Czy sztuczna inteligencja może rozwiązać problem nadmiaru możliwości wyboru na platformach z dużą ilością treści?

Wprowadzenie

Systemy rekomendacji ograniczają liczbę wyborów, których dana osoba musi dokonać, a dane wskazują, że dla platformy ma to większą wartość, niż większość ludzi zakłada. Czy odbywa się to kosztem odkrywania nowych treści, to osobna kwestia, na którą również niełatwo odpowiedzieć.

Aplikacje streamingowe stawiają wysokie wymagania we wtorkowy wieczór. Otwierasz jedną z nich i musisz przedrzeć się przez rzędy miniatur, zanim trafisz na coś wartego obejrzenia – zakładając, że w ogóle coś znajdziesz. Wielu osobom się to nie udaje. Banery zmieniają się, ta sama garstka tytułów ciągle się pojawia, a w pewnym momencie zamknięcie aplikacji może wydawać się najłatwiejszym rozwiązaniem. Serwisy kasynowe, takie jak Vegas Stars casino nz, borykają się z podobnym problemem z innej perspektywy: nowa osoba loguje się na konto i widzi setki nieznanych gier, nie mając jasnego punktu wyjścia. Naukowcy już jakiś czas temu nadali temu zjawisku nazwę – „przeciążenie wyborem” – a platformy traktują je jako pewnego rodzaju problem związany z przychodami.

Rzeczywista wartość silnika rekomendacji

Zastąpienie silnika rekomendacji serwisu Netflix zwykłym rankingiem popularności powoduje spadek zaangażowania o 12%, jak wynika z opublikowanego w listopadzie 2025 r. dokumentu roboczego SSRN autorstwa grupy ekonomistów powiązanych z firmą (trzech autorów tego dokumentu pracuje bezpośrednio w serwisie Netflix). Jeśli zamiast tego wypróbujemy model faktoryzacji macierzowej – co stanowi krok wstecz w stosunku do pełnej personalizacji – spadek ten jest mniejszy i wynosi 4%. Pomnożona przez bazę abonentów liczącą setki milionów osób, różnica ta przekłada się na miliardy godzin oglądania oraz pieniądze, które ostatecznie w taki czy inny sposób znajdują odzwierciedlenie w liczbie odnowionych subskrypcji.

Klaus Wertenbroch nie do końca zgadza się z twierdzeniem, że personalizacja jest jednoznacznie korzystna. Wykłada marketing w INSEAD i jest współautorem artykułu, w którym kwestionuje, jak dużą wagę ludzie przywiązują w ogóle do algorytmicznych propozycji. „Wraz z moimi współautorami ostrzegamy konsumentów przed nadmiernym poleganiem na algorytmach sztucznej inteligencji przy dokonywaniu takich wyborów” – zauważył Wertenbroch w artykule, próbując skłonić ludzi do zastanowienia się nad istniejącymi tendencjami. Wyraził nadzieję, że rekomendacje będą postrzegane po prostu jako to, czym są – nie jako oficjalne poparcie, ale jedynie jako odpowiednik porady.

Wiąże się to z uprzedzeniem popularności. Gdy wystarczająca liczba użytkowników ogląda już dany program, może to stanowić sygnał dla modelu, by polecić ten program innym (bezpieczniej jest polecić istniejący hit niż coś nieznanego), w wyniku czego mniejsze grupy odbiorców kurczą się w kolejnych iteracjach, aż w końcu znikają z pola widzenia osób, które nie szukają aktywnie danego tytułu. Ekonomiści odwołują się do efektu „bogaci stają się bogatsi”, aby wyjaśnić ten proces. Ma to wpływ na indeksowanie w wyszukiwarkach i kanały w mediach społecznościowych – wszędzie tam, gdzie algorytmy niejawnie wykorzystują popularność jako wskaźnik zastępczy do oceny jakości.

Netflix i INSEAD doszli ostatecznie do tego samego wniosku, ale drogi, którymi tam dotarli, były różne. Mimo że mieli do czynienia z zupełnie innymi danymi z różnych branż, odkryli, że podstawowa przyczyna, dla której użytkownicy pozostają przy serwisie, jest zazwyczaj ta sama. Rosnące biblioteki, które nie poprawiają jakości już posiadanej oferty, mają tendencję do gromadzenia śmieci i stają się nieefektywne w przyciąganiu nowych użytkowników lub zatrzymywaniu obecnych.

Algorytmy nie radzą sobie z „szczęśliwymi przypadkami”

Historia kliknięć, czas spędzony na stronie i wyszukiwane hasła stanowią podstawę działania większości wyszukiwarek. Opierają się one na tych cyfrowych śladach, aby wyświetlać więcej treści, które już oglądałeś lub w które grałeś. Z punktu widzenia zamierzeń projektowych ma to sens. Z drugiej jednak strony istnieje szansa, że dana sugestia nigdy nie zostanie Ci wyświetlona. Powód jest dość subtelny i wynika z faktu, że nigdy nie pojawiły się żadne oznaki zainteresowania, ponieważ nigdy nie zapoznałeś się z tą treścią. Dawniej, zanim pojawiły się systemy rekomendacji i sztuczna inteligencja, funkcjonował marketing „szeptany”. Kiedy twój brat lub siostra wręczali ci kasetę z zaledwie kilkoma utworami, nagle odkrywałeś zupełnie nowy podgatunek muzyczny, nawet go nie szukając.

Typ treści	Standardowe zaangażowanie	Zaangażowanie kuratorskie	Kluczowa obserwacja
Hity o szerokim zasięgu	Już wysoki	Prawie bez zmian	Te tytuły są odkrywane wyłącznie dzięki popularności
Katalog średniej klasy	Zasypane, łatwe do przeoczenia	Widać wyraźny wzrost	W tym przypadku selekcja tytułów naprawdę się opłaca
Tytuły niszowe	Prawie niewidoczne	Lekki wzrost	Nawet dobre kierowanie reklam ma swoje ograniczenia

Same dane z trudem potrafią samodzielnie wydobyć na powierzchnię te nieoczekiwane, zabawne propozycje. Witryna taka jak Vegas Stars zarządza obszernym katalogiem pełnym gier karcianych, automatów o wysokiej zmienności oraz krupierów na żywo pracujących przez całą dobę. Uporządkowanie takiej biblioteki oczywiście wymaga pewnej organizacji. Algorytm uczenia maszynowego zajmuje się podstawami matematycznymi, a inteligentny projekt UX/produktu dopełnia zadanie. Jeśli użytkownik zakłada nowe konto bez żadnego wcześniejszego doświadczenia, sztuczna inteligencja i dobrze zaprojektowane kategorie treści działają jak magia. Takie zorganizowanie platformy gwarantuje, że oferta gier nie będzie przeładowana.

Dobra selekcja ma ogromne znaczenie

Osoby odwiedzające Vegas Stars po raz pierwszy napotykają około 200 oddzielnych kafelków gier, nie mając na koncie żadnej historii kliknięć. Wiele starszych silników rekomendacyjnych radzi sobie z tą „czystą kartą” w przestarzały sposób, głównie dlatego, że nikt nie tworzył ich z myślą o takim scenariuszu. Niektóre z nich w końcu powtarzają w kółko tę samą garść gatunków, aż wszystko na ekranie zaczyna się zlewać w jedną całość. Lepsze systemy podejmują większy wysiłek, śledząc to, co gracz już lubi, a następnie od czasu do czasu wstawiając tytuł spoza tego schematu, aby sprawdzić, co się sprawdzi.

• Liczba kliknięć i długość sesji mówią o graczu więcej niż jakakolwiek ankieta.
• Tysiące kont są porównywane ze sobą za pomocą filtrowania opartego na współpracy, w poszukiwaniu zbieżności w tym, co zostało rozegrane lub pominięte.
• Zmienność i mechanika są odczytywane bezpośrednio z plików gry, więc dopasowanie stylu opiera się na danych, a nie na domysłach.
• Wykrywana jest również zmiana nastroju w trakcie sesji, co statyczny profil po prostu przeoczyłby.

Inżynierowie mają nazwę na ten początkowy scenariusz – nowe konto, na którym nie ma jeszcze żadnych danych: problem „zimnego startu”. Niektóre systemy radzą sobie z tym, domyślnie kierując nowe konta do tego, co cieszy się ogólną popularnością, dopóki nie zgromadzi się wystarczająca ilość danych behawioralnych, by umożliwić właściwą personalizację. Inne zamiast tego zadają kilka pytań podczas rejestracji, zamieniając nieco bardziej uciążliwy proces rejestracji na przewagę w dopasowywaniu. Żadne z tych rozwiązań nie jest idealne, ale oba są lepsze niż wyświetlanie 200 kafelków losowo i liczenie na to, że coś się sprawdzi.

Dwie techniki odpowiadają za większość faktycznego sortowania, gdy zaczynasz przeglądać całą ofertę. Po pierwsze, filtrowanie oparte na współpracy ustala wskaźnik podobieństwa między jednym kontem a tysiącami innych poprzez porównanie tytułów, które zostały kliknięte, odtworzone, a nawet „pominięte wspólnie”. Tagowanie oparte na treści pomija to porównanie i zamiast tego odczytuje metadane z każdego tytułu – wskaźnik zmienności, motyw, strukturę tabeli wypłat – a następnie dopasowuje te atrybuty do tego, co dane konto preferowało wcześniej (obie techniki często działają równolegle, zamiast zastępować się nawzajem). Każda z tych metod oszczędza użytkownikowi konieczności ręcznego przeglądania całego katalogu.

Jeśli to rozłożyć na czynniki pierwsze, proces ten składa się z około pięciu kroków, z których każdy jest dość prosty:

1. Dane sesji, preferencje kategorii i wzorce pomijania treści są wprowadzane do modelu, zanim cokolwiek zostanie sklasyfikowane.
2. Poszczególne profile są dopasowywane do tytułów powiązanych z rzeczywistą historią kliknięć, a nie tylko z tym, co cieszy się ogólną popularnością.
3. Właściwy ranking. Większość interakcji z siatką na stronie głównej ma miejsce w pierwszych kilku wierszach, co jest jednym z powodów, dla których kolejność w rankingu ma większe znaczenie niż długość listy poniżej.
4. Nowe kliknięcia, pominięcia i zakończone sesje są uwzględniane jako dodatkowe dane szkoleniowe.
5. Nowe wydania i zmiany w zachowaniu graczy są uwzględniane w ciągu kilku minut, zamiast czekać na zaplanowaną aktualizację.

Jak wygląda lepsza selekcja treści w Vegas Stars

Sesje mobilne stanowią większość ruchu na stronie takiej jak Vegas Stars, co zmienia to, co selekcja treści faktycznie musi zapewnić użytkownikowi. Na mniejszym ekranie zmieści się może sześć lub osiem widocznych kafelków, zanim użytkownik będzie musiał przewijać, więc to, co znajduje się w pierwszym widocznym rzędzie, ma ogromne znaczenie – podobnie jak w przypadku efektu siatki na stronie głównej, na który wskazują badania Netflixa. Jeśli ten początkowy rząd zostanie źle skomponowany, gracz nigdy nie zobaczy reszty biblioteki, bez względu na to, jak dobre jest dopasowanie w tle.

Do tego dochodzą gry stołowe z krupierem na żywo, które wprowadzają zupełnie nowy poziom złożoności. Załóżmy, że masz stół do blackjacka z trzema wolnymi miejscami i użytkownikiem zainteresowanym dołączeniem; musisz połączyć ich w ciągu milisekund, a nie sekund spędzonych na przeszukiwaniu kalendarza rezerwacji. Nie można po prostu włączyć powtórki, gdy miejsce zostanie zajęte. W przeciwieństwie do biblioteki wideo na żądanie, czas ma tu kluczowe znaczenie, ponieważ gdy stół na żywo się zapełni, gracz traci swoją szansę. To jak lobby dla wielu graczy w dowolnej grze z serii „Call of Duty” lub innej grze zespołowej dostępnej na PlayStation i Xbox.

Szybkość wypłat również w pewien sposób pośrednio wpływa na odkrywalność. Gracze dokonujący transakcji za pomocą kryptowalut lub portfeli elektronicznych zazwyczaj przechodzą przez sesje szybciej niż ci, którzy czekają kilka dni na przelew bankowy, co pozostawia silnik rekomendacji mniej czasu na każdą wizytę, by cokolwiek się nauczyć, zanim konto to przeniesie się na inną platformę. Szybszy napływ środków zazwyczaj oznacza szybszą ocenę, czy lobby faktycznie sprawdziło się dla danego gracza.

Zrealizowanie tego wymaga prawdziwej inżynierii. Konieczne są szybkie, responsywne systemy zaplecza w połączeniu z układem strony dostosowanym do tego, na czym gracz faktycznie skupia swoją uwagę.

Zastrzeżenie: Hazard jest formą rozrywki i wiąże się z nieodłącznym ryzykiem. Nie należy go traktować jako źródła dochodu ani strategii finansowej. Obstawiaj tylko tyle, na ile możesz sobie pozwolić, ustalaj ścisłe limity i szukaj pomocy, jeśli hazard ma na ciebie negatywny wpływ. Udział w grach hazardowych jest ograniczony do osób pełnoletnich powyżej 18 roku życia. Zawsze graj odpowiedzialnie.