Kompyuta na akili bandiaChapisho la awaliUchambuzi wa dataDakika 4 za kusoma

UNAJUA UTAKACHOPENDA KULIKO ALGORITI INAVYOJUA

Mifumo ya mapendekezo (recommender systems) huamua sehemu kubwa ya kile ambacho watu hutazama, husoma na hununua; katika Netflix, kulingana na makala ya 2015 ambayo waandishi wanainukuu, mfumo wa mapendekezo “huathiri uchaguzi kwa takriban 80% ya saa zinazotazamwa mtandaoni”. Ili kufanya kazi, jukwaa linapaswa kukisia kile ambacho kila mtu atapenda. Linaweza kujifunza hilo kutoka kwa tabia — ukadiriaji, mibofyo, vipindi vilivyotazamwa hadi mwisho na wewe na mamilioni ya wengine — au linaweza tu kuuliza.

Kuuliza kuna gharama. Katika MovieLens, tovuti ya kukadiria filamu, 98.8% ya maswali milioni 3.0 hayakujibiwa. Na nadharia inatoa ushauri unaokinzana. Mkondo mmoja wa fikra, ambao waandishi wanauita mtazamo wa umati (crowd view), unasema takwimu zilizojengwa kutoka kwa watu wengi hushinda uamuzi wa mtu binafsi, na kwamba watu ni dhaifu katika kutabiri furaha yao wenyewe. Mwingine, mtazamo wa maarifa yaliyotawanyika (dispersed knowledge), unasema kila mmoja wetu ana taarifa ambazo hakuna hifadhidata inayozirekodi: ulipenda kazi za awali za mwongozaji lakini hukuwahi kuzikadiria, trela haikukuvutia, rafiki ambaye unaamini ladha yake haachi kuizungumzia.

Swali kwenye ukurasa wa mwanzo

Zihan Chen na Di Zhu (Stevens Institute of Technology) na Lei Nico Zheng (University of Massachusetts Boston) walitumia seti ya data inayowezesha jaribio hili. MovieLens, mfumo wa mapendekezo usio wa kibiashara unaoendeshwa na maabara ya GroupLens katika University of Minnesota, uliweka swali kwenye ukurasa wake wa mwanzo kuanzia Machi 2023 hadi Mei 2024. Swali lilionyesha jina la filamu na kuuliza kama mwanachama alikuwa ameiona. Ikiwa hapana: unafikiri ungeipa nyota ngapi, kuanzia nusu nyota hadi tano?

Kati ya makisio 26,020 kama hayo, 551 — kutoka kwa wanachama 277 — yalifuatiwa na ukadiriaji halisi angalau siku moja baadaye. Kwa jozi hizi hasa, timu ililinganisha makisio na mashine nne: utabiri wa mfumo wa mapendekezo wa MovieLens wenyewe, algoriti mbili za kawaida za mapendekezo zilizofunzwa kwa ukadiriaji milioni 33 wa awali na kusasishwa kwa kila kitu ambacho mwanachama alikuwa amekadiria hadi wakati wa makisio, na “rundo” (stack) linalochanganya kila utabiri wa mashine na kile ambacho jukwaa lilijua kuhusu filamu na mwanachama.

Watu washinda

Makisio ya mwanachama yalikuwa na uhusiano wa 0.69 na ukadiriaji wa baadaye, kwenye kipimo ambapo 1 inamaanisha vitu hivyo viwili husonga pamoja daima na 0 inamaanisha hakuna uhusiano wowote. Algoriti zilizofunzwa zilifikia 0.54 hadi 0.59; utabiri wa MovieLens wenyewe, 0.34. Kwa wastani, makisio yalikosea ukadiriaji wa baadaye kwa nyota 0.61, dhidi ya angalau 0.72 kwa mashine yoyote. Pia yalikuwa karibu bila upendeleo (unbiased), huku MovieLens ikikadiria ukadiriaji wa baadaye kupita kiasi kwa nusu nyota.

Faida hii si kujua tu filamu zipi ni nzuri au jinsi mtu anavyokadiria kwa ukarimu. Ondoa mvuto wa wastani wa filamu na ukarimu wa kawaida wa mwanachama, na makisio bado yanatabiri kinachobaki — ulinganifu binafsi kati ya mtu huyu na filamu hii — vizuri zaidi sana kuliko mashine (0.63 dhidi ya isiyozidi 0.47).

Yakiongezwa kwa kila kitu ambacho mashine zilijua, makisio yalipunguza kosa la utabiri kwa 26%. Kinyume chake hakikuwa kweli: kuongeza taarifa zote za mashine kwa makisio hakukuleta faida yoyote inayoweza kugunduliwa.

Mashine zinapokaribia

Picha ina uwiano zaidi kwa mpangilio (ordering). Kwa filamu mbili ambazo mwanachama baadaye alizikadiria tofauti, makisio yaliziweka katika mpangilio sahihi 72% ya wakati. MovieLens ilifikia 56% — kurusha sarafu hupata 50% — lakini algoriti zilizofunzwa zilifikia 64 hadi 67%, matokeo ambayo waandishi wanaona hayawezi kutofautishwa kitakwimu na yale ya mtu.

Na katika uwanja unaojulikana, mashine hufanya vizuri vilevile au zaidi. Kwa filamu ambazo wanachama walitangaza kuwa hawajaziona lakini kwa kweli walikuwa wamezikadiria miaka kadhaa kabla — filamu za zamani, zilizokadiriwa na watu wengi, zilizokadiriwa na watumiaji wa tovuti wanaokadiria kuliko wote — algoriti zililingana na mtu au zilimshinda. Faida ya mtu ni kubwa zaidi pale data zilipo chache: kwa filamu zilizokadiriwa kidogo (0.65 dhidi ya 0.41 kwa algoriti moja na 0.13 kwa MovieLens) na kwa aina za filamu (genres) ambazo mwanachama hukadiria mara chache.

Kisichosaidia

Njia mbili za mkato hushindwa. Makisio ya awali ya mwanachama kuhusu filamu nyingine, hata yakipewa uzito kulingana na jinsi filamu hizo zinavyofanana, hayachukui nafasi ya makisio mapya kuhusu filamu inayohusika. Na kuwauliza watu wana uhakika kiasi gani hakuongezi karibu chochote: uhakika kwa kiasi kikubwa huashiria maoni ya kupindukia, na wanachama wenye uhakika zaidi waligeuka kuwa na matumaini kupita kiasi kwa kiasi fulani.

Waandishi pia walikagua kwamba watu hawakuwa wakinakili tu utabiri ulioonyeshwa na tovuti: makisio yao yalilingana nao takriban mara nyingi kama bahati tu ingefanya.

Kanuni nne kwa majukwaa

Kutokana na matokeo haya timu inapata kanuni nne za usanifu: uliza ukadiriaji unaotarajiwa wa kitu mahususi; uliza kuhusu vitu vinavyoamuliwa sasa; pima mifumo ya mapendekezo kwa wagombea wa juu ambao kwa kweli inawapanga upya, ambapo MovieLens ilipanga kwa usahihi 56% tu ya jozi; na ipe algoriti yoyote kila kitu ambacho jukwaa linajua kabla ya kuilinganisha na watu.

Mipaka iko wazi katika makala. Jozi 551 ni 2.1% ya makisio yote, kutoka kwa wapenzi wa tovuti moja, na watu hukadiria kile walichochagua kutazama. Jaribio la nasibu (randomised experiment), waandishi wanapendekeza, lingeonyesha kama kuuliza kwa kweli huboresha mapendekezo ambayo watu hufuata. Hadi wakati huo hitimisho linasimama kama jina la makala yao linavyosema: unajua kitu kuhusu filamu iliyo mbele yako ambacho hakuna historia ya ukadiriaji iliyokirekodi.