Формула YouTube. Все, что необходимо знать, от старта канала до вирусного контента - Деррал Ивс

нейронные сети, которые хорошо справлялись с такими вещами, как рекомендации и поиск. Глубокое обучение выходит за рамки базового машинного обучения, поскольку оно создано для имитации человеческих нейронных сетей и умеет делать нелинейные выводы.

Исходные данные для глубокого машинного обучения на YouTube были получены из анализа действий пользователей. Отслеживалось не только их «позитивное» поведение (например, какие видео им нравились и они продолжали их смотреть), но и «негативное» (например, что они пропустили или даже удалили со своей стартовой страницы или из рекомендаций). Такой всестронний мониторинг критично важен для точности алгоритма. Эта нейронная сеть стала настолько совершенна, что даже может предсказывать, что пользователь будет делать с новыми или незнакомыми видео, основываясь на его нынешнем поведении. Утверждение «у него есть собственный разум» – не такая уж большая натяжка. ИИ на самом деле не наблюдает за общим поведением пользователя в Интернете: его интересует только то, что имеет отношение к YouTube. Это важно, потому что позволяет поддерживать высокую точность выдаваемых рекомендаций.

Один миллиард часов видеоконтента ежедневно потребляется зрителями на одном ресурсе! За семь лет и тысячи, если не десятки тысяч выполненных настроек и корректировок искусственный интеллект стал практически безошибочно рекомендовать видео, которые зрители смотрели бы дольше.

Как?

Допустим, вы зашли на google.com и набрали в строке поиска «стейкхаусы в Лос-Анджелесе». Приведет ли это к тому, что, зайдя позже на youtube.com, вы увидите в рекомендациях видео о том, как приготовить идеальный стейк на гриле? Или видео-тур по Лос-Анджелесу? Скорее всего, нет. Но если вы наберете «как приготовить идеальный стейк на гриле» прямо в строке поиска YouTube и нажмете на первое рекомендуемое видео, следующим роликом может стать «Самый сильный человек в мире: целый день чревоугодия», а затем – «Как очистить чугунную сковороду». Эти вторичные видео не имеют ничего общего со стейком, но, как вам кажется, на какие видео вы, вероятнее всего, продолжите кликать? Машина глубокого обучения знает, что делает. А YouTube и его экосистема получают прямую выгоду, потому что, когда зрители смотрят больше видео, каждый, кто зарабатывает на этом, получает больше денег, а бренд получает больше рекламы.

Машина трудится… и все работает

Каждый день YouTube рекомендует пользователям сотни миллионов видео на десятках разных языков в каждом уголке мира. На его предложения приходится 75 % времени, которое люди проводят на платформе.

В 2012 году ежедневное время просмотров составляло в среднем около ста миллионов часов. В 2019 году этот показатель достиг умопомрачительного миллиарда часов в день. Один миллиард часов видеоконтента ежедневно потребляется зрителями на одном ресурсе! За семь лет и тысячи, если не десятки тысяч выполненных настроек и корректировок искусственный интеллект стал практически безошибочно рекомендовать видео, которые зрители смотрели бы дольше. Он стал опытным цифровым садовником, который знает, какой продукт выращивать для каждого клиента, основываясь на видео, которыми они «питаются». Вы также можете стать мастером-садовником YouTube, когда вооружитесь правильными инструментами. Просто возьмите свою лопату, потому что мы все еще осваиваем целину.

Глава 4

Разбивка алгоритма

Вы только что узнали много нового об истории алгоритмов, на которых работал YouTube с момента его создания, а также о том, что на сегодняшний день они практически совершенны. Но что это значит? Как именно работает навигация? Давайте проясним, что происходит, когда на платформе появляется посетитель.

Как только пользователи заходят на youtube.com, за ними начинают следить. Выглядит это так. Представьте, что, будучи подростком, вы пришли в гости к своему другу, а его надоедливый младший брат не дает вам прохода. Но при этом он не висит на вас, требуя к себе внимания, а молча наблюдает за вашим поведением и выполняет каждую прихоть. Вы хотите перекусить – он бежит на кухню и приносит яблоко. Вы говорите: «Нет, спасибо». Тогда он забирает яблоко и возвращается с пакетом чипсов. Вы едите Cheetos. Затем у вас заходит разговор о Хане Соло, поэтому он бежит в гостиную и включает «Империя наносит ответный удар».

Когда вы придете в следующий раз, он с порога вручит вам печенье и включит «Возвращение джедая». Его предположение о том, что вы, возможно, захотите поесть или посмотреть, основано на вашем последнем визите, и, скорее всего, оно абсолютно точно. Держу пари, вы захотите почаще бывать в этом доме, раз в нем к вам так хорошо относятся и знают, чем угодить. (Если только он не включит «Последнего джедая» или «Соло», тогда в следующий раз вы пойдете к Цукербергу, потому что эти фильмы – полный отстой.)

Допустим, вместо Cheetos вы захотели морковные палочки, а вместо «Звездных войн» – комедию «Офис». В следующий раз вам предложат брокколи и сериал «Парки и зоны отдыха». Концепция работает с любыми предпочтениями.

Эти примеры иллюстрируют цели YouTube:

• Спрогнозировать, что будет смотреть зритель.

• Сохранять его максимальную вовлеченность и удовлетворенность.

То, как эти цели достигаются, разбивается на два процесса:

1) Сбор и использование данных статистики.

2) Алгоритмы (во множественном числе).

1. Сбор и использование данных

Ежедневно ИИ YouTube собирает 80 миллиардов единиц данных о поведении пользователей. Для достижения целей он собирает сведения в двух ключевых областях. Первая область, в которой ведется наблюдение, – это поведение пользователей, вычисляемое с помощью метаданных. Информация о видео основывается на поведении человека, чьи глаза смотрят на экран, а пальцы кликают. «Сигналы удовлетворения» обучают ИИ тому, что предлагать, а что – нет.

Существует конкретный перечень этих сигналов:

• какие видео смотрит пользователь;

• какие видео он пропускает;

• время, которое он тратит на просмотр;

• лайки и дизлайки;

• фидбек «не интересно»;

• опросы после просмотра видео;

• вернется ли он, чтобы пересмотреть или закончить просмотр;

• сохранит ли ссылку, чтобы вернуться и посмотреть позже.

Все эти сигналы питают контур обратной связи удовлетворенности. Этот цикл создается на основе данных, которые алгоритм получает от конкретного поведения. Он «зацикливает» типы видео, которые вам нравятся, с помощью своих предложений. Именно так персонализируется опыт каждого пользователя.

СБОР МЕТАДАННЫХ

Как именно ИИ собирает данные? Наблюдение начинается с превью. Искусственный интеллект YouTube использует передовые технологии набора продуктов ИИ Google. Он работает с программой под названием Cloud Vision (CV), применяющей оптическое распознавание символов (OCR) и изображений для классификации видео на основе превью. CV фиксирует каждый элемент превью и, используя миллиарды единиц данных, уже имеющихся в системе, распознает эти элементы и передает информацию обратно в алгоритм. Например, превью, включающее крупный план лица всемирно известного физика Стивена Хокинга, распознается как таковое в CV, поэтому видео будет помещено в подборку рекомендаций вместе с другими видео, имеющими тег «Стивен Хокинг». Именно так