(Quelle: Matej Kastelic/Shutterstock.com)

Ist Ihnen aufgefallen, dass Recommendation Engines nicht wirklich smart sind? Rotten Tomatoes macht eine großartige Arbeit, wenn es darum geht, Ihnen mitzuteilen, was Kritiker und Publikum denken, aber ein Film mit einer Bewertung von 90+ ist nicht zwangsläufig mein Fall. Und man kann einen Film mit einer Bewertung unter 30 Punkten durchaus unterhaltsam finden. Könnte KI die Chancen verbessern?

Systeme der Künstlichen Intelligenz (KI) benötigen hochwertigen Input, um sie zu „erziehen“. Die Musikempfehlungs-Engine von Pandora kombiniert menschliche Anmerkungen zu Genre, Rhythmus und Verlauf eines jeden Songs mit Hunderten von Milliarden Feedbackpunkten von Benutzern. Diese werden dann von mehr als 70 verschiedenen Algorithmen verarbeitet. Beeindruckend? Nachdem ich so oft auf „Überspringen“ geklickt habe, bin ich mir da nicht mehr so sicher. Ich schlage ein einfacheres KI-System (Abbildung 1) vor, das uns allen dabei hilft, zu entscheiden, welchen Film wir als nächstes sehen wollen. Lesen Sie weiter, um zu erfahren, wie der von mir verwendete Designprozess aussieht.

Abbildung 1: Aufbau einer besseren KI-basierten Empfehlung mit ein paar einfachen Schritten (Quelle: Mouser Electronics)

Ich beginne damit, eine Frage zu schreiben, die der Aufgabenstellung gerecht wird. „Wie würde eine intelligentere, genauere Engine für Filmempfehlungen aussehen?“

Als nächstes verfasse ich den Nutzen für den Benutzer: „Das System wird genau vorhersagen, ob der Benutzer einen Film mögen wird.“

Sicher, es gibt eine Menge offene Punkte dazwischen, aber der Nutzen muss die Eingangsfrage beantworten. Wenn das nicht der Fall ist, oder wenn ich mir einen anderen Nutzen für die Benutzer vorstellen kann, der ebenfalls die Eingangsfrage beantwortet, gehe ich einen Schritt zurück und vereinfache entweder die Eingangsfrage oder den Nutzen, bis es passt.

Jetzt, da ich einen Start- und einen Endpunkt habe, arbeite ich mich vom Ablauf zurück, vereinfache nach und nach und stelle sicher, dass jeder Punkt auf dem Weg hilft, die erste Frage zu beantworten.

Ich schreibe auf, was mir an aktuellen Lösungen nicht gefällt. Rotten Tomatoes bietet Mini-Rezensionen, die gelesen und analysiert werden müssen. Zu viel Gehirnschmalz! Ich möchte, dass mein System die Entscheidung für mich trifft. Werde ich diesen Film mögen oder nicht mögen? Oder noch besser (einfacher), die Maschine sollte mir nur Filme zeigen, von denen sie glaubt, dass sie mir gefallen werden.

Damit eine Maschine sich wie eine Maschine verhält, müssen wir sie entmenschlichen und die Emotionen aus den Daten entfernen. Filmkritiker sind zu rechthaberisch für diese Anwendung. Wir brauchen nur einen Daumen hoch oder Daumen runter. Eine Eins oder eine Null, denn nichts ist einfacher als ein binäres Objekt.

Wenn ich Systeme skizziere, verallgemeinere ich gerne. „Ich traue den Meinungen von Filmkritikern nicht, weil sie nicht so denken wie ich. Das System muss mich mit anderen zusammenbringen, die so denken wie ich.“

Die zentrale Frage, die es hier zu beantworten gilt, scheint zu sein: „Was macht die eigene Meinung vertrauenswürdig?“

Viele Systeme verlassen sich stark auf die Einsen (Filme, die die Leute mögen) und ignorieren die Nullen (Filme, die die Leute nicht mögen), aber ich glaube, das ist ein Fehler. Die Nullen können uns helfen, die Genauigkeit unserer Maschine drastisch zu verbessern.

Zum Beispiel: Jeremy aus Chicago liebte „Der Pate Teil III“ und mochte „Top Gun: Maverick“ nicht. Mir ging es bei beiden Filmen genauso. Als nächstes bewertet Jeremy „The Rhythm Section“, einen Film, den ich noch nicht gesehen habe. Er gibt ihm einen Daumen nach oben. Anhand dieser Informationen empfiehlt das System, dass ich mir „The Rhythm Section“ ansehe (Abbildung 2). Wenn ich, nachdem ich den Film gesehen habe, ebenfalls einen Daumen nach oben gebe, erhöht sich das Gewicht von Jeremys Empfehlungen, und seine Meinung wird ein wenig vertrauenswürdiger.

Abbildung 2: Die Genauigkeit der Empfehlungen nimmt zu, wenn mehr Meinungen in das System aufgenommen werden. (Quelle: Mouser Electronics)

So einfach ist das. Ein gut durchdachtes System sollte seine Ziele mit nur wenigen Datenpunkten erreichen und von dort aus aufbauen. In unserem Fall ... kann unsere Maschine die Genauigkeit weiter verbessern, indem sie Daumen hoch und Daumen runter für eine wachsende Liste von Filmen sammelt, von einer wachsenden Anzahl von Benutzern.

Nachdem ich die Mechanik der Maschine entworfen habe, frage ich als nächstes: „Kann das System vereinfacht werden?“

Mir ist klar, dass ich nicht wissen muss, wer „Jeremy aus Chicago“ ist. Ich muss nicht sein Profilbild oder andere Filme sehen, die er empfohlen hat. Ich muss nicht einmal seinen Namen sehen. In der Tat könnte ein anonymes System erstrebenswerter sein. Mir geht es nur darum, dass die Maschine mit zunehmender Präzision Filme vorschlägt, so dass jeglicher sozialer Ballast aus dem System eliminiert werden kann. Ich kann mir eine saubere Benutzeroberfläche vorstellen, die das Poster für nur einen Film anzeigt, von dem die Maschine denkt, dass er mir gefallen würde.

Ich habe gesehen, wie Systeme gescheitert sind, weil der Entwickler es versäumt hat, den Weg zu vereinfachen. Deshalb versuche ich mich daran zu erinnern, dass die Lösung umso eleganter ist, je einfacher sie ist, solange sie noch das beabsichtigte Ziel erreicht.

Meine Engine für Filmempfehlungen kann nun immer „intelligenter“ werden, indem sie nur einen Datenpunkt zu jedem Film sammelt. Eine akzeptable Genauigkeit konnte mit nur 50 Filmbewertungen pro Benutzer von 10.000 Benutzern erreicht werden. Solange die Daten sich nicht bewähren und die Maschine nicht genau vorhersagen kann, welchen Film ich als nächstes sehen sollte, ist das natürlich alles nur Vermutung. Aber genau das ist der Punkt. Wir haben gerade ein supereinfaches System entworfen, das leicht auf seine Genauigkeit getestet werden kann, wenn wir das Modell auf eine größere Anzahl von Benutzern skalieren.

Die Schönheit der Maschine. Wenn Sie KI-Systeme entwickeln möchten, die einfach, aber effektiv sind ... Stellen Sie Fragen. Vereinfachen Sie. Dann skalieren Sie.