Motorul de recomandări: cum influențează ce alegem să vedem în continuare

Mult timp, alegerea unui film la cinema sau a unui serial
pentru acasă era un proces destul de simplu: te uitai pe program, citeai o
recenzie, aveai încredere în recomandarea unui prieten sau te uitai la trailer
înainte să iei o decizie. Astăzi, odată cu platformele de streaming online,
procesul este, de obicei, foarte diferit: deschizi o platformă și, înainte să
cauți ceva anume, ai deja în față o selecție de sugestii care pare făcută
special pentru tine.De exemplu, după ce urmărești mai multe filme de Christopher
Nolan, platforma poate începe să îți recomande thrillere psihologice, filme
science-fiction complexe sau titluri cu structuri narative asemănătoare. La
fel, cine termină o serie de filme de acțiune precum John Wick va primi, cel
mai probabil, recomandări de filme cu un ritm similar sau cu protagoniști
solitari.





Partea interesantă este că acest mecanism nu se limitează la
filme și seriale. Sistemele de tip „Recomandări pentru tine” sunt prezente în
tot ecosistemul digital: pe platformele de muzică, în rețelele profesionale și
pe rețelele sociale apar secțiuni de tip „sugerate” sau „recomandate”. Nici
jocurile online nu sunt străine de acest tip de instrumente. Dacă ne uităm la
cazinourile online incluse în clasamentul realizat de experții Legalbet,
disponibil pe https://legalbet.ro/cazinouri/,
un ghid independent al operatorilor legali, devine clar că secțiunile cu jocuri
recomandate sunt disponibile pe toate aceste platforme.Logica acestui mecanism de recomandare este aceeași în toate
domeniile: încearcă să reducă timpul de căutare manuală printr-o selecție
făcută în prealabil de sistem. În spatele acestei selecții aparent simple se
află însă ani de evoluție tehnică și schimbări importante în modul de
recomandare a conținutului.Motoarele de recomandare au pornit de la modele clasice,
bazate pe reguli simple de similitudine între utilizatori sau între produse.
Din această primă etapă s-au conturat concepte precum filtrarea colaborativă și
filtrarea bazată pe conținut.Filtrarea colaborativă pornește de la ideea că, dacă doi
utilizatori au arătat gusturi asemănătoare în trecut, sistemul îi poate
recomanda unuia conținuturi care i-au plăcut celuilalt. Filtrarea bazată pe
conținut, în schimb, nu se concentrează pe datele unor terți, ci pe
caracteristicile titlurilor alese anterior de utilizatorul respectiv. Astfel, o
persoană care urmărește constant filme de Quentin Tarantino ar putea începe să
primească recomandări de filme crime/thriller, cu dialoguri rapide și umor negru,
în timp ce cineva care consumă filme din universul Marvel va vedea mai multe
titluri cu supereroi, science-fiction și francize cu bugete mari.


Ulterior au apărut sistemele hibride, care combină cele două
metode pentru a face sugestiile mai precise și pentru a reduce o parte dintre
limitările lor. Aceste modele îmbină filtrarea colaborativă, analiza
conținutului și semnalele contextuale, ceea ce le permite să gestioneze mai
bine probleme clasice, precum lipsa informațiilor inițiale despre utilizator
sau dependența prea mare de titlurile populare.Uneori, aceste motoare sunt privite ca un fel de intuiție
digitală misterioasă. În realitate, nu sunt. Ele lucrează cu semnale destul de
concrete. Unele platforme de streaming le rezumă într-un mod destul de clar:
interacțiunile cu serviciul, istoricul de vizionare, evaluările, asemănările cu
alți utilizatori, informațiile despre titluri, limba preferată, dispozitivul de
pe care urmărești conținutul, timpul de vizionare și chiar ora din zi. De
asemenea, clarifică un lucru relevant: de multe ori, date demografice precum
vârsta sau genul nu sunt folosite în procesul de decizie.Privit mai simplu, sistemul combină cel puțin patru elemente
de bază:•      
ce ai urmărit sau ai căutat înainte;•      
ce au apreciat persoane cu obiceiuri
asemănătoare;•      
caracteristicile conținutului: gen, distribuție,
ton, an, etichete;•      
contextul în care urmărești conținutul: ora,
limba, dispozitivul sau durata sesiunii.Dacă un utilizator obișnuiește să abandoneze dramele lente
după douăzeci de minute, dar termină aproape întotdeauna thrillere polițiste
sau filme horror urmărite seara, sistemul învață rapid ce tip de conținut îi
menține atenția mai mult timp.Astfel, sistemul încearcă să răspundă la o întrebare
esențială: ce ți-ai dori, cel mai probabil, să urmărești chiar acum.Motoarele de recomandare au avantaje clare atât pentru
platformă, cât și pentru utilizator. Din perspectiva utilizatorului, experiența
devine mai comodă și mai personalizată, pentru că timpul de căutare scade, iar
filmele sau serialele sugerate au șanse mai mari să se potrivească gusturilor
sale.Pentru platformă, aceste sisteme ajută utilizatorii să
petreacă mai mult timp în aplicație, să exploreze mai mult catalogul disponibil
și să aibă mai puține motive să renunțe la abonament. Nu întâmplător, motoarele
de recomandare au devenit o componentă esențială a streamingului de astăzi:
atunci când sunt bine calibrate, îmbunătățesc experiența de utilizare și
susțin, în același timp, o parte importantă a modelului de business.Există însă și limitări. Un sistem de recomandare poate
lucra doar cu informațiile pe care le are deja, așa că nu reușește întotdeauna
să propună ceva cu adevărat nou sau surprinzător. Aici apare și așa-numita
problemă a „pornirii la rece”: atunci când un utilizator este nou pe platformă
sau când un film are un istoric foarte redus, motorul nu dispune încă de
suficiente informații pentru a face recomandări precise.În plus, aceste sisteme pot deveni părtinitoare, favorizând
prea mult conținutul deja popular și împingând în plan secund titlurile mai
puțin cunoscute. Astfel, mulți utilizatori pot ajunge să vadă mereu producții
mari sau titluri promovate intens, în timp ce filme independente, cinema clasic
sau producții străine rămân ascunse în catalog, chiar dacă au cronici foarte
bune.Mai există și un punct sensibil: pentru a funcționa bine,
algoritmii de recomandare au nevoie de date despre comportamentul
utilizatorilor, ceea ce ridică inevitabil întrebări legate de
confidențialitate, monitorizare și folosirea informațiilor personale. Cu alte
cuvinte, acești algoritmi sunt foarte utili, dar nu sunt nici neutri, nici
infailibili.Pentru a înțelege mai bine cât de mult intervin motoarele de
recomandare în experiența ta, merită să vedem, pe scurt, ce părți ale
platformei sunt personalizate și cum îți pot influența alegerile.Cum să privești sugestiile sistemuluiAtunci când analizezi recomandările sistemului pentru a
alege următorul film pe care îl vei urmări, e bine să ții cont de câteva
lucruri:•      
Privește critic opțiunile de autoplay și listele
de tip „vezi mai târziu”. •      
Caută din când în când și prin filtrele de
căutare, nu doar prin pagina principală. Uneori merită să cauți manual
categorii precum „cinema clasic”, „filme premiate cu Oscar” sau „cinema
asiatic”, deoarece multe dintre aceste titluri nu apar într-un loc vizibil pe
pagina principală. •      
Nu confunda „recomandat pentru tine” cu „sigur
îmi va plăcea”. •      
Verifică și categorii noi, mai puțin evidente
sau îndepărtate de obiceiurile tale.În felul acesta, poți găsi opțiuni noi pe care sistemul nu
ți le recomandă implicit, dar care te-ar putea interesa. Cu alte cuvinte, poți
avea mai mult control asupra a ceea ce decizi să vezi în continuare.Motorul de recomandare a devenit atât de cotidian, încât
aproape că pare invizibil. Și totuși, organizează o mare parte din experiența
noastră cu filmele și serialele în streaming. Decide ce titluri ajung primele
în fața ochilor noștri, cu ce imagine o fac și în ce moment exact par
potrivite. De aceea, influențează direct ceea ce vedem în continuare.
Nu acționează ca un critic, nici ca un prieten și nici ca un programator TV
clasic. Acționează ca un amestec de memorie, analiză de date și vitrină
personalizată. Iar atunci când funcționează bine, reușește ceva important: să
ne facă să alegem un film care, cel mai probabil, ne va plăcea. Decizia finală
rămâne întotdeauna a noastră, chiar dacă, în realitate, sistemul ne ghidează
treptat încă din momentul în care deschidem aplicația.