Κάθε φορά που μια εφαρμογή σου προτείνει ακριβώς το επόμενο τραγούδι ή τη σειρά που τελικά θα δεις, δεν πρόκειται για τύχη. Πίσω από την πρόταση βρίσκεται ένα σύστημα μηχανικής μάθησης που έχει παρατηρήσει τις συνήθειές σου και προσπαθεί να προβλέψει τι θα σου αρέσει στη συνέχεια. Η εξατομικευμένη ψυχαγωγία έχει γίνει πλέον ο κανόνας: δύο άνθρωποι σπάνια βλέπουν την ίδια αρχική οθόνη στην ίδια υπηρεσία. Αυτό κάνει την εμπειρία πιο βολική, αλλά εγείρει και ερωτήματα για το ποιος τελικά αποφασίζει τι θα δούμε. Αξίζει, λοιπόν, να καταλάβουμε πώς δουλεύει αυτή η τεχνολογία και πού βρίσκονται τα όρια της. Όσο πιο αόρατη γίνεται, τόσο πιο χρήσιμο είναι να ξέρουμε με ποια λογική σκέφτεται.
Τι κάνει τη μηχανική μάθηση διαφορετική
Τα παλαιότερα συστήματα προτάσεων στηρίζονταν σε σταθερούς κανόνες που έγραφε ένας άνθρωπος: αν κάποιος είδε το ένα, δείξε του το άλλο. Η μηχανική μάθηση λειτουργεί αλλιώς. Αντί να ακολουθεί προκαθορισμένες οδηγίες, αναλύει τεράστιες ποσότητες δεδομένων και εντοπίζει μόνη της μοτίβα που ένας άνθρωπος δύσκολα θα παρατηρούσε. Όσο περισσότερα δεδομένα συγκεντρώνει, τόσο πιο ακριβείς γίνονται οι προβλέψεις της, χωρίς να χρειάζεται κάποιος να την ξαναπρογραμματίσει από την αρχή. Αυτή ακριβώς η ικανότητα να βελτιώνεται μόνη της με την εμπειρία είναι που κάνει την προσέγγιση τόσο ισχυρή. Το σύστημα δεν γνωρίζει στ' αλήθεια τι σημαίνει μια ταινία ή ένα τραγούδι - απλώς αναγνωρίζει ότι άνθρωποι με παρόμοια συμπεριφορά τείνουν να κάνουν παρόμοιες επιλογές. Αυτή η στατιστική, μη εννοιολογική προσέγγιση είναι ταυτόχρονα η δύναμη και ο μεγαλύτερος περιορισμός της.
Πώς μαθαίνει ένα σύστημα τι μας αρέσει
Η διαδικασία, αν και τεχνικά πολύπλοκη, ακολουθεί έναν κύκλο που μπορεί να περιγραφεί σε λίγα βήματα:
- Συλλογή δεδομένων: το σύστημα καταγράφει τι βλέπεις, πόσο μένεις, τι παρακάμπτεις και πότε επιστρέφεις.
- Εντοπισμός μοτίβων: ένα μοντέλο εκπαιδεύεται ώστε να βρίσκει σχέσεις ανάμεσα στις επιλογές χιλιάδων χρηστών.
- Πρόβλεψη: με βάση αυτά τα μοτίβα, το σύστημα προτείνει περιεχόμενο που πιθανότατα θα σε ενδιαφέρει.
- Ανατροφοδότηση: κάθε νέα σου αντίδραση τροφοδοτεί ξανά το μοντέλο, κάνοντάς το ακόμη πιο ακριβές.
Ο κύκλος αυτός δεν σταματά ποτέ· κάθε αλληλεπίδραση είναι ταυτόχρονα και ένα νέο μάθημα για το σύστημα, που έτσι προσαρμόζεται διαρκώς σε εμάς.
Συνεργατικό και βάσει περιεχομένου φιλτράρισμα
Στην πράξη, οι υπηρεσίες συνδυάζουν δύο βασικές προσεγγίσεις. Το συνεργατικό φιλτράρισμα προτείνει περιεχόμενο με βάση τις επιλογές ανθρώπων με παρόμοιο προφίλ, ενώ το φιλτράρισμα βάσει περιεχομένου εστιάζει στα χαρακτηριστικά του ίδιου του αντικειμένου, όπως το είδος ή το ύφος του. Ο συνδυασμός των δύο επιτρέπει να προτείνονται τόσο δημοφιλείς όσο και πιο εξειδικευμένες επιλογές, καλύπτοντας διαφορετικά γούστα χωρίς να βασίζονται σε έναν μόνο δείκτη.
Εξατομίκευση στη διαδικτυακή διασκέδαση
Η ίδια τεχνολογία δεν περιορίζεται στη μουσική ή στις ταινίες. Έχει εξαπλωθεί σε κάθε μορφή διαδικτυακής διασκέδασης, από τα βιντεοπαιχνίδια μέχρι τις πλατφόρμες τυχερών παιχνιδιών, με κοινό στόχο να παρουσιάζεται στον χρήστη ό,τι ταιριάζει καλύτερα στις προτιμήσεις του, ώστε να μη χαθεί μέσα σε έναν τεράστιο κατάλογο επιλογών. Έτσι, όταν το Fiery Play οργανώνει τη μεγάλη συλλογή παιχνιδιών του γύρω από αυτά που τείνει να επιλέγει κάθε χρήστης, αξιοποιεί την ίδια λογική των συστημάτων σύστασης που συναντάμε στις υπηρεσίες streaming. Η ουσιαστική διαφορά είναι ότι εδώ μπορεί να εμπλέκονται πραγματικά χρήματα, οπότε η ευκολία με την οποία βρίσκει κανείς το επόμενο παιχνίδι κάνει ακόμη πιο σημαντικό τον καθορισμό ορίων χρόνου και προϋπολογισμού από πριν, με το παιχνίδι να παραμένει ψυχαγωγία και όχι τρόπος κέρδους.
Πέρα από την απλή πρόταση περιεχομένου
Η μηχανική μάθηση δεν σταματά στο να προτείνει έτοιμο περιεχόμενο - ολοένα και περισσότερο διαμορφώνει την ίδια την εμπειρία σε πραγματικό χρόνο. Σε ένα βιντεοπαιχνίδι, η δυσκολία μπορεί να ρυθμίζεται αυτόματα ανάλογα με την απόδοση του παίκτη, ώστε να παραμένει προκλητικό χωρίς να γίνεται αποθαρρυντικό. Σε μια υπηρεσία streaming, ακόμη και η εικόνα προεπισκόπησης ενός τίτλου μπορεί να αλλάζει για να ταιριάξει στα γούστα του κάθε χρήστη. Σε άλλες περιπτώσεις, οι προσφορές και οι ειδοποιήσεις χρονομετρούνται με βάση το πότε είναι πιο πιθανό να ανταποκριθούμε. Η ψυχαγωγία, δηλαδή, παύει να είναι ένα σταθερό προϊόν και γίνεται κάτι που αναδιαμορφώνεται διαρκώς γύρω από τον καθένα μας.
Πότε η εξατομίκευση γίνεται πρόβλημα
Η εξατομίκευση έχει προφανή οφέλη, αλλά κρύβει και παγίδες. Η πρώτη είναι η λεγόμενη φούσκα: όσο πιο καλά μαθαίνει το σύστημα τι μας αρέσει, τόσο πιο σπάνια μας εκθέτει σε κάτι διαφορετικό, περιορίζοντας σιγά σιγά τις επιλογές μας σε παραλλαγές του ίδιου πράγματος. Η δεύτερη αφορά τα δεδομένα: για να λειτουργήσει, το σύστημα χρειάζεται να γνωρίζει πολλά για εμάς, κάτι που θέτει ζητήματα ιδιωτικότητας. Τέλος, η ίδια ακρίβεια που κάνει μια πρόταση χρήσιμη μπορεί να χρησιμοποιηθεί και για να μας κρατήσει συνδεδεμένους περισσότερο απ' όσο θα θέλαμε. Όταν στο παιχνίδι μπαίνουν και χρήματα, αυτό το τελευταίο παύει να είναι απλώς θεωρητικός κίνδυνος και αποκτά πραγματικές συνέπειες. Γι' αυτό και η διαφάνεια για τον τρόπο λειτουργίας αυτών των συστημάτων έχει σημασία για κάθε χρήστη.
Έλεγχος στα χέρια του χρήστη
Η μηχανική μάθηση δεν είναι ούτε σύμμαχος ούτε εχθρός· είναι ένα εργαλείο που υπηρετεί τον σχεδιασμό της εκάστοτε υπηρεσίας. Για να παραμείνουμε εμείς στο τιμόνι, αξίζει να θυμόμαστε ότι αυτό που βλέπουμε είναι μια επιλεγμένη εκδοχή της πραγματικότητας και όχι το σύνολό της. Καλό είναι να αναζητούμε περιεχόμενο και έξω από τις έτοιμες προτάσεις, να ελέγχουμε ποια δεδομένα μοιραζόμαστε και, όταν η διασκέδαση περιλαμβάνει τυχερά παιχνίδια, να θέτουμε σαφή όρια χρόνου και χρημάτων, αντιμετωπίζοντάς τα ως ψυχαγωγία και ποτέ ως πηγή εισοδήματος. Η τεχνολογία θα συνεχίσει να μαθαίνει για εμάς· το ζητούμενο είναι να μη σταματήσουμε εμείς να αποφασίζουμε για τον εαυτό μας.