Страница 17 из 19
1. Нравится не то, о чем рассказывают, – нравится то, что делают
Однажды вечером я искал на сайте Netflix, чего бы посмотреть, и мне попался фильм «Победитель на деревянной лошадке» (рекомендовано было так: «Потому что вам понравились «Психо», «Энни Холл» и «Фарго»). Я покликал по сайту и обнаружил снятую в 1949 году британскую экранизацию рассказа Д.Г. Лоуренса о мальчике, который мог предсказать победителей настоящих скачек, играя со своей игрушечной лошадкой. Рассказ, как и фильм, стал для меня новинкой.
Я подумал: вот она, гениальная система рекомендаций на основе алгоритмов! У меня в голове не укладывалось, что за тайная магия помогла мне выбрать этот малоизвестный фильм с какой-то пыльной кинополки. Что связывало «Победителя на деревянной лошадке» с комедией-буфф Вуди Аллена, ужастиком Хичкока и мрачной американской готикой братьев Коэнов? И что в моей собственной оценочной активности связало воедино эту великолепную кинематографическую четверку? Что, если Хичкок мне понравился, а «Энни Холл» – нет? Тогда бы мне посоветовали что-нибудь другое?
Грейг Линден, участвовавший в создании первых алгоритмов Amazon, говорит о том, что не нужно слишком доверять им и окутывать рекомендации таинственным и зловещим пророческим ореолом. «Компьютер всего лишь осуществляет анализ действий пользователей», – поясняет он. Но даже создатели алгоритмов признают, что в будущем математические системы обещают стать еще более сложными; в сущности, могут даже появиться «черные дыры» вроде суперкомпьютера HAL, поведение которых будет невозможно достоверно предсказать или определить (по крайней мере, в меру нашего человеческого понимания).
Я иногда злюсь на рекомендации Netflix – фильм Адама Сэндлера? Да вы шутите? Но оборотной стороной доступа к огромному количеству фильмов является увеличение времени выбора, чего бы посмотреть. И понемногу пришлось признать, что в эпоху выбора, иногда сбивающего с толку, когда у меня больше нет возможности внимательно штудировать старые номера «Искусства кино» или рыться по коробкам с дисками в музыкальных магазинах, мне может быть полезно передать часть своих проблем по принятию решений и поиску чего-нибудь нового компьютеру – ведь и хранение фактов мы в основной своей массе уже передали на аутсорсинг в «Гугл».
Какое-то время я потратил на серьезную отработку своего алгоритма в Netflix. Я выставлял оценки всем просмотренным фильмам и дотошно, словно иудей Талмуд, изучал прогнозы всего, что мне может понравиться. Я хотел провести тонкую настройку этой штуки, чтобы она могла работать с моим изменчивым вкусовым профилем. Я хотел, чтобы она знала – если мне понравились «Зловещие мертвецы», это не значит, что мне понравится большинство остальных фильмов ужасов. Я хотел, чтобы система знала не только что понравилось, но и почему понравилось. Я хотел от нее большего, чем она могла мне предложить!
Так что, когда я приехал в город Лос-Гатос, штат Калифорния, в штаб-квартиру Netflix, расположенную в здании с красной черепичной крышей – оно напоминало то ли старый Голливуд, то ли гостиницу «Ла-Квинта», – в голове у меня были только звездочки. Это стало почти навязчивой идеей. Вы не поверите, сколько времени я провел, размышляя, стоит ли смотреть фильм, если его прогнозируемый рейтинг составляет 2,9 (а дистанция от 2,9 до 3,0 – ну совсем ведь маленькая!). Посмотреть фильм, рейтинг которого «единица», казалось чуть не преступлением. А когда мне удавалось обнаружить фильм, которого я не видел, но его прогнозируемый рейтинг был 4,7, я чуть не под облака взмывал от радости!
Я знал, что я не один такой: компания в рамках своего знаменитого проекта «Оптимизация алгоритма» предложила приз в миллион долларов ученым-программистам, которые смогут дать десятипроцентное улучшение для прогнозируемых рейтингов Netflix. Множество умных людей посвятили множество часов, размышляя о так называемой «проблеме «Наполеона Динамита», или что делать с фильмами, которые делят зрителей на два противоположных вкусовых лагеря и реакция на которые крайне слабо прогнозируема. Я подумал, что здесь, в Лос-Гатосе, я увижу доброжелательную «Штази» вкусов, в которой знают все о том, как люди смотрят кино, где хранится громадный массив данных о человеческих предпочтениях. Я хотел знать то, что является очень личным и что, как я думал, они мне не расскажут: насколько чувствителен этот алгоритм к оценкам – если я поставил 2,7 фильму, для которого Netflix предсказал мою оценку как 3,2, как быстро такое отклонение повлияет на мое собственное рейтинговое поле? Какой фильм обладает самым широким спектром крайне негативных и крайне позитивных оценок?
Вот почему я уже практически слышал, как скрипит мое перо по бумаге, когда уселся напротив вице-президента по новым разработкам Тода Елина в переговорной «Лучший стрелок» (все офисные помещения Netflix носят названия фильмов или телешоу) и он начал свой рассказ: «Моя первая должность в компании – директор по персонализации продукта. Я возглавил работы по получению оценок, по улучшению прогнозов на основании этих оценок; мы придумывали, где именно в пользовательском интерфейсе их надо размещать». Что ж, полет нормальный. Затем он сказал: «Со временем, при расширении области персонализации, мы стали придавать прогнозируемым оценкам гораздо меньшее значение».
Потребовалось некоторое время, чтобы до меня дошло. Меньшее значение?! Видимо, в тот момент я выглядел слегка пришибленным. Думаю, Елин почувствовал мое разочарование. Я приехал, чтобы узнать о самом сложном в мире техническом средстве прогнозирования вкусовых предпочтений в кино, а мне говорят, что вопросам вкуса – по крайней мере выраженным с помощью рейтингов – здесь придают «меньшее значение»! «Нигде во Вселенной не жмут так много на «звездочки» фильмов и телешоу, как у нас! – рассказал Елин. – И мы разработали множество алгоритмов для повышения точности этих предсказаний». Но, как он сказал, это было «последним писком» году этак в 2005-м или в 2006-м. И мои смешные вопросы о «звездочках» тут же стали ужасно отдавать стариной. Значит, вложив такую бездну времени и усилий в постройку совершенной системы рекомендаций на базе оценок, Netflix от нее отказалась?
Не совсем. «Люди по-прежнему выставляют оценки, мы считаем эту информацию полезной. Просто она – второстепенная», – говорит Елин. Случилось сразу две вещи, которые затмили пользу «звездочек». Первая, как рассказал Ксавье Аматриайн, руководитель по системе рекомендаций, – компания вплотную приблизилась к некоей конечной скорости прогнозирования вкусов. «Как часто бывает при работе с алгоритмами, – рассказал он, – 20 % времени уходит на достижение 90-процентной точности; а затем уже 80 % времени уйдет на обеспечение оставшихся 10 % точности». Было совершенно непонятно, стоит ли инвестировать в работу над этими оставшимися 10 %, что привело бы к еще большему усложнению рекомендательной системы, в которой и без того уже работала и «Ограниченная машина Больтцмана», имелись и «Случайные леса», и «Латентные размещения Дрихле», – будет ли это оправданно?
Поменялось и еще кое-что. С тех пор как Netflix объявила состязание программистов с крупным призом, компания вместо услуг проката DVD по почте стала заниматься предоставлением онлайн-услуг потокового видео. «Люди, которые давали свои оценки, отражали таким образом свой мыслительный процесс. Вы добавляете что-то в очередь просмотра, а просматриваете пару дней спустя. А затем выражаете мнение, которое возымеет эффект в долгосрочной перспективе. При потоковой передаче данных концепция совершенно меняется. Вам не нравится? Ну и ладно – переключаем и смотрим что-нибудь другое. Затрат на переключение у вас практически нет», – рассказал Аматриайн.
При оказании потоковых онлайн-услуг Netflix получает меньше формально выраженных оценок, зато имеет место косвенная информация – это поведение пользователей. «У нас появилась возможность получения данных по просмотрам в реальном времени, а это гораздо более ценная информация, чем то, что говорят сами пользователи о своих предпочтениях», – объясняет Елин. В Netflix бесконечно больше знают о том, что и как вы смотрите: когда вы смотрите, где вы смотрите, в какой момент прекращаете смотреть, что смотрите потом, пересматриваете ли. Что вы ищете – это еще один сигнал вашего вкуса. Елин заинтересованно, почти страстно мне об этом рассказывает. Он слегка тараторит, у него немного угловатый, напряженный взгляд, он лысоват – и всем своим видом напоминает гиперинформированного консультанта из магазина видеокассет ушедшей эпохи. Но только это консультант всемогущий, он знает, что крутит на своих «видаках» вся страна – и в какие моменты нажимает на «перемотку». Пусть это и выглядит как вмешательство в личную жизнь, но главный момент здесь такой: от своего вкуса не спрячешься!