliv na to, kak\u0161no priporo\u010dilo bo prikazano3<\/sup>. Ideja v ozadju je, da bo pravilna napoved pripeljala do dobrega priporo\u010dila. Sama napoved pa temelji na drugih uporabnikih z zgodovino podobnih iskanj4<\/sup>,\u00a0torej na uporabnikih, ki jih reprezentirajo podobni modeli.<\/em><\/p>\n\n

    Uporabni\u0161ki modeli<\/h3>\n

    YouTube sistem priporo\u010danja razdeli na dva koraka in za vsakega uporablja razli\u010dne modele3<\/sup>. Mi pa v tem priro\u010dniku ostajamo pri nekoliko preprostej\u0161i razlagi.<\/p>\n

    Za izdelavo uporabni\u0161kega modela se morajo njegovi razvijalci vpra\u0161ati, kateri podatki so pomembni za priporo\u010danje videoposnetkov. Kaj si je uporabnik \u017ee ogledal? Kak\u0161ne ocene je podal in kak\u0161ne preference je izrazil? Kaj je iskal? Veliko bolj kot tak\u0161ne eksplicitne informacije YouTube uporablja tiste bolj implicitne, saj so la\u017eje dostopne3<\/sup>. Ali je uporabnik samo kliknil na videoposnetek, ali si ga je dejansko ogledal? \u010ce si ga je ogledal, kako dolgo je trajal ogled? Kako se je odzval na pretekla priporo\u010dila1<\/sup>? Ali je katera od priporo\u010dil prezrl? Poleg odgovorov na ta vpra\u0161anja so pomembni tudi demografski podatki, kot so spol, jezik, lokacija in vrsta naprave, \u010de je uporabnik nov ali ni prijavljen\/vpisan3<\/sup>.<\/p>\n

    Ko je za vsakega uporabnika izdelan model, postane razvidno, kateri uporabniki so si med seboj podobni, in te informacije so uporabljene za oblikovanje priporo\u010dil.<\/p>\n\n

    Video modeli<\/h3>\n

    Na podoben na\u010din kot pri uporabnikih YouTube ozna\u010duje videoposnetke, ki so si med seboj podobni (ali razli\u010dni). Za vsak videoposnetek pregleda njegovo vsebino, naslov in opis ter kakovost posnetka, \u0161tevilo ljudi, ki si ga je ogledalo (\u0161tevilo ogledov), ga v\u0161e\u010dkalo, ga dodalo med priljubljene, ga komentiralo ali delilo, \u010das, ko je bil nalo\u017een in \u0161tevilo uporabnikov, ki spremljajo doti\u010dni kanal1<\/sup>.<\/p>\nhttps:\/\/www.youtube.com\/watch?v=PyACocGHfYY&list=PLkm8ZqYSzE3fv8uQT7zz1I_Tvelj0U2vd&index=12&pp=iAQB\n

    Kaj si bo uporabnik ogledal po izbranem posnetku je odvisno tudi od tega, ali je videoposnetek element obse\u017enej\u0161e serije in ali je morda del seznama predvajanja (playlist). \u010ce uporabnik, na primer, \u0161ele odkriva dolo\u010denega glasbenega izvajalca, bo morda nadaljeval od najbolj priljubljene skladbe k manj znanim. Verjetno je tudi, da uporabniki ne bodo kliknil na videoposnetke, ki so opremljeni s sli\u010dicami (thumbnails) slabe kakovosti1,3<\/sup>. Vse te informacije so vklju\u010dene v proces ustvarjanja modela.<\/p>\n

    Eden od bistvenih elementov sistema priporo\u010dil je prehod od enega videoposnetka na seznam sorodnih videoposnetkov. V tem kontekstu velja, da so sorodni videoposnetki tisti, ki si jih bo uporabnik verjetno naslednje ogledal3<\/sup>. Namen sistemov priporo\u010danja je iz podatkov izlu\u0161\u010diti kar najve\u010d in tako ustvarjati bolj\u0161a priporo\u010dila4<\/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":"

    Modeli in priporo\u010dila<\/h3>\n
    \n
    \n

    AKTIVNOST<\/strong><\/p>\n<\/header>\n

    \n

    \"\"<\/p>\n

    Na sliki so prikazane karti\u010dne transakcije dveh oseb, ki \u017eivita v Nantesu. Razmi\u0161ljata o tem, kaj bi po\u010dela naslednji konec tedna. Kaj bi priporo\u010dili Johnu Doeju in kaj Tomu Harrisu?<\/p>\n

    Izbirate lahko med naslednjimi mo\u017enostmi:<\/p>\n

      \n
    1. Obisk nove\u00a0poslovalnice\u00a0Burger King-a<\/li>\n
    2. Degustacija\u00a0olj\u010dnega olja<\/li>\n
    3. Obisk spletne trgovine\u00a0s potovalno opremo<\/li>\n
    4. Koncert ob reki<\/li>\n
    5. Te\u010daj plavanja za otroke<\/li>\n<\/ol>\n<\/div>\n<\/div>\n

      Sistemi priporo\u010dil obstajajo vsaj tako dolgo kot turisti\u010dni vodniki ali seznami tipa “deset najbolj\u0161ih”. No, medtem ko izbor \u010dasnika\u00a0The\u00a0<\/em>Guardian – Best Books of 2022<\/em> vsem priporo\u010da isti seznam knjig, bi ga vi sami verjetno prilagodili, \u010de bi izbirali zase: izbrali bi jih le nekaj in spremenili bi vrstni red branja glede na svoje osebne preference.<\/p>\n

      Kako pa priporo\u010diti nekaj nekomu, ki ga ne poznamo? Pri zgornji aktivnosti ste si verjetno posku\u0161ali predstavljati Johnove in Tomove osebnosti na podlagi danih informacij: uporabili ste lastno presojo in vsaj nezavedno so na vas vplivali tudi stereotipi. Nato ste na podlagi ustvarjene predstave o tipu\u00a0<\/em>njunih osebnosti\u00a0s seznama izbrali tiste mo\u017enosti, ki bi lahko bile (ali pa tudi ne) pomembne zanju. Priporo\u010dilni sistemi podjetij, kot so Amazon, Netflix ali YouTube, se poslu\u017eujejo podobnega postopka.<\/p>\n

      Ko danes i\u0161\u010demo informacije ali \u017eelimo poiskati dolo\u010dene vsebine na spletu, vsi uporabljamo dolo\u010deno vrsto personaliziranih sistemov priporo\u010dil1,2<\/sup>. Ena od glavnih funkcij YouTuba je, da uporabnikom predlaga, kaj naj si ogledajo izmed vseh videoposnetkov, ki so na voljo na platformi. Pri vpisanih (prijavljenih) uporabnikih se zana\u0161a na njihove pretekle aktivnosti, na podlagi katerih ustvari “model” ali tip osebnosti. Ko ustvari model za Johna, lahko prepozna druge s podobnim modelom. Johnu zato priporo\u010di videoposnetke, podobne tistim, ki jih je \u017ee gledal, in videoposnetke, podobne tistim, ki so si jih ogledali drugi, njemu podobni uporabniki.<\/p>\n

      Kaj pomeni “model”?<\/h3>\n

      Modeli se uporabljajo za posnemanje \u010desarkoli, od uporabnikov in videoposnetkov do vsebin, ki se jih mora nau\u010dit otrok ali u\u010denec. Model je poenostavljena reprezentacija sveta, zaradi katere se lahko stroj “pretvarja”, da razume svet okrog sebe:<\/p>\n