In de MediaTalk van mei sprak Eduardo Barbaro van IBM over de geschiedenis van AI en de mogelijkheden. Ondanks dat ik me al enige tijd bezighoud met media en AI (ik heb zelfs een heel rapport over ‘Kansen voor AI in Media’ opgesteld), heb ik door zijn presentatie toch weer nieuwe inzichten opgedaan.
Een van die inzichten was dat aanbevelingen, recommendations, moeilijker zijn dan schaken. Deep Blue, de schaakcomputer van IBM, won voor het eerst van Kasparov in 1997. Dat was toen wat. Nu denk ik: “1997 alweer, wat vliegt de tijd”. En pas sindsdien heeft AI echt stappen gemaakt. Waarom is het maken van aanbevelingen dan zo ingewikkeld?
Andere tak van sport
Schaken is een spel met regels. Een bord, stukken, twee spelers, een begin en hopelijk een eind. Mijn zoontje leerde me al de narrenmat en de herdersmat. Twee openingen waarmee je iemand binnen no-time kunt verslaan. Een grootmeester trapt daar natuurlijk niet in. Maar uiteindelijk speelt ook een grootmeester binnen een set van regels, die uiteindelijk door een computer gelijk of beter zouden moeten kunnen worden doordacht.
Aanbevelingen zijn een hele andere tak van sport. Daar draait het vooral om datapunten. Niemand kent de regels, die zijn er ook niet. Intussen worden categorieën content bedacht die voorheen helemaal niet bestonden. Netflix raadt mij zo al tijden: “series met sterke vrouwelijke hoofdrollen” aan. Een hele nieuwe categorie naast actie, romantiek, western, etc.
Perfecte aanbevelingen?
Vroeger, in de begindagen van Netflix (van 2005 tot 2010) heb ik het systeem mee ontworpen voor een Nederlandse Netflix-concurrent. Helaas hadden we niet de funding van 100 miljoen die Netflix destijds al had. Ons systeem is nog gebruikt door Videoland, wat nu van RTL is. Wij hebben het helaas niet gered, maar we kunnen zeggen: “we waren erbij”. Onze aanbevelingen bestonden uit het berekenen van vectoren van kijkhistorie van klanten, “mensen die dit leuk vonden, vonden ook dat leuk”. Eenvoudig, maar op zich goed, zou je denken. Nu echter schijnt er ook gekeken te worden naar hoe vaak je kijkt, waar je bent, hoe vaak je op pauze drukt om naar het toilet te gaan of een biertje te halen, etc. etc. etc. De belofte is dat de aanbevelingen perfect zijn. Maar zijn de aanbevelingen er beter op geworden? Open je het mailtje “Netflix heeft een nieuwe serie toegevoegd waarvan we denken dat jij hem leuk vindt” vol verwachting met kloppend hart? Nee.
De mens is onvoorspelbaar
Als ik een schaakzet voorgesteld krijg op chess.com dan denk ik: “dat zou best eens een goede kunnen zijn”. Als ik een Netflix aanbeveling krijg, dan denk ik: “eens kijken wat voor onzin ze me nu weer willen laten kijken”. Het hele frame is anders. Alhoewel schaken eenvoudiger lijkt en uiteindelijk eindig is in zijn mogelijkheden, is het voor ons mensen onoverzichtelijk. Je moet een grootmeester zijn om het echt te doorzien. Weten wat je leuk vindt om te kijken of te luisteren is voor ons mensen echter veel eenvoudiger, alhoewel die wereld oneindig en fuzzy is. Wat voor een mens eenvoudig is, is voor een algoritme ingewikkeld en andersom.
Hoe lang zou het nog duren voordat we echt goede aanbevelingen krijgen? Spotify is een eind op weg, omdat muziek nu eenmaal ook heel anders te analyseren is dan video. Ik las laatst dat NBD-Biblion met hun startup Bookarang boeken net zo probeert te analyseren als Spotify met muziek doet. Misschien dat dat ook ooit met video zou kunnen. Maar de mens? Die blijft creatief, onvoorspelbaar, altijd een beetje verveeld en op zoek naar nieuws, binnen zijn kaders. Die zijn gelukkig kneedbaar en niet eindig, zoals bij schaken.