Studie zu Empfehlungs-Algorithmen von YouTube merz medien + erziehung

Unternehmen erheben umfangreiche Datenmengen, um maßgeschneiderte Empfehlungen bieten zu können. Doch während diese Informationen gesammelt und analysiert werden, entstehen Risiken wie Datenlecks und Missbrauch. Im Laufe der Jahre haben personalisierte Empfehlungen bedeutende Fortschritte erzielt. Diese Vorteile sind in der Praxis belegbar und führen zu messbaren Verbesserungen. Ihre Basis bildet eine akribische Datenerfassung zusammen mit detailliert erstellten Nutzerprofilen.

Erstellung eines Nutzerprofils

Wir hosten alle Medien selbst und verwenden keinerlei Drittservices außer ReCaptcha, Analytics und Calendly. Das System identifiziert zwei User, die einen ähnlichen Geschmack haben, weil sie die gleichen Lieder gehört haben. Wenn einer von ihnen zu einem bestimmten Zeitpunkt ein Lied hört, das der andere nicht kennt, könnte ihm dies vorgeschlagen werden. Spezielle Analysemethoden werden angewendet, um die gesammelten Daten zu analysieren. Empfehlungssysteme ⁤sollten darauf abzielen,⁣ Vielfalt und Fairness zu fördern.‌ Sie sollten ‌ nicht ‌dazu führen,​ dass ⁣bestimmte Nutzergruppen ‌von relevanten Informationen ausgeschlossen ⁤werden oder in Filterblasen gefangen sind. Die Algorithmen ‍müssen darauf⁣ trainiert ‌werden,​ unterschiedliche Perspektiven und Meinungen ‌anzuerkennen und‍ zu respektieren.

Dann hätte sie die Möglichkeit das Angebot nach diesen Kriterien zu filtern, so dass Kinderromane im Angebot nicht mehr vorkommen. Als eine gtrundlegende Basis für ein Recommendation System würde eine Rangliste dienen, die Produkte anhand von einfachen Metriken vorschlägt. Recommender können ähnlich wie klassische Machine-Learning-Modelle auf historischen Daten ausgewertet werden (Offline-Auswertung). Beim kollaborativen Deep Learning trainieren Sie die Matrixfaktorisierung gleichzeitig mit dem Autoencoder, der Elementattribute enthält.

Es gab viele Leute auf der Warteliste, die nicht an unserem MLMU-Vortrag teilnehmen konnten, daher teile ich hier Folien und Kommentare. Über die Studie YouTube ist mit 7,2 Millionen sich hier täglich informierenden Nutzerinnen und Nutzern mittlerweile eine wichtige Informationsquelle für die Bevölkerung in Deutschland (vgl. Vielfaltsbericht der Medienanstalten 2020). Ein zentraler Service der Video-Sharing-Plattform sind die Empfehlungen des Algorithmus. Vor dem Hintergrund der Corona-Pandemie, gesellschaftspolitischer Debatten über Klimawandel und Migration sowie von Wahlen auf Bund- und Länderebene ist es aktuell besonders relevant, wie YouTube mit desinformierenden Inhalten umgeht. Die Studie wurde von Kantar, Public Division und der Rheinisch-Westfälischen Technischen Hochschule Aachen (RWTH) durchgeführt.

Collaborative Filtering Based Recommendation / Kollaboratives Filtern

Hauptsächlich durch die Kombination der Themen, die Sie gerade interessieren, mit jenen von anderen Nutzern, die ein ähnliches Profil wie Sie haben. Dies geschieht, wenn Benutzer nicht verstehen, warum sie bestimmte Empfehlungen erhalten oder wie sie diese ändern können. Dies kann das Vertrauen der Benutzer und die Akzeptanz von Empfehlungsalgorithmen beeinträchtigen. Wenn Sie beispielsweise eine Anzeige auf Facebook erhalten Warum diese Anzeige?

• Sie können Attribute in einen binären Vektor codieren und an den Empfehler weiterleiten.
• Ein ‍KI-gesteuertes Empfehlungssystem ​ist​ ein leistungsstarkes Werkzeug, ‍das auf maschinellem Lernen und künstlicher Intelligenz basiert.
• Überraschenderweise kann die Empfehlung von Nachrichten oder Videos für Medien, Produktempfehlungen oder Personalisierung im Reise- und Einzelhandel durch ähnliche maschinelle Lernalgorithmen gehandhabt werden.
• Die umfangreiche Datensammlung und -analyse kann zu⁤ Datenschutzverletzungen und einer Gefährdung der Privatsphäre führen.

Wenn Sie beispielsweise Videos auf YouTube ansehen, schlägt der Empfehlungsalgorithmus möglicherweise nur Videos des gleichen Genres oder der gleichen Sichtweise vor wie die, die Sie bereits angesehen haben. Empfehlungsalgorithmen sind mathematische Formeln, die es ermöglichen, Benutzern einer Website oder Anwendung personalisierte Inhalte oder Produkte anzubieten . Sie werden von vielen digitalen Playern genutzt, etwa von E-Commerce-Seiten, Online-Medien, Streaming-Diensten oder sozialen Netzwerken. In diesem Artikel erklären wir Ihnen, wie diese Algorithmen in der Praxis funktionieren und welche Vorteile sie haben. Der K-Nearest-Neighbors-Algorithmus (KNN) ist eine einfache, aber effektive Methode des maschinellen Lernens für Klassifikation und Regression.

Es gibt natürlich noch viele weitere Algorithmen, die Sie für Empfehlungen verwenden können, und im nächsten Teil der Präsentation werden einige Methoden vorgestellt, die auf Deep und Reinforcement Learning basieren. Als Beispiel zeigen wir Regeln, die aus Bankgeschäften in der Tschechischen Republik extrahiert wurden. Sie können Bankterminals empfehlen, die aufgrund früherer Abhebungen / Zahlungen relevant sind. Um diese Herausforderungen zu bewältigen, ist ⁤es von entscheidender Bedeutung, KI-gesteuerte‍ Empfehlungssysteme transparent und verantwortungsvoll zu⁣ gestalten.

Durch das Verständnis dieser verschiedenen Arten von Empfehlungssystemen und ihrer Anwendungen gewinnen wir Einblicke in ihre Bedeutung für die Verbesserung der Nutzererfahrung und -interaktion in der heutigen digitalen Landschaft. In Machine-Learning-Projekten gehört die Entwicklung von Empfehlungssystemen zu den häufigsten Anforderungen für marketingbasierte Lösungen. In diesem Artikel analysieren wir die Haupttypen, Funktionsweise sowie Vor- und Nachteile. Sie können ein neuronales Netzwerk verwenden, um die Interaktionsähnlichkeit anhand der Attributähnlichkeit vorherzusagen und umgekehrt. Sowohl der Rückruf als auch die Abdeckung sollten maximiert werden, damit wir Recommender auf genaue und vielfältige Empfehlungen ausrichten können, die es Benutzern ermöglichen, neue Inhalte zu erkunden. Tiefe Autoencoder mit mehreren versteckten Ebenen und Nichtlinearitäten sind leistungsfähiger, aber schwieriger zu trainieren.

»Nicht ein einziges Mal hat mir Meta eine Liste mit zehn Produkten vorgelegt und mich gefragt, welche davon ich mag. Deshalb schlägt Meta, der Konzern hinter Facebook und Instagram, einen anderen Weg ein, um transparent zu sein. So kann man sich inzwischen auf den Plattformen erklären lassen, warum gewisse Inhalte angezeigt werden. Zugleich gab Meta im Juni 2023 bekannt, künftig riesige KI-Modelle, »größer als die bisher größten Sprachmodelle wie GPT-4 und ChatGPT«, für ihre Empfehlungen zu nutzen. Schon jetzt macht sich der vermehrte Einsatz von KI-Modellen bemerkbar, so habe die Nutzungsdauer auf Instagram im ersten Quartal 2023 um 24 Prozent zugenommen.

Diese Daten ermöglichen es Netflix in Kombination mit den Analysefunktionen der KI, mit großer Genauigkeit vorherzusagen, welche neuen Inhalte beliebt sein werden und welche Filme oder Serien jedem Benutzer am besten empfohlen werden können. Jede Interaktion mit der Plattform, jedes angesehene oder verworfene Video wird zu einem neuen Dateneintrag, den der Algorithmus zur Verbesserung seiner Vorhersagen nutzt. Mit der Zeit ermöglicht dieser kontinuierliche Anpassungsprozess eine nahezu nahtlose Personalisierung, wodurch sich der Benutzer stärker mit den angebotenen Inhalten verbunden fühlt.

Nur so kann das System immer auf dem neuesten Stand gehalten und Nutzerpräferenzen am besten erfüllt werden. Unternehmen sollten offen über ihre Algorithmen informieren und den Nutzern Einfluss auf die Datensammlung ermöglichen. Dies ist fundamental für einen verantwortungsvollen und ethisch korrekten Einsatz von Empfehlungssystemen. Die Nutzung von Empfehlungsalgorithmen wirft bedeutende Herausforderungen und ethische Fragen auf.

Von DAAD und Goethe-Institut, er war Mitglied des Forschungsbeirats der Stiftung Wissenschaft und Politik und des Fachkollegiums Sprachwissenschaft der DFG. Lobin ist Autor von neun Monografien und hat zahlreiche Sammelbände herausgegeben. Zuletzt erschienen sind Engelbarts Traum (Campus, 2014, polnische Übersetzung 2017, chinesische Übersetzung 2018), Digital und vernetzt. Bei den SciLogs ist Henning Lobin seit https://rabonaonline.de/ 2014 Autor des Blogs “Die Engelbart-Galaxis”, nachdem er dort bereits ab 2008 am Gruppenblog “Interactive Science” beteiligt war. Die Zukunft bringt auch Herausforderungen bezüglich Ethik und Datenschutz mit sich.

Ein tiefgehendes Verständnis von Nutzerpräferenzen ist für präzise Empfehlungen unerlässlich. Diese Informationen ermöglichen es, die Bedürfnisse und Wünsche der Nutzer genau zu verstehen und vorauszusehen. Die stetige Weiterentwicklung des Empfehlungssystems ist ebenso von hoher Bedeutung. Die Best Practices sehen regelmäßige Überprüfungen und Anpassungen der Algorithmen vor.