Ali lahko umetna inteligenca reši problem prevelikega izbora na platformah z obsežno vsebino?

Uvod

Sistemi priporočil zmanjšujejo število odločitev, ki jih mora posameznik sprejeti, in podatki kažejo, da je to za platformo vredno več, kot večina ljudi domneva. Ali to pomeni, da se s tem zmanjša možnost, da bi naleteli na nekaj novega, je ločeno vprašanje, na katerega ni tako enostavno odgovoriti.

Aplikacije za pretočno predvajanje zahtevajo veliko od torkovega večera. Odprite eno in pred vami se pojavijo vrste sličic, ki jih morate prebrskati, preden naletite na kaj, kar je vredno ogleda – če sploh naletite na kaj. Veliko ljudi tega ne stori. Pasice se menjavajo, vedno znova se pojavlja ista peščica naslovov, in na neki točki se zapiranje aplikacije zdi kot pot najmanjšega upora. Spletne strani s kazinami, kot je Vegas Stars casino nz, se s podobnim problemom srečujejo z drugega zornega kota: nov uporabnik se prijavi in najde na stotine neznanih iger, pri katerih ni jasno, kje naj sploh začne. Raziskovalci so temu že pred časom dali ime – preobremenjenost z izbirami –, platforme pa to obravnavajo kot nekakšen problem prihodkov.

Dejanska vrednost priporočilnega sistema

Če priporočevalni sistem Netflixa zamenjate z navadnim razvrščanjem po priljubljenosti, se vključenost zmanjša za 12 %, kot navaja delovni dokument SSRN iz novembra 2025, ki ga je pripravila skupina ekonomistov, povezanih s podjetjem (trije avtorji dokumenta delajo neposredno pri Netflixu). Če namesto tega poskusite z modelom matrične faktorizacije, ki je stopnjo nižji od popolne personalizacije, je ta padec manjši, in sicer 4 %. Pomnoženo s stotinami milijonov naročnikov ta razlika znaša milijarde ur gledanja in denarja, ki se na koncu tako ali drugače odraža v številkah obnovitev naročnin.

Klaus Wertenbroch ni povsem prepričan, da je personalizacija nedvoumno dobra stvar. Poučuje marketing na INSEAD-u in je soavtor članka, ki postavlja pod vprašaj, koliko pomena ljudje sploh pripisujejo algoritmičnim izborom. »Moji soavtorji in jaz opozarjamo potrošnike, naj se pri takšnih izbirah ne zanašajo preveč na algoritme umetne inteligence,« je v članku zapisal Wertenbroch, s čimer je skušal ljudi spodbuditi, naj se dvakrat premislijo o pristranskostih. Izrazil je upanje, da bi se priporočila obravnavala takšna, kakršna so – ne kot uradno priporočilo, ampak preprosto kot nasvet.

To je povezano s pristranskostjo zaradi priljubljenosti. Ko oddajo že gleda dovolj računov, lahko to modelu signalizira, naj to oddajo priporoči drugim (varneje je priporočiti obstoječi hit kot neko neznano delo), zaradi česar se majhna občinstva v naslednjih krogih zmanjšujejo in sčasoma izginejo iz vidnega polja tistih, ki naslova ne iščejo aktivno. Ekonomisti ta proces pojasnjujejo z učinkom »bogati postajajo še bogatejši«. To vpliva na indeksiranje iskalnikov in tokove v družbenih medijih – povsod, kjer algoritmi implicitno uporabljajo priljubljenost kot nadomestni kazalnik za ocenjevanje kakovosti.

Netflix in INSEAD sta na koncu prišla do istega zaključka, vendar sta do njega prišla po različnih poteh. Čeprav sta se ukvarjala s povsem različnimi podatki iz različnih panog, sta ugotovila, da je temeljni razlog, zakaj uporabniki ostajajo, običajno isti. Rastoče knjižnice, ki ne izboljšujejo kakovosti ponudbe, ki jo že imajo, imajo težnjo, da se v njih kopičijo neuporabne vsebine in postanejo neučinkovite pri privabljanju novih uporabnikov ali ohranjanju obstoječih.

Algoritmi niso dobri v »srečnih naključjih«

Zgodovina klikov, čas na strani in iskalni izrazi tvorijo temelj večine iskalnikov. Ti se zanašajo na te digitalne sledi, da vam ponudijo več tistega, kar ste že gledali ali igrali. S stališča namena zasnove je to smiselno. Vendar pa obstaja možnost, da vam ta konkretna vrsta predloga morda nikoli ne bo prikazana. Razlog je nekoliko subtilen in temelji na dejstvu, da ni bilo nikoli nobenega znaka zanimanja, saj vam tega nikoli niso predstavili. Včasih, še preden so se pojavili sistemi priporočil in umetna inteligenca, je to bil »ustni« marketing. Ko vam je brat ali sestra dala kaseto z le nekaj skladbami in ste nenadoma odkrili povsem nov podžanr, ne da bi ga sploh iskali.

Vrsta vsebine	Standardna interakcija	Kurirana interakcija	Ključna ugotovitev
Široka priljubljenost	Že visoka	Skoraj brez sprememb	Ti naslovi se najdejo zgolj zaradi priljubljenosti
Katalog srednjega razreda	Zakopani, jih je težko opaziti	Opazno skoči	Tukaj se kuriranje še posebej izplača
Nišni naslovi	Skoraj nevidni	Nekoliko se poveča	Tudi dobro ciljanje ima svoje meje

Sami podatki težko sami po sebi odkrijejo te nepričakovane, zabavne izbire. Spletna stran, kot je Vegas Stars, upravlja obsežen katalog, poln kartičnih iger, igralnih avtomatov z visoko volatilnostjo in živih delivcev, ki delujejo 24 ur na dan. Urejanje takšne zbirke seveda zahteva določeno organizacijo. Algoritem strojnega učenja poskrbi za matematično podlago, medtem ko pametno oblikovanje uporabniške izkušnje (UX) in izdelka dopolni nalogo. Če posameznik ustvari nov račun brez kakršnih koli preteklih izkušenj, umetna inteligenca in dobre kategorije vsebin opravita svoje delo. Takšna ureditev platforme zagotavlja, da se ponudba iger ne preobremeni.

Dobro urejanje ponudbe prinaša velike koristi

Obiskovalci, ki prvič obiščejo Vegas Stars, naletijo na približno 200 posameznih ploščic z igrami, pri čemer za njimi še ni nobene zgodovine klikov. Mnogi starejši priporočilni sistemi se s tem »čistim listom« spopadajo na zastarel način, predvsem zato, ker jih nihče ni razvil z mislijo na ta scenarij. Nekateri na koncu ponavljajo vedno isto peščico žanrov, dokler se vse na zaslonu ne začne zabrisovati. Boljši sistemi poskušajo nekaj zahtevnejšega: spremljajo, kaj igralcu že je všeč, nato pa občasno vključijo naslov zunaj tega vzorca, samo da vidijo, kaj se prijame.

• Število klikov in trajanje seje o igralcu povedo več kot katera koli anketa.
• Tisoče računov se med seboj primerja s pomočjo sodelovalnega filtriranja, pri čemer se iščejo prekrivanja v tem, kaj je bilo igrano ali preskočeno.
• Volatilnost in mehanika se berejo neposredno iz datotek igre, zato se ujemanje stilov opira na podatke, ne na ugibanje.
• Zaznana je tudi sprememba razpoloženja sredi seje, kar bi statični profil preprosto spregledal.

Inženirji imajo ime za ta začetni scenarij, nov račun, na katerem še ni nič zabeleženo: problem hladnega zagona. Nekateri sistemi to rešujejo tako, da novim računom privzeto pripišejo tisto, kar je splošno priljubljeno, dokler se ne nabere dovolj podatkov o vedenju za ustrezno personalizacijo. Drugi namesto tega postavijo nekaj uvodnih vprašanj, pri čemer zamenjajo nekoliko okornjšo registracijo za prednost pri iskanju ustreznih predlogov. Nobena rešitev ni popolna, a obe sta boljši od naključnega prikazovanja 200 ploščic in upanja, da bo kaj zadelo.

Ko začnete pregledovati vse vsebine, večino dejanskega razvrščanja opravita dve tehniki. Prva je sodelovalno filtriranje, ki določi stopnjo podobnosti med enim računom in tisočimi drugimi s primerjavo naslovov, na katere so uporabniki kliknili, jih predvajali ali celo »skupaj preskočili«. Označevanje na podlagi vsebine to primerjavo preskoči in namesto tega prebere metapodatke vsakega naslova – indeks volatilnosti, temo, strukturo izplačilne tabele – nato pa te atribute primerja s tem, kar je en račun že prej izbral (obe tehniki pogosto delujeta vzporedno, namesto da bi ena nadomestila drugo). Katera koli metoda uporabniku prihrani, da bi moral sedeti tam in ročno brskati po vsakem katalogu.

Če to razčlenimo, gre za približno pet korakov, od katerih je vsak precej preprost:

1. Podatki o sejah, kategorijske preference in vzorci preskakovanja se vnesejo v model, preden se karkoli razvrsti.
2. Posamezni profili se primerjajo z naslovi, povezanimi z dejansko zgodovino klikov, ne le s tistimi, ki so na splošno priljubljeni.
3. Pravilno razvrstite. Večina interakcij z mrežo na domači strani se zgodi v prvih nekaj vrsticah, kar je eden od razlogov, zakaj ima vrstni red večjo težo kot velikost seznama pod njim.
4. Novi kliki, preskoki in zaključene seje se vključijo kot dodatni podatki za učenje.
5. Nove izdaje in spremembe v vedenju igralcev se vključijo v nekaj minutah, namesto da bi čakali na načrtovano posodobitev.

Kako izgleda boljša kuracija na Vegas Stars

Mobilne seje predstavljajo večino prometa na spletnem mestu, kot je Vegas Stars, in to spreminja, kaj mora kuriranje dejansko storiti za uporabnika. Na manjšem zaslonu je prostora morda za šest ali osem vidnih ploščic, preden mora uporabnik pomikati stran navzdol, zato ima vsebina v tej prvi vidni vrstici izjemno veliko težo, podobno kot pri učinku mreže na domači strani, na katerega opozarja raziskava Netflixa. Če je ta uvodna vrstica napačno sestavljena, igralec nikoli ne bo videl preostanka knjižnice, ne glede na to, kako dobro je usklajevanje v ozadju.

Potem so tu še namizne igre z živim delivcem, ki dodajajo povsem novo raven zapletenosti. Recimo, da imate mizo za blackjack s tremi prostimi mesti in uporabnika, ki se želi pridružiti; povezati ju morate v milisekundah, ne v sekundah, ki jih porabite za brskanje po koledarju rezervacij. Ko je sedež zaseden, ne morete preprosto pritisniti »play« na ponovitev. Tukaj je časovno usklajevanje ključno, za razliko od knjižnice videov na zahtevo, saj ko se miza v živo zapolni, je priložnost za igralca izgubljena. To je podobno kot večigralska čakalnica v kateri koli igri Call of Duty ali drugi ekipni igri, ki jo najdete na PlayStationu in Xboxu.

Hitrost izplačil nekoliko posredno vpliva tudi na odkrivanje. Igralci, ki denar prenašajo prek kriptovalut ali e-denarnic, običajno hitreje menjajo seje kot tisti, ki dneve čakajo na bančni prenos, zaradi česar ima sistem priporočil manj časa na obisk, da se kaj nauči, preden ta račun preide na drugo platformo. Hitrejši priliv denarja običajno pomeni hitrejšo oceno, ali je čakalnica za tega igralca dejansko delovala.

Za uresničitev tega je potrebno pravo inženirstvo. Zahteva hitre, odzivne sisteme v ozadju, združene z zasnovo, ki je prilagojena temu, kam se dejansko usmerja pozornost igralca.

Opozorilo: Igre na srečo so oblika zabave in vključujejo tveganje. Ne smejo se obravnavati kot vir dohodka ali finančna strategija. Stavite le toliko, kolikor si lahko privoščite izgubiti, postavite stroge omejitve in poiščite pomoč, če igre na srečo vplivajo na vas. Udeležba je omejena na odrasle osebe, starejše od 18 let. Vedno igrajte odgovorno.