Megoldhatja-e a mesterséges intelligencia a tartalomgazdag platformokon tapasztalható választási túlterhelést?

Bevezetés

Az ajánló rendszerek csökkentik a felhasználó által meghozandó döntések számát, és az adatok arra utalnak, hogy ez egy platform számára nagyobb értéket jelent, mint azt a legtöbb ember feltételezi. Hogy ez azzal jár-e, hogy lemaradunk valami újról, az már egy másik kérdés, amelyre szintén nem könnyű válaszolni.

A streamingalkalmazások sokat követelnek egy kedd estétől. Ha megnyitunk egyet, sorokba rendezett miniatűrökön kell végiglapozni, mire rátalálunk valamire, amit érdemes megnézni – feltéve, hogy egyáltalán rátalálunk valamire. Sokan nem találnak. A bannerhirdetések váltakoznak, ugyanaz a néhány cím újra és újra felbukkan, és egy bizonyos ponton az alkalmazás bezárása tűnhet a legkönnyebb megoldásnak. Az olyan kaszinóoldalak, mint a Vegas Stars casino nz, egy kapcsolódó problémával szembesülnek, csak más szemszögből: egy új fiók bejelentkezik, és több száz ismeretlen játékot talál, amelyek közül nem egyértelmű, hol is kezdje. A kutatók egy ideje elnevezték ezt a jelenséget „választási túlterhelésnek”, és a platformok ezt valamiféle bevételi problémaként kezelik.

Az ajánlómotor tényleges értéke

Ha a Netflix ajánlómotorját egy egyszerű népszerűségi rangsorra cseréljük, az elkötelezettség 12%-kal csökken – derül ki egy 2025. novemberi SSRN-munkadokumentumból, amelyet a vállalathoz kapcsolódó közgazdászokból álló csoport készített (a tanulmány szerzői közül hárman közvetlenül a Netflixnél dolgoznak). Próbáljuk ki helyette egy mátrixfaktorizációs modellt – ami egy lépéssel elmarad a teljes személyre szabástól –, és a veszteség kisebb, mindössze 4%. Ha ezt megszorozzuk a több százmilliós előfizetői bázissal, ez a különbség több milliárd nézési órát jelent, és pénzt, ami végül így vagy úgy megjelenik a szerződésmegújítási számokban.

Klaus Wertenbroch nem teljesen osztja azt a nézetet, hogy a személyre szabás egyértelműen jó dolog. Az INSEAD-on tanít marketinget, és társszerzője egy tanulmánynak, amely megkérdőjelezi, hogy az emberek eleve mennyire veszik komolyan az algoritmusok által kiválasztott tartalmakat. „Társszerzőimmel együtt arra figyelmeztetjük a fogyasztókat, hogy ne támaszkodjanak túlzottan a mesterséges intelligencia algoritmusaira az ilyen választások során” – jegyezte meg Wertenbroch a tanulmányban, arra ösztönözve az embereket, hogy alaposan gondolják át az elfogultságokat. Elmondta, hogy reméli, az ajánlásokat pontosan annak fogják tekinteni, amik: nem hivatalos jóváhagyásnak, hanem egyszerűen tanácsnak.

Ez összefügg a népszerűségi torzítással. Ha már elegendő számú fiók nézi egy sorozatot, az jelzést adhat a modellnek, hogy ajánlja azt másoknak is (biztonságosabb egy már létező sikersorozatot ajánlani, mint valami ismeretlent), és ennek eredményeként a kisebb közönségek a későbbi körökben egyre csökkennek, végül pedig eltűnnek a látóteréből azok számára, akik nem keresnek aktívan egy adott címet. A közgazdászok a „gazdagok egyre gazdagabbá válnak” hatással magyarázzák ezt a folyamatot. Ennek következményei vannak a keresőmotorok indexelésére és a közösségi média hírfolyamaira nézve, bárhol, ahol az algoritmusok implicit módon a népszerűséget használják a minőség megítélésének helyettesítő mutatójaként.

A Netflix és az INSEAD végül ugyanarra a következtetésre jutott, de különböző utakat jártak be, hogy oda eljussanak. Annak ellenére, hogy teljesen különböző adatokkal dolgoztak különböző iparágakból, azt találták, hogy a felhasználók hűségének alapvető oka általában ugyanaz. Azok a bővülő könyvtárak, amelyek nem javítják a már meglévő kínálat minőségét, hajlamosak a szemét felhalmozására, és hatástalanná válnak az új felhasználók vonzásában vagy a meglévők megtartásában.

Az algoritmusok nem tudnak boldog véletlenekkel bánni

A kattintási előzmények, az oldalon töltött idő és a keresési kifejezések képezik a legtöbb keresőmotor alapját. Ezekre a digitális lábnyomokra támaszkodnak, hogy többet kínáljanak abból, amit már korábban néztél vagy játszottál. Ez a tervezési szándék szempontjából logikus. Ugyanakkor fennáll annak az esélye, hogy soha nem jelenik meg neked ez a konkrét javaslat. Az ok némileg finom, azon a tényen alapul, hogy soha nem volt jele az érdeklődésnek, mert soha nem ismerkedtél meg vele. Régen, még az ajánló rendszerek és a mesterséges intelligencia megjelenése előtt, ez volt a „szájról szájra” terjedő marketing. Amikor a bátyád vagy a nővéred adott neked egy válogatáskazettát, amin csak néhány szám volt, és hirtelen felfedeztél egy teljesen új alműfajt anélkül, hogy valaha is kerested volna.

Tartalomtípus	Szabványos interakció	Kiválasztott interakció	Főbb megfigyelések
Széles körű népszerűség	Már eleve magas	Alig változik	Ezeket a címeket kizárólag a népszerűségük miatt találják meg
Közepes szintű katalógus	Elrejtve, könnyen elkerülhető	Észrevehetően felugrik	Itt kifejezetten a válogatás éri meg a fáradságot
Niche címek	Szinte láthatatlan	Kicsit javul	Még a jó célzásnak is vannak határai

A puszta adatok önmagukban nehezen tudják felszínre hozni ezeket a váratlan, szórakoztató választásokat. Egy olyan webhely, mint a Vegas Stars, hatalmas katalógust kezel, amely tele van kártyajátékokkal, nagy volatilitású nyerőgépekkel és éjjel-nappal dolgozó élő krupiékkal. Nyilvánvalóan némi szervezésre van szükség egy ilyen könyvtár rendezéséhez. A gépi tanulási algoritmus gondoskodik az alapul szolgáló matematikáról, míg az intelligens felhasználói élmény (UX) és terméktervezés végzi el a feladatot. Ha valaki korábbi tapasztalat nélkül hoz létre új fiókot, a mesterséges intelligencia és a jól felépített tartalomkategóriák varázslatos módon működnek. A platform ilyen módon történő megszervezése biztosítja, hogy a játékok rácsa ne legyen túlzsúfolt.

A gondos válogatás sokat számít

A Vegas Stars-ra először látogatók körülbelül 200 különálló játékkockával találkoznak, amelyek mögött egyelőre nincs kattintási előzmény. Számos régebbi ajánlómotor elavult módon kezeli ezt a tiszta lapot, főként azért, mert senki sem azzal a forgatókönyvvel szem előtt tartva építette őket. Néhányan végül ugyanazt a maroknyi műfajt ismételgetik, amíg a képernyőn minden el nem kezd elmosódni. A jobb rendszerek bonyolultabb megoldást próbálnak ki: nyomon követik, hogy a játékosnak mi tetszik már, majd alkalmanként beillesztenek egy-egy címet a mintán kívülről, csak hogy lássák, mi ragad meg.

• A kattintások és a munkamenet hossza többet árul el egy játékosról, mint bármely felmérés.
• Több ezer fiókot hasonlítunk össze egymással kollaboratív szűrés segítségével, keresve az átfedéseket abban, hogy mit játszottak vagy hagytak ki.
• A volatilitást és a mechanikákat közvetlenül a játékfájlokból olvassuk ki, így a stílusmegfelelések az adatokon alapulnak, nem pedig találgatásokon.
• A munkamenet közbeni hangulatváltozást is észleli a rendszer, amit egy statikus profil egyszerűen nem venné észre.

A mérnököknek van egy elnevezésük erre a kezdeti helyzetre, amikor egy új fiók még semmilyen adattal nem rendelkezik: a „hidegindítás” problémája. Egyes rendszerek úgy kezelik ezt, hogy az új fiókokat alapértelmezésként a széles körben népszerű tartalmakhoz rendelik, amíg elegendő viselkedési adat nem halmozódik fel a megfelelő személyre szabáshoz. Mások ehelyett néhány bevezető kérdést tesznek fel, cserébe a kissé nehézkesebb regisztrációért egy előnyt kapnak a párosításban. Egyik megoldás sem tökéletes, de mindkettő jobb, mint 200 játékot véletlenszerűen megjeleníteni, és reménykedni, hogy valamelyik bejön.

Két technika végzi a tényleges szortírozás nagy részét, amikor elkezded áttekinteni az összes tartalmat. Először is, a kollaboratív szűrés hasonlósági pontszámot állapít meg egy fiók és több ezer másik között azáltal, hogy összehasonlítja a kattintott, lejátszott vagy akár „közösen kihagyott” címeket. A tartalomalapú címkézés kihagyja ezt az összehasonlítást, és helyette kiolvassa az egyes címek metaadatait – a volatilitási indexet, a témát, a nyereménytáblázat szerkezetét –, majd ezeket az attribútumokat összehasonlítja azzal, amit az adott fiók korábban kedvelt (a két technika gyakran párhuzamosan fut, ahelyett, hogy az egyik felváltaná a másikat). Bármelyik módszer megkímél valakit attól, hogy ott üljön, és kézzel túrja át az egész katalógust.

Ha lebontjuk a folyamatot, körülbelül öt lépésből áll, amelyek mindegyike meglehetősen egyszerű:

1. A munkamenet-adatok, a kategóriapreferenciák és a kihagyási minták bekerülnek a modellbe, mielőtt bármit is rangsorolnának.
2. Az egyéni profilokat a tényleges kattintási előzményekhez kapcsolódó címekkel párosítjuk, nem pedig csak az általánosan népszerű tartalmakkal.
3. Rangsorold helyesen! A kezdőlap rácsán megjelenő tartalmak iránti érdeklődés nagy része az első néhány sorban történik, ami részben magyarázza, miért bír nagyobb súllyal a rangsor, mint az alatta lévő lista mérete.
4. Az új kattintások, kihagyások és befejezett munkamenetek további tanulási adatokként kerülnek vissza a rendszerbe.
5. Az új kiadások és a játékosok viselkedésében bekövetkező változások perceken belül beépülnek a rendszerbe, ahelyett, hogy a tervezett frissítésre kellene várni.

Hogyan néz ki a jobb kuráció a Vegas Stars-nál

A mobil eszközökről érkező látogatások teszik ki a forgalom nagy részét egy olyan oldalon, mint a Vegas Stars, és ez megváltoztatja, hogy a kurálásnak valójában mit kell nyújtania a felhasználó számára. Egy kisebb képernyőn talán hat vagy nyolc látható csempe fér el, mielőtt a felhasználónak görgetnie kellene, így bármi is legyen az első látható sorban, az rendkívül nagy súllyal bír, hasonlóan ahhoz a kezdőlap-rács hatáshoz, amelyre a Netflix kutatása rámutat. Ha az első sor rosszul van összeállítva, a játékos soha nem látja a könyvtár többi részét, függetlenül attól, hogy az alapul szolgáló párosítás mennyire jó.

Aztán ott vannak az élő krupiés asztali játékok, amelyek teljesen új komplexitási réteget adnak hozzá. Tegyük fel, hogy van egy blackjack-asztal három szabad hellyel, és egy felhasználó szeretne csatlakozni; milliszekundumok alatt kell összekapcsolni őket, nem pedig másodpercek alatt, amiket a foglalási naptár átkutatásával töltenek el. Nem lehet csak úgy elindítani egy ismétlést, ha a hely már foglalt. Itt – ellentétben az on-demand videokönyvtárral – az időzítés számít, mert ha az élő asztal megtelik, a játékosnak elszáll a lehetősége. Olyan, mint egy többjátékos váróterem bármelyik Call of Duty-ban vagy más csapatjátékban, amit a PlayStationen és az Xboxon találsz.

A kifizetési sebesség is némileg közvetett módon befolyásolja a felfedezést. Azok a játékosok, akik kriptovalutával vagy e-pénztárcákkal mozgatják a pénzüket, általában gyorsabban váltanak egyik játékmenetről a másikra, mint azok, akik napokig várnak egy banki átutalásra; így az ajánló rendszernek kevesebb ideje marad egy-egy látogatás során arra, hogy bármit is megtanuljon, mielőtt az adott fiók átkerül egy másik platformra. A gyorsabb pénzbeáramlás általában azt is jelenti, hogy gyorsabban kiderül, vajon a lobby valóban bevált-e az adott játékos számára.

Ennek megvalósításához valódi mérnöki munka szükséges. Gyors, rugalmas háttérrendszerekre van szükség, amelyekhez olyan felépítés társul, amely a játékos figyelmének tényleges irányához igazodik.

Jogi nyilatkozat: A szerencsejáték szórakozási forma, és velejáró kockázattal jár. Nem szabad jövedelemforrásnak vagy pénzügyi stratégiának tekinteni. Csak annyit tegyen fel, amennyit megengedhet magának, hogy elveszítsen, szigorú korlátokat állítson fel, és kérjen segítséget, ha a szerencsejáték negatív hatással van Önre. A részvétel 18 év feletti felnőttekre korlátozódik. Mindig felelősségteljesen játsszon.