Jeśli jesteś jednym z milionów użytkowników przeglądających codziennie Google Discover, z pewnością natknąłeś się na wszelkiego rodzaju treści, których nie chciałeś. Na przykład użytkownik z Hiszpanii może zobaczyć nagłówki obiecujące ujawnienie sekretnych przepisów awangardowego szefa kuchni Ferràna Adrii, o której godzinie 46 -letnia prezenterka telewizyjna Pilar Rubio kładzie się spać, najnowsze, gazetki promocyjne których nie można przegapić, czy nowy samochód, którego nie trzeba serwisować.
Większość z nas wciąż ma tendencję do traktowania Googla jako zwykłej wyszukiwarki, jednak dziś jest to wspomnienie. Google, a w szczególności jego właściciel: Alphabet to cyfrowy kombajn, w którym jesteśmy mimowolnymi galernikami. Kultowy pasek wyszukiwania na białym tle – flagowy produkt korporacji, który stanowi podstawę jego znacznych przychodów z reklam – od dawna jest częścią naszego słownictwa, zarówno jako rzeczownik, jak i czasownik, który ma decydujący głos w spornych debatach.
Jednak z biegiem lat Google stworzyło inną usługę, wykraczającą poza tradycyjne „wyszukiwanie” i przechodzącą do algorytmicznego „znajdowania” treści. Google Discover, system rekomendacji treści ma interfejs podobny do kanału mediów społecznościowych, choć bez komentarzy, retweetów i widocznych interakcji z innymi użytkownikami.
W przeciwieństwie do innych usług Google, takich jak Mapy, Dysk czy Zdjęcia, Discover nie ma własnej aplikacji. Jest ona preinstalowana na telefonach z Androidem jako integralna część interfejsu, zazwyczaj dostępna po przesunięciu palcem w prawo na ekranie głównym.
Kluczowym pytaniem dotyczącym tego i każdego innego systemu rekomendacji – od kontrowersyjnych algorytmów, takich jak te na Instagramie i Facebooku, po Netflixa, YouTube, a nawet pozornie nieszkodliwe serwisy takie jak Vinted – jest to, jak system decyduje, jakie treści Ci polecić.
Co Ty, jako użytkownik, zrobiłeś, żeby zasłużyć na to na swoim telefonie?
Kiedy ludzie próbują wyjaśnić, jak platformy rekomendują nam treści, często odwołują się do wyobrażeń algorytmicznych, plotek lub bezpodstawnych przekonań. Niektórzy próbują nawet wytrenować lub zmanipulować algorytm w oparciu o te rekonstrukcje.
Prawda jest brutalna: nie ma jednego algorytmu ani wielkiego równania, nad którym można zapanować. Systemy rekomendacji, takie jak Google Discover, opierają się na rozległej, nieprzejrzystej sieci infrastruktury algorytmicznej – obwodzie instrukcji komputerowych ukrytym w metaforycznej czarnej skrzynce, o której Google nie bardzo chce mówić, a jeśli już to bardzo, ale to bardzo mało.
Wszystko inne, co wiemy, pochodzi albo z wysiłków profesjonalistów, którzy próbowali zrozumieć, jak to działa, albo z literatury naukowej.
Strona internetowa Google definiuje Discover jako spersonalizowany kanał oparty na zainteresowaniach użytkownika, określany na podstawie jego aktywności w sieci i aplikacjach. Badania naukowe opublikowane przez inżynierów Google ujawniły, że jest to system rekomendacji treści na skalę przemysłową, podczas gdy niezależne badania naukowe plasują go na styku wyszukiwania informacji i algorytmicznej selekcji .
Chociaż nie wiemy dokładnie, jak to działa, możemy wyjaśnić, dlaczego Google Discover pokazuje określone treści. W tym celu należy przeanalizować typową architekturę systemu rekomendacji oraz dowody i hipotezy, jakie mamy na temat produktu Google.
Użyteczną metaforą jest lejek podzielony na etapy. Każdego dnia miliony treści wszelkiego rodzaju są publikowane online – od artykułów i długich filmów, po posty w mediach społecznościowych i podsumowania AI. Discover destyluje tę ogromną różnorodność w listę dostosowaną specjalnie do każdego użytkownika.
Pierwsze filtry
Podobnie jak w przypadku wyszukiwarki Google, pierwszym krokiem jest indeksowanie . Google prowadzi bazę danych, w której przeszukuje internet i stosuje wstępny filtr, aby wykluczyć wszystko, co jest niezgodne z jego zasadami. Gwarantuje to, że treści naruszające zasady bezpieczeństwa są od samego początku wykluczane. Dotyczy to na przykład postów mających na celu rekrutację do organizacji terrorystycznej lub drastycznych obrazów bez kontekstu dziennikarskiego.
Jednak ominięcie tego filtra oznacza jedynie, że treść jest kwalifikowana. Nie gwarantuje to jednak umieszczenia jej w Twoim kanale.
Aby zawęzić ten początkowy zbiór, system identyfikuje następnie treści, które najprawdopodobniej odpowiadają Twoim zainteresowaniom. Google Discover robi to, identyfikując konkretne elementy (tzw. encje) obecne w Twoich wyszukiwaniach lub interakcjach – takie jak Ferràn Adriá, Pilar Rubio i promocja w supermarkecie– i łącząc je ze sobą. W ten sposób może zinterpretować, które pozornie niezwiązane wyszukiwania lub artykuły wpisują się w to samo zainteresowanie i uporządkować je w szersze tematy i podtematy.
Po sprofilowaniu zainteresowań użytkownika system musi je przetłumaczyć na język, w którym będzie mógł porównywać i wyszukiwać powiązane treści na szeroką skalę. W przypadku Google Discover analitycy tacy jak Damien Andell sugerują, że korzysta on z reprezentacji matematycznych, zwanych osadzeniami .
Te wektory przekształcają grupy obiektów (znane jako klastry) i Twoje własne zainteresowania we współrzędne na jednej planszy, co przypomina grę w statki. Im bliżej siebie znajdują się dwa punkty, tym większe jest ich pokrewieństwo.
Po zidentyfikowaniu tych klastrów lejek ponownie zawęża się do modeli predykcyjnych. W tym przypadku sztuczna inteligencja systemu próbuje przewidzieć Twoją reakcję na każdą z opcji.
Inżynierowie Google opisują jedenaście celów predykcyjnych, z których siedem jest określonych: pięć pozytywnych (kliknięcie, polubienie, pozytywna odpowiedź na ankietę, kliknięcie w celu wyświetlenia szczegółów i kliknięcie w celu rozwinięcia tekstu) i dwa negatywne (odrzucenie lub trwałe zablokowanie treści).
Mając wszystkie te prognozy na stole, system przetwarza je, aby uszeregować kandydatów. Zazwyczaj łączy się je w jeden wynik, nadając niektórym sygnałom większą wagę niż innym. Na przykład jeden artykuł może mieć wysokie prawdopodobieństwo kliknięcia, ale jednocześnie wysokie prawdopodobieństwo zablokowania; inny może wzbudzić mniej natychmiastową ciekawość, ale wygenerować bardziej pozytywne sygnały.
Discover musi rozwiązać ten kompromis, aby zdecydować, co pojawi się jako pierwsze, a co jako następne. Google nie ujawniło jednak, jak łączy te przewidywania.
Po sklasyfikowaniu kandydatów, niektóre systemy stosują ostateczny filtr, aby uwzględnić kryteria takie jak różnorodność, aktualność czy uczciwość. Zapobiega to sytuacji, w której pięć najlepszych treści dotyczy na przykład tego samego, nie do przegapienia, nowego gadżetu w promocji.
Pętla nieskończona
Jesteśmy już na końcu lejka, a Google Discover zdecydował, co Ci pokazać. Ale proces na tym się nie kończy. System sam się sprzęża, obserwując sygnały, które generujesz, zarówno jawnie (gdy blokujesz źródło lub polubisz treść), jak i niejawnie (czy przerywasz czytanie artykułu, czy przechodzisz do następnego).
Te nowe dane są przekazywane z powrotem do systemu w celu trenowania i aktualizacji modelu. Rekomendacje generują interakcje, interakcje generują nowe dane, które następnie są wykorzystywane w przyszłych rekomendacjach.
Nie wiemy dokładnie, jaki zestaw sygnałów sprawia, że Ferràn Adrià, Pilar Rubio czy jakiekolwiek inne nazwisko pojawia się w Twoim kanale Discover. Wiemy jednak, że system to niekończąca się gra losowa, oparta na Twojej historii i lokalizacji, a także na drobnych, codziennych zachowaniach, które, choć dla Ciebie niezauważalne, dostarczają danych napędzających ten rozległy system rekomendacji.
