Netflix, il Peso delle 5 Stelle.

0

PesoDelleStelle

“Sta provando ad afferrare te, il firmware dentro il tuo cervello così che possa raccomandarti quale video tu possa voler guardare successivamente” (e tenerti incollato allo schermo).

La società americana di video on-demand sta facendo del deep learning un centro di investimento per il futuro.

It’s trying to get a grasp on you, on the firmware inside the human skull, so that it can recommend what movie you might want to watch next” – Kevin Slavin

Ciò che Netflix sta cercando di fare è spostare i successi e le performance che il deep learning ha raccolto negli anni nei campi dell’Image Recognition, Neuro-imaging, Language Models e Speech Recognition nel suo business, o meglio, nella parte del suo business impegnata a massimizzare il numero di serie TV (e quindi il tempo passato sul suo servizio) che noi, suoi utenti, vediamo sulla sua piattaforma. L’obiettivo finale è quello di ottenere un modello, una rete neurale appunto, capace di suggerire il miglior prossimo contenuto che tu vorresti guardare, persuadendoti così a restare sulla sua applicazione.

Uno dei primi passi compiuti da Netflix in questa direzione, prima dell’applicazione del DL, fu il Netflix Prize lanciato nel 2006 aperto sino al 2011, dove Netflix mise in palio 1 milione di dollari a chi riuscisse a produrre un algoritmo con risultati almeno superiori del 10% a “CineMatch”, algoritmo sul quale Netflix basava i suggerimenti per i nuovi utenti, avendo a disposizione solo i rating precedenti degli utenti. CineMatch era già capace di prevedere correttamente il voto da una a cinque stelle degli utenti con una precisione di 0.5 nel 75% dei casi.

Il premio è stato vinto nel 2009 dal team BellKor con l’algoritmo denominato “Pragmatic Chaos” capace di superare le performance di CineMatch dello 10.06%. Da sottolineare come anche un secondo team aveva raggiunto lo stesso risultato con l’algoritmo “The Ensemble” ma avendo inviato la soluzione a Netflix 20 minuti dopo l’invio del team BellKor hanno visto sfumare, di un soffio, le proprie opportunità di vittoria.

Come accennato precedentemente in questo articolo (Intro al Deep Learning) per risolvere un “problema” in ambito IT i possibili approcci sono, generalmente, due: definire un algoritmo che descriva pedissequamente il comportamento che ci è richiesto indagare oppure applicare reti neurali. Netflix ha seguito esattamente questo percorso iniziando ad indagare le possibili applicazioni di reti neurali al problema della predizione dell’apprezzamento dei film sulla propria piattaforma.

Nel 2012 Netflix ha infatti pubblicato un primo report sul suo approccio di implementazione di tecniche di machine learning per una risoluzione alternativa all’uso degli algoritmi. Il riuscire a fornire una lista di possibili “nuovi preferiti” ordinati per probabilità di apprezzamento rientra nella famiglia dei problemi di Machine Learning conosciuta come “Learning to rank”. Per poter approcciare e risolvere questo tipo di problemi esistono una serie di modelli all’interno della disciplina (dalle Restricted Boltzmann Machine ai più semplici modelli di regressione lineare). Attualmente Netflix, come molte altre società in ambito IT (da Dropbox in poi), al fine di testare una serie diversa di possibili implementazioni software nel proprio programma adotta un modello di A/B testing particolare (che non approfondiremo nel presente articolo ma che cercheremo di riprendere in futuro).

Più recentemente, nel 2014, Netflix ha iniziato a sperimentare con reti neurali distribuite con GPUs su AWS. Quando si parla di reti neurali distribuite si fa riferimento alla locazione fisica degli algoritmi che compongono le reti stesse, nel momento in cui questi sono locati in macchine o server diversi (di solito per ragioni modellistici o di efficienza) si parla di reti distribuite. Le GPUs (graphics processor units) sono circuiti disegnati appositamente per raggiugnere la massima efficienza nella manipolazione di immagini, circuiti che si è scoperto avere ottime applicazioni anche in ambiti distanti dalla manipolazione grafica quali: mining di criptovalute, statistica, black box trading e machine learning appunto. AWS è invece il Web Service di Amazon dal quale è possibile usufruire di macchine virtuali sul quale far girare reti neurali (sicuramente più economico come mezzo di testing piuttosto che dotarsi di hardware in-house).

Da un certo punto di vista, questo approccio da parte di Netflix è un esempio di quanto un singolo KPI che possa sembrare del tutto marginale, come le stelle attribuite ai suoi contenuti, possa essere cruciale tanto da attirare su di se ampi investimenti. Da un altro punto di vista questo è uno degli esempi nella digital economy di come l’intelligenza artificiale possa giocare un ruolo fondamentale nelle aziende, fornendo strumenti capaci di migliorare quegli aspetti fondamentali del proprio business.

 

references:

  1. http://techblog.netflix.com/search/label/deep%20learning
  2. http://electronics.howstuffworks.com/netflix2.html
  3. http://techblog.netflix.com/2012/06/netflix-recommendations-beyond-5-stars.html
  4. http://techblog.netflix.com/2014/02/distributed-neural-networks-with-gpus.html
  5. Image reference: m4tik – https://www.flickr.com/photos/m4tik/
Share.

About Author

Studio Business Administration ma sono appassionato di Big Data e AI. Quello che faccio: Coworking, TEDx e Wearable. Quello che sono: uno studente di Economia con il rimpianto di non essersi iscritto ad Informatica. Quello che voglio: vedere oltre.

Leave A Reply