{"id":129,"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-2\/"},"modified":"2024-01-31T11:48:02","modified_gmt":"2024-01-31T11:48:02","slug":"ai-speak-how-youtube-learns-you-part-2","status":"publish","type":"chapter","link":"https:\/\/aiopentext.itd.cnr.it\/umetnainteligenca\/chapter\/ai-speak-how-youtube-learns-you-part-2\/","title":{"raw":"Govorica UI: Kako vas YouTube spoznava - 2. del","rendered":"Govorica UI: Kako vas YouTube spoznava – 2. del"},"content":{"raw":"

Proces<\/h3>\n

Google v vseh svojih produktih uporablja globoke nevronske mre\u017ee za strojno u\u010denje2<\/sup>. Na podlagi video modela YouTubova nevronska mre\u017ea zabele\u017ei videoposnetke, podobne tistim, ki jih je uporabnik \u017ee gledal. Nato posku\u0161a napovedati \u010das gledanja vsakega novega videoposnetka za dani uporabni\u0161ki model in jih razvrsti na podlagi napovedi. Na koncu prika\u017ee 10 do 20 videoposnetkov (odvisno od naprave) z najvi\u0161jimi ocenami.<\/p>\n

Proces je podoben modelu strojnega u\u010denja<\/a>, ki smo ga \u017ee opisali. Stroj v tem primeru najprej zabele\u017ei zna\u010dilnosti uporabni\u0161kih in video modelov, ki jih je podal programer. Iz sklopa u\u010dnih podatkov se nau\u010di, kak\u0161no ute\u017e naj dodeli posamezni zna\u010dilnosti, da bo pravilno napovedal \u010das (trajanje) ogleda. Nato, po testiranju in potrditvi, da pravilno deluje, lahko za\u010dne generirati napovedi in priporo\u010dila.<\/p>\n\"\"\n

U\u010denje<\/h3>\n

V fazi u\u010denja se sistemu posreduje na milijone pozitivnih in negativnih primerov. Pozitiven primer je, ko uporabnik klikne na videoposnetek in si ga dolo\u010den \u010das ogleduje. Negativen primer je, ko uporabnik ne klikne na videoposnetek ali si ga ne ogleduje dovolj dolgo2<\/sup>.<\/p>\n

Nevronska mre\u017ea dobi informacijo o zna\u010dilnostih uporabnika in videoposnetka. Ute\u017e vsake vhodne zna\u010dilnosti prilagodi\u00a0tako, da preveri, ali je bil\u00a0\u010das gledanja za dolo\u010den videoposnetek in uporabnika\u00a0pravilno napovedan.<\/p>\n

Na stotinah milijard primerov se nau\u010di pribli\u017eno milijardo parametrov (ute\u017ei vsake zna\u010dilnosti)2<\/sup>. Mre\u017ea se lahko tudi nau\u010di, da dolo\u010denih zna\u010dilnosti ne upo\u0161teva (dodeli jim ni\u010delno pomembnost\/ute\u017e). Zato je lahko model, ki ga ustvari algoritem, zelo druga\u010den od tistega, ki so si ga zamislili razvijalci.<\/p>\n\n

Testiranje<\/h3>\n

Ko nevronska mre\u017ea kon\u010da z u\u010denjem, jo preizkusimo na \u017ee razpolo\u017eljivih podatkih in po potrebi prilagodimo. Poleg natan\u010dnosti napovedi mora programer nastaviti izhod sistema na podlagi ve\u010d vrednostnih sodb. Prikazovanje videoposnetkov, ki so preve\u010d podobni \u017ee videnim zagotovo ne bo preve\u010d zanimivo. \"\"Kaj v resnici pomeni, da je neko priporo\u010dilo dobro? Koliko podobnih posnetkov je treba prikazati in kako raznoliki naj bodo - z ozirom na druge posnetke in na zgodovino uporabnika? Koliko uporabnikovih interesov naj upo\u0161teva? Katere vrste priporo\u010dil imajo za posledico takoj\u0161nje zadovoljstvo, in katere dolgoro\u010dno uporabo?1,3<\/sup> To so pomembna vpra\u0161anja, ki jih je treba upo\u0161tevati.<\/p>\n

Testiranju sledi ocenjevanje priporo\u010dil v realnem \u010dasu. Izmeri se skupni \u010das gledanja za posamezen sklop napovedanih posnetkov2<\/sup>. Dlje, kot si uporabnik ogleduje priporo\u010deni sklop videoposnetkov, uspe\u0161nej\u0161i je model. Zgolj podatek o \u0161tevilu klikov na videoposnetke ne zadostuje za objektivno ocenjevanje. YouTube ocenjuje svoje priporo\u010dilne sisteme na podlagi tega, koliko priporo\u010denih videoposnetkov je bilo pogledanih (skoraj) v celoti ter na podlagi skupne dol\u017eine seje, \u010dasa do prvega dalj\u0161ega ogleda in dele\u017ea prijavljenih uporabnikov1<\/sup>.<\/p>\n\n

Vmesnik<\/h3>\n
\n

Na koncu poglejmo \u0161e, kako so priporo\u010dila predstavljena gledalcu: koliko posnetkov naj se prika\u017ee? Ali naj se najbolj\u0161a priporo\u010dila prika\u017eejo naenkrat, ali naj sistem nekatera prihrani za pozneje3<\/sup>? Kak\u0161en na\u010din prikaza izbrati za sli\u010dice in naslove videoposnetkov? Katere druge informacije je potrebno prikazati? Katere nastavitve lahko nadzoruje uporabnik1<\/sup>? V odgovorih\u00a0na ta vpra\u0161anja se skriva\u00a0YouTubova skrivnost\u00a0ohranjanja dveh milijard\u00a0uporabnikov pred zasloni 24 ur na dan.<\/p>\n\n<\/div>\n\n

\n

1\u00a0<\/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> 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

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

4 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>","rendered":"

Proces<\/h3>\n

Google v vseh svojih produktih uporablja globoke nevronske mre\u017ee za strojno u\u010denje2<\/sup>. Na podlagi video modela YouTubova nevronska mre\u017ea zabele\u017ei videoposnetke, podobne tistim, ki jih je uporabnik \u017ee gledal. Nato posku\u0161a napovedati \u010das gledanja vsakega novega videoposnetka za dani uporabni\u0161ki model in jih razvrsti na podlagi napovedi. Na koncu prika\u017ee 10 do 20 videoposnetkov (odvisno od naprave) z najvi\u0161jimi ocenami.<\/p>\n

Proces je podoben modelu strojnega u\u010denja<\/a>, ki smo ga \u017ee opisali. Stroj v tem primeru najprej zabele\u017ei zna\u010dilnosti uporabni\u0161kih in video modelov, ki jih je podal programer. Iz sklopa u\u010dnih podatkov se nau\u010di, kak\u0161no ute\u017e naj dodeli posamezni zna\u010dilnosti, da bo pravilno napovedal \u010das (trajanje) ogleda. Nato, po testiranju in potrditvi, da pravilno deluje, lahko za\u010dne generirati napovedi in priporo\u010dila.<\/p>\n

\"\"<\/p>\n

U\u010denje<\/h3>\n

V fazi u\u010denja se sistemu posreduje na milijone pozitivnih in negativnih primerov. Pozitiven primer je, ko uporabnik klikne na videoposnetek in si ga dolo\u010den \u010das ogleduje. Negativen primer je, ko uporabnik ne klikne na videoposnetek ali si ga ne ogleduje dovolj dolgo2<\/sup>.<\/p>\n

Nevronska mre\u017ea dobi informacijo o zna\u010dilnostih uporabnika in videoposnetka. Ute\u017e vsake vhodne zna\u010dilnosti prilagodi\u00a0tako, da preveri, ali je bil\u00a0\u010das gledanja za dolo\u010den videoposnetek in uporabnika\u00a0pravilno napovedan.<\/p>\n

Na stotinah milijard primerov se nau\u010di pribli\u017eno milijardo parametrov (ute\u017ei vsake zna\u010dilnosti)2<\/sup>. Mre\u017ea se lahko tudi nau\u010di, da dolo\u010denih zna\u010dilnosti ne upo\u0161teva (dodeli jim ni\u010delno pomembnost\/ute\u017e). Zato je lahko model, ki ga ustvari algoritem, zelo druga\u010den od tistega, ki so si ga zamislili razvijalci.<\/p>\n

Testiranje<\/h3>\n

Ko nevronska mre\u017ea kon\u010da z u\u010denjem, jo preizkusimo na \u017ee razpolo\u017eljivih podatkih in po potrebi prilagodimo. Poleg natan\u010dnosti napovedi mora programer nastaviti izhod sistema na podlagi ve\u010d vrednostnih sodb. Prikazovanje videoposnetkov, ki so preve\u010d podobni \u017ee videnim zagotovo ne bo preve\u010d zanimivo. \"\"Kaj v resnici pomeni, da je neko priporo\u010dilo dobro? Koliko podobnih posnetkov je treba prikazati in kako raznoliki naj bodo – z ozirom na druge posnetke in na zgodovino uporabnika? Koliko uporabnikovih interesov naj upo\u0161teva? Katere vrste priporo\u010dil imajo za posledico takoj\u0161nje zadovoljstvo, in katere dolgoro\u010dno uporabo?1,3<\/sup> To so pomembna vpra\u0161anja, ki jih je treba upo\u0161tevati.<\/p>\n

Testiranju sledi ocenjevanje priporo\u010dil v realnem \u010dasu. Izmeri se skupni \u010das gledanja za posamezen sklop napovedanih posnetkov2<\/sup>. Dlje, kot si uporabnik ogleduje priporo\u010deni sklop videoposnetkov, uspe\u0161nej\u0161i je model. Zgolj podatek o \u0161tevilu klikov na videoposnetke ne zadostuje za objektivno ocenjevanje. YouTube ocenjuje svoje priporo\u010dilne sisteme na podlagi tega, koliko priporo\u010denih videoposnetkov je bilo pogledanih (skoraj) v celoti ter na podlagi skupne dol\u017eine seje, \u010dasa do prvega dalj\u0161ega ogleda in dele\u017ea prijavljenih uporabnikov1<\/sup>.<\/p>\n

Vmesnik<\/h3>\n
\n

Na koncu poglejmo \u0161e, kako so priporo\u010dila predstavljena gledalcu: koliko posnetkov naj se prika\u017ee? Ali naj se najbolj\u0161a priporo\u010dila prika\u017eejo naenkrat, ali naj sistem nekatera prihrani za pozneje3<\/sup>? Kak\u0161en na\u010din prikaza izbrati za sli\u010dice in naslove videoposnetkov? Katere druge informacije je potrebno prikazati? Katere nastavitve lahko nadzoruje uporabnik1<\/sup>? V odgovorih\u00a0na ta vpra\u0161anja se skriva\u00a0YouTubova skrivnost\u00a0ohranjanja dveh milijard\u00a0uporabnikov pred zasloni 24 ur na dan.<\/p>\n<\/div>\n

\n

1\u00a0<\/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> 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

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

4 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","protected":false},"author":1,"menu_order":4,"template":"","meta":{"pb_show_title":"","pb_short_title":"","pb_subtitle":"","pb_authors":[],"pb_section_license":""},"chapter-type":[],"contributor":[],"license":[],"part":112,"_links":{"self":[{"href":"https:\/\/aiopentext.itd.cnr.it\/umetnainteligenca\/wp-json\/pressbooks\/v2\/chapters\/129"}],"collection":[{"href":"https:\/\/aiopentext.itd.cnr.it\/umetnainteligenca\/wp-json\/pressbooks\/v2\/chapters"}],"about":[{"href":"https:\/\/aiopentext.itd.cnr.it\/umetnainteligenca\/wp-json\/wp\/v2\/types\/chapter"}],"author":[{"embeddable":true,"href":"https:\/\/aiopentext.itd.cnr.it\/umetnainteligenca\/wp-json\/wp\/v2\/users\/1"}],"version-history":[{"count":1,"href":"https:\/\/aiopentext.itd.cnr.it\/umetnainteligenca\/wp-json\/pressbooks\/v2\/chapters\/129\/revisions"}],"predecessor-version":[{"id":130,"href":"https:\/\/aiopentext.itd.cnr.it\/umetnainteligenca\/wp-json\/pressbooks\/v2\/chapters\/129\/revisions\/130"}],"part":[{"href":"https:\/\/aiopentext.itd.cnr.it\/umetnainteligenca\/wp-json\/pressbooks\/v2\/parts\/112"}],"metadata":[{"href":"https:\/\/aiopentext.itd.cnr.it\/umetnainteligenca\/wp-json\/pressbooks\/v2\/chapters\/129\/metadata\/"}],"wp:attachment":[{"href":"https:\/\/aiopentext.itd.cnr.it\/umetnainteligenca\/wp-json\/wp\/v2\/media?parent=129"}],"wp:term":[{"taxonomy":"chapter-type","embeddable":true,"href":"https:\/\/aiopentext.itd.cnr.it\/umetnainteligenca\/wp-json\/pressbooks\/v2\/chapter-type?post=129"},{"taxonomy":"contributor","embeddable":true,"href":"https:\/\/aiopentext.itd.cnr.it\/umetnainteligenca\/wp-json\/wp\/v2\/contributor?post=129"},{"taxonomy":"license","embeddable":true,"href":"https:\/\/aiopentext.itd.cnr.it\/umetnainteligenca\/wp-json\/wp\/v2\/license?post=129"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}