Šef YouTubeovog algoritma otkriva kako će AI promijeniti sustav preporuka
Kao sve velike platforme, YouTube cijelo vrijeme radi na implementaciji umjetne inteligencije i LLM-oma u svoj algoritam za preporučivanje sadržaja koji postaje sve personaliziraniji.
Nastavljajući našu teksašku YouTube avanturu, slušali smo opušteni razgovor pun insajderskih informacija dva važna čovjeka iz samog YouTubea.
Na VidSummitu, Rene Ritchie (Head of Editorial & Creator Liaison) i Todd Beaupré (Senior Director of Product Management) raspravljali su o tome kako AI transformira YouTubeov algoritam – od osnovnih mehanizama za preporuke do velikih jezičnih modela (LLM) koji poboljšavaju razumijevanje sadržaja i angažman korisnika te dali svoje savjete za kreatore.
YouTubeov algoritam poznaje vas bolje nego što mislite
YouTubeov algoritam za preporuke temelji se na personalizaciji, što znači kako cijelo vrijeme radi na identificiranju nijansiranih obrazaca u ponašanju gledatelja. Na temelju tih obrazaca, algoritam ujedno daje i preporuke koje nisu izravno povezane s onime što korisnici trenutno gledaju, ističe Todd:
Osoba može pogledati MrBeasta nakon kojeg slijedi potpuno nepovezani tutorijal, poput vodiča za šminkanje za Noć vještica. Sustav je osmišljen kako bi prepoznao koliko često korisnici žele “promijeniti kanal” i prebaciti se na nešto sasvim drugačije od njihovog trenutnog interesa.
Algoritam pokušava razumjeti šire navike gledanja korisnika i predložiti sadržaj koji je u skladu s njegovim različitim interesima. Ovakav fleksibilni pristup omogućuje YouTubeu da obuhvati različite preference gledatelja po temama, ali i formatima.
LLM kao iduća velika prekretnica u preporučivanju sadržaja
Veliki jezični modeli (LLM) kao što su ChatGPT i Gemini trenutno se prilagođavaju za YouTubeov sustav preporuka. Ove LLM-ove Todd opisuje kao “velike mozgove” koji pomažu algoritmu u stvaranju još više nijansiranih veza između sadržaja i preferenca gledatelja. Umjesto da samo pamte obrasce, ti ih modeli generaliziraju – razumijevajući razliku između osnovnog spominjanja košarke i videa koji uključuje trikove i izazove. Dublje razumijevanje s više konteksta omogućuje sustavu da bolje kategorizira i daje preporuke.
Prelazak s osnovnog strojnog učenja na LLM-ove poboljšava sposobnost algoritma da razumije i sadržaj i ponašanje publike vrlo precizno. Rene ovdje povlači analogiju s kuhanjem:
Kuhari početnici mogu dobro slijediti recepte, ali iskusniji modeli mogu “improvizirati” ako npr. ostanu bez određenog sastojka. Slično tome, YouTubeov sustav preporuka postaje sve prilagodljiviji, učeći ne samo o čemu se radi u videima, već i zašto oni rezoniraju s određenom publikom.
Zamka zvana “YouTube paradoks”
Kreatori su često zbunjeni kada proučavaju stopu klikanja (CTR) ili kada se metrika zadržavanja publike (retention time) poboljša, ali njihovi pregledi stagniraju. Govorimo o “YouTube paradoksu” prema kojem su početne metrike često iskrivljene zbog vrlo angažiranih gledatelja – obično dugogodišnjih pretplatnika koji prvi gledaju novi sadržaj, navodi Rene:
Samo zato što imate jako dobre rezultate kod angažiranih gledatelja, ne znači da imate dobre rezultate kod šire publike.
S vremenom, kako videi dopiru do šire, a manje nišne publike, ti se podaci obično normaliziraju, što često dovodi do pada CTR-a. To ne mora nužno značiti da video ima lošu analitiku – možda se samo širi na širu, ležerniju publiku, ističe Rene.
Todd se nadovezuje kako uspješni videi nemaju uvijek najviši CTR jer dopiru do veće i raznolikije publike. Ključni zaključak ovdje je da kreatori ne bi trebali biti opsjednuti pojedinačnim brojevima u analitici, već holistički promatrati izvedbu svakog videa:
Ako napravite video zbog kojeg će vaši najveći obožavatelji odmah kliknuti, onda je lako moguće da ste objavili nešto što širu publiku neće zanimati. Dobro je raditi za obožavatelje, ali uvijek možete promijeniti thumbnail ili naslov i tako učiniti video malo privlačnijim široj publici. YouTubeu je cilj prikazati vaše videe samo ljudima koje će to zanimati.
Ravnoteža između nišne i općenite publike
Rene i Todd dotaknuli su se izazova s kojim se kreatori suočavaju kada govorimo o algoritamskim preporukama, posebno kada pokušavaju uravnotežiti sadržaj za glavnu i širu publiku. Kreatore obično brine kada najveći obožavatelji “ne rezoniraju” s novom vrstom sadržaja, što dovodi do zabrinutosti o tome kako bi algoritam mogao protumačiti tu izvedbu – hoće li ga preporučivati ili ne. Zato Rene uvjerava kreatore da YouTube prepoznaje razliku između segmenata publike:
Video koji nema odjeka među glavnim obožavateljima kreatora i dalje može imati dobru izvedbu kod šire ili potpuno nove publike te obrnuto.
Još jedna zabrinutost je kasniji uspjeh određenih videa, posebno evergreen sadržaja poput tutorijala. Rene je primijetio da mnoge kreatore uhvati panika kada videu trebaju dani ili čak tjedni da postane popularan. Todd je objasnio da je YouTubeov algoritam dizajniran za pronalaženje pravih gledatelja tijekom vremena, posebno za sadržaj koji nije odmah relevantan, kao što su tutorijali, ističe Todd:
Imajte strpljenja, jer i naši sustavi imaju strpljenja… svi smo potaknuti da videozapise dopremimo pravim gledateljima koji ih žele vidjeti
Jesu li budućnost krati ili dugački formati?
Gledajući unaprijed, i Rene i Todd istaknuli su kontinuirani porast YouTube Shortsa i sve veću važnost televizije kao platforme za sadržaj dužeg formata. Uz sve više gledatelja koji gledaju YouTube na svojim televizorima, kreatori bi trebali razmisliti o tome kako se njihov sadržaj prenosi na veće zaslone. Todd je predložio “prepakiravanje” videa u poznate formate poput televizijskih emisija. Playliste, epizodni sadržaji i serije postaju sve važniji formati, posebno jer YouTube nastavlja brisati granice između tradicionalne televizije i online videa.
Kao što je zaključio Todd, kreatori bi se trebali usredotočiti na razumijevanje svoje publike i pružanje vrijednosti, bez obzira na format ili duljinu. Bilo putem kratkih videozapisa ili TV sadržaja dugog formata, algoritam se razvija kako bi prepoznao i služio preferencijama publike na svim uređajima.
Kako modeli umjetne inteligencije poput LLM-a postaju sve sofisticiraniji, i kreatori i gledatelji mogu imati koristi od personaliziraniji, nijansiranih preporuka koje bolje odražavaju njihove interese. Za kreatore ostaje zaključak: ostanite prilagodljivi i strpljivi, usredotočite se na pružanje dosljedne vrijednosti svojoj publici na različitim formatima sadržaja i platformama.
