Sejak awal mula televisi, orang-orang memiliki pilihan terbatas dan terkadang kendali yang lebih sedikit atas apa yang mereka sukai. Program-program mendorong aktivitas pemilihan, dan audiens menyesuaikan program tersebut. Namun, lonjakan layanan streaming modern telah mengubah hal itu. Saat ini, orang-orang disajikan perpustakaan digital yang besar yang berisi banyak acara, serial, dokumenter, dan konten orisinal khusus. Meskipun kekayaan informasi tersebut memberikan fleksibilitas, hal itu juga menimbulkan tantangan baru: kesulitan pengambilan keputusan. Dihadapkan dengan pilihan yang hampir tak terbatas, pengguna mungkin kesulitan menemukan sesuatu yang benar-benar sesuai dengan selera dan keinginan mereka. Di sinilah kecerdasan buatan (AI) dan algoritma rekomendasi berperan. Teknologi ini bekerja sebagai program cerdas, mempertimbangkan preferensi pengguna dan memberikan strategi yang disesuaikan yang membuat pengembangan konten lebih cepat, lebih mudah, dan lebih memuaskan. Alih-alih secara acak, di pasar waktu, orang-orang saat ini diperoleh dengan referensi yang dikurasi untuk individu-individu ini.
Cara AI Mempelajari Kecenderungan Manusia
Inti dari pengalaman streaming yang dipersonalisasi adalah teknologi pembelajaran mesin yang inovatif. Alat streaming saat ini secara teratur mengumpulkan dan menganalisis perilaku pengguna untuk mengenali selera tertentu. Setiap tindakan—baik itu menonton komedi romantis, melewatkan suatu acara, menonton ulang serial populer, atau bahkan meninggalkan suatu acara di tengah jalan—memberikan informasi berharga. Sistem AI menggunakan data ini untuk mengidentifikasi perilaku dan memperkirakan kesukaan dan ketidaksukaan di masa mendatang. Misalnya, rebahin jika seseorang terus-menerus menonton film thriller kriminal dengan wanita tangguh, algoritma akan memprioritaskan judul-judul serupa dalam referensi mereka. Yang penting, AI tidak hanya bergantung pada faktor-faktor yang terlihat seperti genre. AI dapat menganalisis variabel sederhana seperti kecepatan, alur cerita, tema, dan bahkan intensitas emosional. Setelah beberapa waktu, sebagian besar program ini menjadi semakin tepat, menyempurnakan strategi karena mereka lebih banyak mempelajari perilaku pengguna. Praktik pembelajaran aktif ini memastikan bahwa rekomendasi berubah seiring dengan perubahan selera penonton.
Penyaringan Kolaboratif dan Riset Perilaku
Pendekatan ini mempertimbangkan perilaku pengguna yang memiliki perilaku menonton yang sama dan merekomendasikan informasi berdasarkan kecenderungan yang tersebar. Secara khusus, jika beberapa pengguna menonton jumlah tayangan yang sama, perangkat lunak mungkin akan merekomendasikan kepada satu pengguna tayangan yang telah dinikmati dan berkinerja sangat baik oleh pengguna lainnya. Pendekatan ini memanfaatkan data kolektif untuk memperkuat pengalaman tertentu. Bersama dengan penyaringan kolaboratif, layanan streaming menggunakan riset perilaku untuk memahami bagaimana pengguna berinteraksi dengan informasi. Metrik seperti durasi tontonan, volume berhenti sementara, permintaan pencarian, dan ulasan memberikan profil pengguna yang mendalam. Dengan menggabungkan wawasan ini, algoritma membangun halaman beranda yang sangat dipersonalisasi yang terasa sangat intuitif.
Tujuan yang Terkait dengan Metadata dan Pelabelan Informasi
Hampir setiap rekomendasi didorong oleh proses rumit yang terkait dengan metadata dan pelabelan informasi. Setiap film atau baris biasanya diurutkan secara menyeluruh dengan deskripsi spesifik yang melampaui label jenis dasar. Awan tag ini dapat mencakup informasi tentang arketipe karakter, gaya naratif, semangat, lokasi, dan bahkan tema khusus seperti “kemenangan underdog” atau “suasana yang berkembang perlahan.” Program AI menggunakan metadata ini untuk mencocokkan atribut informasi dengan preferensi pengguna. Misalnya, jika seseorang menyukai aksi cepat dengan nuansa komedi, algoritma dapat dengan mudah mengidentifikasi judul postingan yang membahas hal-hal tersebut. Pelabelan yang terperinci ini menghasilkan rekomendasi yang lebih tepat dan bernuansa.
About the Author
