Může umělá inteligence vyřešit problém s přetížením možností výběru na platformách s velkým množstvím obsahu?

Úvod

Doporučovací systémy omezují počet rozhodnutí, která musí člověk učinit, a data naznačují, že to má pro platformu větší hodnotu, než si většina lidí myslí. Zda je to na úkor náhodného objevování něčeho nového, je samostatná otázka, na kterou není tak snadné odpovědět.

Streamovací aplikace kladou na úterní večer vysoké nároky. Otevřete jednu z nich a musíte se proklikat řadami miniatur, než narazíte na něco, co stojí za to sledovat – za předpokladu, že vůbec na něco narazíte. Mnoho lidí totiž nenarazí. Bannery se střídají, stále se objevuje ta samá hrstka titulů a v určitém okamžiku se zavření aplikace může jevit jako cesta nejmenšího odporu. Kasinové weby, jako je Vegas Stars casino nz, narážejí na podobný problém z jiného úhlu: nový uživatel se přihlásí a najde stovky neznámých herních dlaždic, aniž by bylo zřejmé, kde začít. Vědci tomuto jevu již před časem dali název „přetížení volbou“ a platformy to považují za určitý druh problému s tržbami.

Skutečná hodnota doporučovacího systému

Pokud nahradíte doporučovací systém Netflixu prostým žebříčkem popularity, klesne zapojení uživatelů o 12 %, jak uvádí pracovní dokument SSRN z listopadu 2025 od skupiny ekonomů spojených s touto společností (tři z autorů tohoto dokumentu pracují přímo v Netflixu). Zkuste místo toho model maticové faktorizace, který je o stupeň nižší než plná personalizace, a pokles bude menší, a to 4 %. Vynásobeno stovkami milionů předplatitelů představuje tento rozdíl miliardy hodin sledování a peníze, které se nakonec tak či onak projeví v počtech prodloužených předplatných.

Klaus Wertenbroch není zcela přesvědčen, že personalizace je jednoznačně přínosem. Vyučuje marketing na INSEAD a je spoluautorem studie, která zpochybňuje, jakou váhu lidé vůbec přikládají algoritmickým doporučením. „Spolu s mými spoluautory varujeme spotřebitele před přílišnou závislostí na algoritmech umělé inteligence při výběru obsahu,“ poznamenal Wertenbroch ve studii a snažil se přimět lidi, aby se nad zaujatostí zamysleli. Vyjádřil naději, že doporučení budou vnímána taková, jaká skutečně jsou – ne jako oficiální schválení, ale jednoduše jako ekvivalent rady.

To souvisí s předsudkem popularity. Pokud daný pořad sleduje již dostatečný počet účtů, může to modelu signalizovat, aby tento pořad doporučil i ostatním (je bezpečnější doporučit stávající hit než nějakou neznámou novinku), a v důsledku toho se malá divácká základna v následujících kolech zmenšuje, až nakonec zmizí z dohledu těch, kteří daný titul aktivně nehledají. Ekonomové tento proces vysvětlují efektem „bohatí se stávají ještě bohatšími“. Má to dopad na indexování vyhledávačů i na kanály sociálních médií – všude tam, kde algoritmy implicitně používají popularitu jako náhradní ukazatel pro posuzování kvality.

Netflix a INSEAD nakonec dospěli ke stejnému závěru, ale k němu se dostali různými cestami. I když pracovali s naprosto odlišnými daty z různých odvětví, zjistili, že základní důvod, proč uživatelé zůstávají, je obvykle stejný. Rostoucí knihovny, které nezlepšují kvalitu již existující nabídky, mají tendenci hromadit bezcenný obsah a stávají se neefektivními při přilákání nových uživatelů nebo udržení těch stávajících.

Algoritmy neumí zachytit šťastné náhody

Historie kliknutí, doba strávená na stránce a vyhledávané výrazy tvoří základ většiny vyhledávačů. Spoléhají na tyto digitální stopy, aby vám nabízely více toho, co jste již sledovali nebo hráli. Z hlediska záměru návrhu to dává smysl. Na druhou stranu však existuje šance, že se vám tento konkrétní typ doporučení nikdy nezobrazí. Důvod je poněkud subtilní a spočívá v tom, že nikdy nedošlo k žádnému projevu zájmu, protože vám to nikdy nebylo představeno. Kdysi, ještě před příchodem doporučovacích systémů a umělé inteligence, se jednalo o marketing „z úst do úst“. Když vám bratr nebo sestra dali mixtape s pouhými několika skladbami a vy jste najednou objevili zcela nový subžánr, aniž byste ho kdy hledali.

Typ obsahu	Standardní interakce	Kurátorská interakce	Klíčové pozorování
Široká popularita	Již vysoká	Téměř beze změny	Tyto tituly se najdou jen díky své popularitě
Katalog střední úrovně	Zapuštěné, snadno přehlédnutelné	Zřetelně stoupá	Kurátorství se zde konkrétně vyplatí
Niche tituly	Téměř neviditelné	Mírně stoupá	I dobré zacílení má své limity

Čistá data sama o sobě jen těžko dokážou odhalit tyto nečekané a zábavné tipy. Web jako Vegas Stars spravuje rozsáhlý katalog plný karetních her, automatů s vysokou volatilitou a živých krupiérů, kteří jsou k dispozici nepřetržitě. Uspořádání takové knihovny samozřejmě vyžaduje určitou organizaci. Algoritmus strojového učení se stará o základní matematiku, zatímco chytrý design uživatelského rozhraní a produktu úkol dotváří. Pokud si někdo vytvoří nový účet bez jakýchkoli předchozích zkušeností, umělá inteligence a dobře promyšlené kategorie obsahu udělají své kouzlo. Takové uspořádání platformy zajišťuje, že nabídka her nebude nepřehledná.

Dobrá kurátorství má velký význam

Návštěvníci, kteří přicházejí na Vegas Stars poprvé, narazí na asi 200 samostatných herních dlaždic, za kterými zatím není žádná historie kliknutí. Mnoho starších doporučovacích systémů řeší tento „čistý štít“ zastaralým způsobem, hlavně proto, že nikdo je nevytvořil s ohledem na tento scénář. Některé nakonec recyklují stále stejnou hrstku žánrů, až se vše na obrazovce začne slévat dohromady. Lepší systémy se snaží o něco náročnější přístup: sledují, co se hráči již líbí, a pak občas vloží titul mimo tento vzorec, jen aby zjistily, co se uchytí.

• Počet kliknutí a délka relace o hráči vypovídají více než jakýkoli průzkum.
• Tisíce účtů se navzájem porovnávají pomocí kolaborativního filtrování, přičemž se hledají překryvy v tom, co bylo hráno nebo přeskočeno.
• Volatilita a herní mechaniky se čtou přímo ze herních souborů, takže přiřazování herních stylů vychází z dat, nikoli z dohadů.
• Zachycena je i změna nálady uprostřed relace, což by statický profil jednoduše přehlédl.

Inženýři mají pro tento úvodní scénář, tedy nový účet, u kterého zatím není nic zaznamenáno, speciální název: problém studeného startu. Některé systémy to řeší tak, že novým účtům automaticky přiřazují to, co je obecně populární, dokud se nenashromáždí dostatek dat o chování pro správnou personalizaci. Jiné místo toho kladou několik úvodních otázek, čímž vymění mírně těžkopádnější registraci za náskok při přiřazování. Ani jedno řešení není dokonalé, ale obě jsou lepší než náhodné zobrazení 200 karet a doufání, že se něco uchytí.

Když se začnete na vše dívat, většinu skutečného třídění zajišťují dvě techniky. Zaprvé, kolaborativní filtrování stanoví skóre podobnosti mezi jedním účtem a tisíci dalších tím, že porovnává tituly, na které se kliklo, které se přehrály nebo dokonce „společně přeskočily“. Značkování založené na obsahu toto srovnání přeskočí a místo toho načte metadata z každého titulu – index volatility, téma, strukturu výplatní tabulky – a poté tyto atributy porovná s tím, co daný účet upřednostňoval dříve (tyto dvě techniky často běží souběžně, místo aby jedna nahrazovala druhou). Obě metody ušetří uživateli nutnost sedět a ručně prohledávat celý katalog.

Když to rozebíráme, jde o asi pět kroků, z nichž každý je poměrně jednoduchý:

1. Data o relacích, preference kategorií a vzorce přeskočení se zapracovávají do modelu ještě předtím, než dojde k jakémukoli řazení.
2. Jednotlivé profily se porovnávají s tituly vázanými na skutečnou historii kliknutí, nikoli pouze s tím, co je obecně populární.
3. Správné seřazení. Většina interakcí s mřížkou na domovské stránce se odehrává v prvních několika řádcích, což je jeden z důvodů, proč má pořadí větší váhu než velikost seznamu pod ním.
4. Nové kliknutí, přeskočení a dokončené relace se započítávají jako další trénovací data.
5. Nové vydání a změny v chování hráčů se zapracovávají během několika minut, místo aby se čekalo na plánovanou aktualizaci.

Jak vypadá lepší kurátorství na Vegas Stars

Mobilní relace tvoří většinu provozu na webu, jako je Vegas Stars, a to mění to, co kurátorství pro uživatele vlastně musí dělat. Na menší obrazovce se vejde asi šest až osm viditelných dlaždic, než je třeba posouvat, takže cokoli se nachází v tom prvním viditelném řádku má mimořádně velký význam, podobně jako efekt mřížky na domovské stránce, na který poukazuje výzkum Netflixu. Pokud se ten úvodní řádek nepovede, hráč nikdy neuvidí zbytek knihovny, bez ohledu na to, jak dobré je samotné přiřazování.

Pak jsou tu stolní hry s živým krupiérem, které přidávají zcela novou úroveň složitosti. Řekněme, že máte blackjackový stůl se třemi volnými místy a uživatelem, který má zájem se připojit; musíte je propojit v milisekundách, ne v sekundách strávených prohledáváním kalendáře schůzek. Jakmile je místo obsazeno, nemůžete jen tak spustit záznam. Na rozdíl od videotéky na vyžádání zde záleží na načasování, protože jakmile se ten živý stůl zaplní, hráč o svou příležitost přijde. Je to jako lobby pro více hráčů v jakékoli hře Call of Duty nebo jiné týmové hře, kterou najdete na PlayStationu a Xboxu.

Rychlost výplat také do jisté míry nepřímo ovlivňuje objevování. Hráči, kteří převádějí peníze prostřednictvím kryptoměn nebo elektronických peněženek, mají tendenci střídat herní relace rychleji než ti, kteří čekají několik dní na bankovní převod, což doporučovacímu systému ponechává méně času na každou návštěvu, aby se něco naučil, než daný účet přejde na jinou platformu. Rychlejší příliv peněz obvykle znamená rychlejší verdikt o tom, zda lobby pro daného hráče skutečně fungovala.

Zvládnout to vyžaduje skutečné inženýrské umění. Je k tomu zapotřebí rychlých a pohotových backendových systémů v kombinaci s rozvržením, které je přizpůsobeno tomu, kam se pozornost hráče skutečně upírá.

Upozornění: Hazardní hry jsou formou zábavy a nesou s sebou inherentní riziko. Neměly by být považovány za zdroj příjmu ani za finanční strategii. Sázejte pouze částky, o které si můžete dovolit přijít, stanovte si přísné limity a vyhledejte pomoc, pokud vás hazardní hry negativně ovlivňují. Účast je omezena na osoby starší 18 let. Vždy sázejte zodpovědně.