Ich habe einen Krieg an mehreren Fronten geführt und die Müdigkeit hat endlich eingesetzt – sie gewinnen.
Seit Monaten – Jahren – habe ich gekämpft und die hartnäckigen Angriffe des Feindes mit meinen katzenartigen Reflexen bekämpft. Klicken x. Boom! Ich weigere mich, in ihre Fallen zu tappen, die perfekt darauf ausgelegt sind, meine Abwehr in Schutt und Asche zu legen und mein Gehirn in Gelee zu verwandeln. Und doch setzen sie ihren unerbittlichen Angriff an allen Fronten fort und schwingen ihre Waffen, wohin ich auch wende. Aber ich bin ein sturer Soldat, und in diesem Krieg werde ich bis zum bitteren Ende kämpfen.
Ja, das ist ein Krieg. Ein Krieg gegen Empfehlungen und die Motoren, die sie antreiben.
Was ist eine Empfehlungsmaschine?
Empfehlungs-Engines optimieren im Allgemeinen auf ein bestimmtes Ziel hin, wie z. B. eine stärkere Interaktion mit dem Inhalt. Diese Systeme sind für unsere Online-Interaktion mit Produkten und Medien von entscheidender Bedeutung, da sie riesige Inhaltslisten (z. B. Videos, Lieder, Spiele, Produkte) eingrenzen, die ansonsten für Benutzer unverständlich wären. Diese Motoren spielen jedoch auch eine wichtige Rolle in unserem digitalen Lebensstil und stellen einen der größten Eingriffe künstlicher Intelligenz in unser tägliches Leben dar. Und hier kann es sauer werden.
YouTube erzwingt Wiederholungen der Urknalltheorie, nachdem ich einen kleinen Rausch gemacht habe. Geeky Physiker sind lustig, aber ihre Witze werden alt. Spotify empfiehlt immer noch beruhigende Lieder, nachdem ich vor sechs Monaten Meditationsmusik gespielt habe. Amazon zwingt mir die gleichen Produkte in den Hals, obwohl ich sie erst Wochen zuvor gekauft habe. Ernsthaft, wenn ich ein kaufe Toilleten Sitz von dir, versuch nicht weiter, mir Toilettensitze zu verkaufen.
Es ist frustrierend, immer wieder die gleichen Inhalte auf Kosten der Inhalte zu sehen, die ich eigentlich möchte. Zu allem Überfluss spielen diese manipulativen Systeme meine Schwächen aus, und deswegen hasse ich Empfehlungsalgorithmen.
Im Ernst, wenn ich einen Toilettensitz von Ihnen kaufe, versuchen Sie nicht weiter, mir Toilettensitze zu verkaufen.
In einer perfekten Welt würden mir Empfehlungsalgorithmen neue Produkte und Inhalte vorstellen, die ich lieben würde. Sie würden mir helfen, neue Ideen zu entwickeln. Sie würden mich inspirieren. Die Algorithmen wären wie mein bester Freund, der mir ihre neuen Lieblingssachen verrät. Stattdessen sind sie mein schlimmster Feind.
Warum können wir keine Freunde sein?
Empfehlungsalgorithmen neigen oft dazu, die beliebtesten Elemente anzuzeigen. Sie konzentrieren sich auf das, was die meisten Klicks anzieht. Wenn Algorithmen für mehr Zeit vor Ort oder andere ähnlich flache Metriken optimiert werden, wird dies zwangsläufig passieren. Viele Menschen würden gerne ihr Leben durcheinander bringen – um sich selbst zu verbessern! Aber innerhalb dieser Rahmenbedingungen wird dies schwierig, da diese Algorithmen unser schlechtes Verhalten ständig verstärken (manchmal aus Profitgründen, manchmal für Benutzerinteraktion und Interaktion). Die Fit-App von Google passt meine wöchentlichen Ziele nach unten an, wenn ich sie nicht erreiche, und ich verschiebe meine Neujahrsvorsätze auf das nächste Jahr (manchmal ohne es zu merken!).
Es ist jedoch nicht alles Untergang und Finsternis. Einige Dienste leisten gute Arbeit bei Empfehlungen. Zum einen finde ich, dass die von Yelp serviert werden, genau richtig. Ich bekomme eine gute Mischung an Restaurants, die mit denen, die ich zuvor besucht habe, verwandt sind, sowie bessere Optionen, die mir helfen, meine Gesundheit zu verbessern. Das ist mir besonders wichtig. Ich möchte im Krieg gut ernährt bleiben.
Natürlich gibt es etwas zu beliebten Empfehlungen zu sagen. Wenn ich Lebensmittel online bei Amazon bestelle, ist es in Ordnung, den am häufigsten gekauften Artikel (Toilettenpapier) zu empfehlen. Ich habe nicht nach einer Offenbarung in dieser Hinsicht gesucht. Ja, es gibt andere Probleme mit diesem System, wie zum Beispiel die Monopolisierung von Massenprodukten, aber das betrifft mich als Endverbraucher nicht.
Empfehlungen liegen nicht in der Verantwortung des Programms, sondern des Programmierers.
Was ist also der Unterschied zwischen einer guten und einer schlechten Empfehlung? Die Unternehmen, die die beste Arbeit leisten, kombinieren viele Ebenen von Empfehlungen. Sie nehmen Ihren Verlauf und finden heraus, was anderen Benutzern mit einem ähnlichen Verlauf gefallen hat. Sie finden ähnliche Produkte basierend darauf, wie die Benutzer sie angesehen haben. Sie finden Artikel mit ähnlichem Inhalt. Sie finden Produkte, die von Menschen in der gleichen Gegend verwendet werden. Die Besten fügen sogar ihre eigene Magie basierend auf ihrer Branchenexpertise hinzu, um den Benutzern auf ihrem Weg zu helfen. Diese Hybridsysteme sind leistungsstark und im homogenen Wettbewerb eine willkommene Abwechslung.
Die Empfehlungs-Engine von Netflix ist ein gutes Beispiel für ein Hybridsystem. Das Endziel besteht darin, für jeden Inhalt eine Punktzahl für jeden Benutzer zu haben, aber wie können wir verstehen, welche Inhalte ein Benutzer haben möchte? Wir beginnen mit dem Inhalt, den sich ein Benutzer ansieht, und identifizieren dann ähnliche Inhalte durch die Anwendung von Natural Language Processing (NLP) auf die Showbeschreibungen und das Genre. Netlflix kombiniert dies dann mit kollaborativen Filtertechniken wie der Singulärwertzerlegung (SVD) oder der probabilistischen Matrixfaktorisierung (PMF), bei der die Präferenzen anderer Benutzer zu einem Proxy für die Präferenzen eines bestimmten Benutzers werden, wodurch wir eine weitere Reihe von Bewertungen erhalten. Netflix’ eigenes Wissen darüber, was derzeit beliebt ist, ergänzt diese Algorithmen um eine einfache Punktzahl, die auf den Gesamtaufrufen einer Show in den letzten sieben Tagen basiert. Wir können diese Kombination von Bewertungen gleichmäßig anwenden oder sie durch Experimentieren gewichten.
Empfehlungsalgorithmen sind mittlerweile in all unseren Technologien allgegenwärtig. Ob wir es zugeben oder nicht, diese Systeme beeinflussen unsere Wünsche und Konsumneigungen. Empfehlungen liegen jedoch nicht in der Verantwortung des Programms, sondern des Programmierers. Schöpfer müssen mehr über die Benutzererfahrung nachdenken und darüber, was der Benutzer wirklich will. Diejenigen, die diese Systeme implementieren, müssen kritischer darüber nachdenken, wie sich ihre Produkte auf das Leben der Benutzer auswirken.
Es gibt bestimmte Schritte, die Ingenieure und Designer unternehmen können, um bessere Systeme zu entwickeln. In den meisten Fällen können sich Technologen mehr auf das benutzerzentrierte Design konzentrieren – eines, das dem Benutzer die beste Erfahrung bietet. Aber wie?
Vermittlung eines Friedensabkommens
Empfehlungen bedürfen zunächst einer Erläuterung. Zum Beispiel „Du wirst diesen neuen Song lieben, weil du letzte Woche Taylor Swifts Album wiederholt gehört hast“ (Hm). Mit diesen Informationen können Benutzer Verhaltensfallen, in die sie geraten können, besser verstehen und Entscheidungen darüber treffen, was ihnen empfohlen werden soll (was mehr T. Swift sein kann oder nicht…).
Die Buchung leistet dabei gute Arbeit und liefert den Nutzern Gründe für die Hotelempfehlung, wie zum Beispiel „toll für zwei Reisende“. Es ist einfach, aber effektiv.
Ich hoffe weiterhin, dass am Horizont eine Armee von Ingenieuren in all ihrer nerdigen Pracht auftauchen wird, um diesen Algorithmen die Möglichkeit zu geben, etwas zu empfehlen, das ich wirklich lieben werde.
Erstellen Sie als Nächstes Empfehlungen basierend auf komplexeren Kriterien. Bücher sind beispielsweise nicht nur ein paar Tags; sie sind in einem bestimmten Stil, einer bestimmten Stimme, einem bestimmten Ton, einer bestimmten Struktur geschrieben … die Liste geht weiter. Sie rufen beim Leser eine besondere Stimmung hervor. Daher sollten Empfehlungen auf diesen verschiedenen Komponenten basieren und der Benutzer kann dann auswählen, was er am wichtigsten findet („Ich interessiere mich für x“ oder „Ich interessiere mich nicht für y“).
Das mag kompliziert klingen, aber die Infrastruktur haben wir bereits. Mit der richtigen Benutzeroberfläche, wie beispielsweise einer einfachen Schiebeskala, die die verschiedenen Komponenten darstellt, können Benutzer sogar ihre eigenen Empfehlungen verfeinern. Wenn Sie dem Benutzer die Möglichkeit geben, das zu tun, was er am besten kann: Dinge finden, die er liebt. Diese Daten können dann in Algorithmen zurückgeführt werden, um das System weiter zu verbessern.
Bis Unternehmen ihre Algorithmen verbessern und sich mehr Gedanken über langfristige Benutzerbedürfnisse (über sofortige Befriedigung) machen, muss ich durchhalten. Ich werde meine Gegenangriffe weiterhin durch das Klicken eines x oder ein nicht ganz so subtiler Daumen nach unten. Ich hoffe weiterhin, dass am Horizont eine Armee von Ingenieuren in all ihrer nerdigen Pracht auftauchen wird, um diesen Algorithmen die Möglichkeit zu geben, etwas zu empfehlen, das ich wirklich lieben werde.
Dieser Artikel wurde ursprünglich auf FreeCodeCamp veröffentlicht.