Vild med Mary, Pride and Prejudice, Mr. and Mrs. Smith. Hvad hulen er det her for noget?
Du opdager hurtigt, hvis du er kommet ind på kærestens profil på Netflix i stedet for din egen.
Streamingtjenester er nemlig eksperter i at anbefale film og serier, som netop du vil kunne lide.
Men hvordan gør de det egentlig?
»Det er vigtigt at forstå, at det ikke er magi, når Netflix anbefaler os film og kan regne vores smag ud. Det er i virkeligheden forholdsvis simpel matematik, der ligger til grund for et af verdens mest avancerede anbefalingssystemer,« forklarer Jes Frellsen, der er lektor og forsker i algoritmer på IT-Universitetet i København.
Han har for nylig holdt et offentligt oplæg for studerende og gæster på IT-Universitetet om, hvorfor Netflix kender os så godt.
Algoritmer er hjernen bag anbefalingerne
Netflix laver anbefalinger om forskellige film gennem algoritmer, det vil sige matematiske opskrifter, der er designet til at løse forskellige opgaver – eksempelvis at gætte vores filmsmag.
»En algoritme fungerer lidt som en kageopskrift. Du har ingredienserne, som er de data og informationer, du vælger at indtaste på Netflix. I køkkenet laver du kagen ved at følge opskriften skridt for skridt, og på samme måde udfører algoritmen en række handlinger, der munder ud i, at du får anbefalet en film,« forklarer Jes Frellsen.
Netflix bruger en kombination af forskellige algoritmer til at give os det bedste forslag til, hvilken film vi skal se. Algoritmer til anbefalinger kan inddeles i tre overordnede kategorier, forklarer Jes Frellsen.
- Demografibaserede: En type af algoritmer, der indsamler viden om dit køn, din bopæl og lignende. Algoritmerne bruger informationerne til at anbefale dig film, som andre med lignende demografiske forhold som dig ser.
- Indholdsbaserede: Algoritmer, som bruger information om filmen, eksempelvis hvilken genre og hvilke skuespillere, der er med, til at give dig anbefalinger, der passer med film, du ellers ser på Netflix.
- Collaborate filtering: Er algoritmer, der ser på brugernes filmpræferencer i forhold til, hvilke film de giver mange stjerner. Du får anbefalinger ud fra, stjerner givet af filmbrugere, der minder om dig.
Gennem informationerne kan algoritmen regne ud, hvilke andre brugere vi hver især minder om.
»Det sker gennem tabeller i et slags regneark på computeren, der selv laver overlap mellem brugerne og typen af film,« uddyber Jes Frellsen.
Netflix inddeler os i grupper efter hvilke andre brugere, der ligner os, bekræfter Sebastian Risi, der forsker i computerteknologi på IT-Universitetet.
»En del af algoritmen undersøger, hvor mange film vi har tilfælles med andre. Så inddeler den os eksempelvis i grupper, der har set mindst 10 af de samme film. Dine anbefalinger er ofte baseret på, hvad folk i den gruppe, du er med i, ser, som du endnu ikke har set,« forklarer han.
Netflix er ikke din bedste ven
Selvom Netflix og andre streamingtjenester er gode til at gætte vores smag, er der dog også fejlskud mellem de mange anbefalinger.
»Nogle gange gætter Netflix forkert, og det handler om, at der er ubekendte, som tjenesten ikke kender til. Den ved ikke nødvendigvis, at du måske godt kan lide én særlig film i en genre, men bestemt ikke andre i samme kategori,« forklarer Sebastian Risi.
Mennesker er sammensatte væsener, og det kan være meget svært at forstå den enkeltes komplekse smag, uddyber han.
»Algoritmerne på Netflix og Spotify er avancerede, men fungerer endnu ikke, som når en ven anbefaler dig en film. Venner ved sandsynligvis mere om din smag og kender din personlighed på et helt andet niveau. Netflix skal stadig finde balancen mellem at anbefale dig noget, du kan lide, men også overraske dig – lidt ligesom en god DJ,« siger han og tilføjer:
»Derfor eksperimenterer Netflix også ved en gang imellem at anbefale dig noget, som du ikke normalt ser, for at lære dig endnu bedre at kende.«
Algoritmer giver fare for ensretning
Det er ikke kun tjenester som Netflix, HBO og Viaplay, der bruger algoritmer for at anbefale indhold til os.
Også Spotify, Google og Facebook bruger avancerede algoritmer til at kortlægge vores adfærd på nettet.
Det er på den ene side smart, at vi kan få indhold, der passer til vores smag, men det kan samtidig være problematisk, mener Sebastian Risi.
»Det generelle problem med anbefalingssystemer er, at vi risikerer at skabe en boble for os selv, hvor vi ser den samme type film, hører den samme musik og kun får nyheder, der bekræfter os i, hvad vi allerede mener. På den måde er der fare for, at vi bliver for ensrettede og træffer større beslutninger på for smalle grundlag,« siger han.
Det er især i forhold til vores forbrug af nyheder på nettet, at algoritmernes ensretning kan være farlig, uddyber Sebastian Risi.
»Det er måske knapt så vigtigt, om man lytter til jazz og ser romantiske film igen og igen. Dér, hvor det er farligt, er i forhold til samfundsspørgsmål. Hvis du altid kun får den ene side af sagen, bliver du blind for at se flere nuancer og måske ændre holdning til ting som politik i løbet af livet.«
\ Læs mere
»Vi bør være bevidste om algoritmer i hverdagen«
Algoritmerne bag for eksempel Google og Spotify bruger de informationer, vi indtaster om os selv, men noterer også, når vi klikker på noget andre steder på nettet.
Men ideelt set burde vi have muligheden for at vælge hvilke informationer, vi ønsker at dele om os selv, mener Sebastian Risi.
»Vi bør ikke frygte, at algoritmerne overvåger os, men vi bør være bevidste om, hvad informationerne bruges til. Ideelt set burde vi have mulighed for at sige nej til at få delt vores informationer. Folk bør være mere bevidste om, hvad der foregår bag computerprogrammerne, vi bruger i hverdagen,« forklarer han.
Overordnet set gør algoritmer dog vores liv lettere, mener Sebastian Risi.
»Generelt mener jeg, at det er godt, at vi har anbefalingsalgoritmer. Du behøver ikke rette dig efter, hvad Netflix eller Spotify anbefaler dig, for du kan stadig søge efter titler eller genrer. Der er mange mennesker, der synes, at det er skønt at få anbefalinger, fordi de egentlig ikke selv orker at finde noget, og dér er Netflix bare nemt,« afslutter han.
