Comment fonctionnent les algorithmes de recommandation : l'IA qui façonne votre fil d'actualité

Chaque fois que quelqu'un ouvre YouTube, TikTok ou une application similaire, le logiciel classe des milliers de vidéos, de musiques ou de messages possibles en une fraction de seconde et décide lequel afficher en premier. Ceci est un système de recommandation : un ensemble d'algorithmes conçus pour prédire quels éléments un utilisateur spécifique est le plus susceptible de vouloir, à partir d'un catalogue trop large pour que n'importe quelle personne le parcoure manuellement.

Les deux idées fondamentales derrière chaque recommandeur

Selon le glossaire technique de NVIDIA sur les systèmes de recommandation, la plupart des moteurs combinent deux approches fondamentales. Le filtrage collaboratif suppose que si les gens ont fait des choix similaires dans le passé, ils seront probablement d'accord sur les futurs aussi, donc le système recherche des utilisateurs aux schémas de comportement correspondants et recommande ce que ces utilisateurs similaires ont aimé. Le filtrage basé sur le contenu examine plutôt les attributs des éléments eux-mêmes — genre, acteurs, caractéristiques audio, balises — et suggère des éléments similaires à ceux avec lesquels un utilisateur a déjà interagi.

Le glossaire de NVIDIA ajoute une troisième couche utilisée par certaines plates-formes : le filtrage contextuel, qui prend en compte les détails situationnels tels que le type d'appareil, l'heure de la journée ou la localisation. À titre d'exemple, il cite la pratique de Netflix de pondérer le pays, l'appareil, la date et l'heure auxquels un titre a été regardé, ainsi que le visionnage lui-même.

Les systèmes modernes remplacent ou complètent de plus en plus ces approches par l'apprentissage profond. NVIDIA décrit des méthodes telles que le Filtrage Collaboratif Neuronal, qui combine la factorisation matricielle avec des réseaux de neurones multicouches pour capturer les relations non linéaires entre utilisateurs et éléments, et des modèles basés sur les séquences utilisant des réseaux récurrents ou des Transformers pour apprendre les modèles dans l'ordre duquel un utilisateur regarde ou écoute les choses.

Ce que les plateformes disent que leurs propres algorithmes optimisent

Les entreprises publient rarement leur code de classement complet, mais certaines décrivent les objectifs et les signaux derrière. La salle de presse de TikTok déclare que son fil Pour Vous classe les vidéos à l'aide de trois catégories de signaux : les interactions des utilisateurs (mentions « j'aime », partages, abonnements, commentaires et ce qu'une personne crée), les informations vidéo (légendes, sons, hashtags) et les paramètres de l'appareil ou du compte (langue, pays, type d'appareil). TikTok affirme que ces signaux sont pondérés différemment — un signal fort, comme regarder une vidéo plus longue jusqu'à la fin, compte pour plus qu'un signal faible, comme partager une géographie générale avec d'autres spectateurs.

TikTok déclare explicitement que le nombre de followers et l'historique de vidéos performantes d'un créateur ne sont pas des facteurs directs du fait qu'une vidéo donnée soit recommandée. L'entreprise déclare également qu'elle mélange délibérément du contenu en dehors des intérêts exprimés d'un utilisateur et évite d'afficher des vidéos consécutives du même créateur ou utilisant le même son, décrivant ceci comme un moyen de donner aux gens « des opportunités supplémentaires de découvrir de nouvelles catégories de contenu » plutôt que d'être confinés à un fil étroit.

Le site officiel « Comment fonctionne YouTube » de YouTube décrit l'objectif de son système de recommandation comme la compréhension de ce dont un spectateur a besoin et la fourniture d'une expérience de visionnage qui le laisse satisfait, plutôt que de simplement maximiser le temps de visionnage. Il énumère les entrées alimentant les recommandations comme le comportement de visionnage et l'historique de visionnage, l'engagement explicite tel que les mentions « j'aime » et les suppressions de mentions « j'aime », les abonnements et les commentaires directs, la réputation et la qualité d'une chaîne, et les tendances plus larges parmi l'audience générale, pas seulement l'historique d'une personne. YouTube déclare qu'il complète les données comportementales avec des enquêtes de satisfaction et des équipes d'évaluateurs externes pour vérifier si le contenu recommandé est de haute qualité, et que pour les sujets sensibles tels que les actualités, les finances, la santé ou la science, il accorde un poids supplémentaire aux sources fiables.

Pourquoi deux personnes ne voient jamais le même fil d'actualité

Parce que le filtrage collaboratif compare le comportement d'un utilisateur à celui d'autres utilisateurs, et le filtrage basé sur le contenu compare les éléments à l'historique propre d'une personne, aucuns deux comptes ne portent un mélange identique de signaux — historiques de visionnage différents, abonnements différents, appareils et emplacements différents. TikTok déclare directement qu'aucuns deux utilisateurs ne verront la même combinaison de vidéos sur leur fil Pour Vous. YouTube et TikTok disent également que le système continue à se mettre à jour à chaque nouvelle interaction, de sorte qu'un fil d'actualité observé le matin peut déjà paraître différent le soir en fonction de ce qui a été regardé, ignoré ou marqué comme « non intéressé » entre-temps.

À quel point les gens pensent-ils que ces systèmes sont précis ?

La recherche sur la façon dont les gens perçoivent réellement la personnalisation algorithmique est plus limitée que la littérature d'ingénierie. Un sondage du Centre de recherche Pew publié le 16 janvier 2019 a demandé aux utilisateurs de Facebook les catégories d'intérêt et les traits que la plateforme leur avait assignés pour le ciblage publicitaire. Il a constaté que 74 % des utilisateurs ne savaient pas que cette liste de traits existait jusqu'à ce que le sondage les y conduise, et seulement 12 % en étaient conscients auparavant. Une fois leurs propres catégories montrées, 59 % ont déclaré que les étiquettes reflétaient raisonnablement ou très précisément leurs intérêts réels, tandis que 27 % ont désapprouvé ; 51 % ont déclaré se sentir mal à l'aise avec le fait que la plateforme compile de telles listes même quand elles les considéraient comme précises. Le sondage a couvert 963 utilisateurs de Facebook aux États-Unis, âgés de 18 ans et plus, sondés du 4 septembre au 1er octobre 2018.

Les utilisateurs peuvent-ils influencer ou limiter l'algorithme ?

Les deux entreprises décrivent des contrôles accessibles aux utilisateurs. La page officielle de YouTube note que les utilisateurs connectés peuvent mettre en pause, modifier ou supprimer leur historique de recherche et de visionnage à tout moment, ce qui alimente directement ce que le système de recommandation apprend. TikTok dit que les mentions « j'aime », les abonnements, les commentaires, l'exploration de hashtags et les touches explicites « Non intéressé » ajustent les futures recommandations, en plus des catégories d'intérêt qu'une personne peut sélectionner lors de la configuration initiale d'un compte.