Συστήματα συστάσεων και οικονομία της προσοχής

Η εποχή που διανύουμε, αναντίλεκτα, χαρακτηρίζεται ως η εποχή της πληροφορίας. Κάθε στιγμή, τεραστία ποσά πληροφορίας παράγονται και διακινούνται στο διαδίκτυο. Ενδεικτικά, αξίζει να αναφερθεί ότι κάθε λεπτό που περνάει, 60 ώρες νέου υλικού προστίθεται στην πλατφόρμα youtube. Παράλληλα, τεράστια ποσά πληροφορίας διακινούνται στα μέσα κοινωνικής δικτύωσης, στις ιστοσελίδες ενημέρωσης, στις πλατφόρμες παράγωγης και διανομής πολυμεσικού υλικού, καθώς και στα ηλεκτρονικά καταστήματα. Και όλα αυτά τα μέσα προσπαθούν να διεκδικήσουν ταυτόχρονα την περιορισμένη σε διάρκεια προσοχή του καταναλωτή. Ο ανταγωνισμός αυτός παράγει ένα νέο οικοσύστημα, το οποίο είναι γνωστό με τον όρο «οικονομία της προσοχής». Οι πόροι αυτής της οικονομίας ένιαι οι χρήστες, και οι ηλεκτρονικές υπηρεσίες ανταγωνίζονται προκειμένου να κερδίσουν την προσοχή και το χρόνο τους. Όσο περισσότερο χρόνο αφιερώνουμε στα προϊόντα τους, τόσο μεγαλύτερη δύναμη αποκτούν.

Γράφουν οι

Δρ. Μελίνα Μολέσκη, συνεργαζόμενο εκπαιδευτικό προσωπικό, τμήμα πληροφορικής, πανεπιστήμιο Νεάπολις Πάφου

Δρ. Σάββας Χατζηχριστοφής, αναπληρωτής καθηγητής τεχνητής νοημοσύνης, πανεπιστήμιο Νεάπολις Πάφου, μέλος της ομάδας SCIENCE HOAXES

Πολλές φορές, για τις εταιρείες αυτές, οι χρήστες είναι το ίδιο το προϊόν. Για παράδειγμα, όσο περισσότεροι επισκέπτες, και  όσο περισσότερο χρόνο περνάνε αυτοί στο Facebook, τόσο πιο δελεαστική γίνεται η πλατφόρμα για τους διαφημιστές. Ως αποτέλεσμα, οι εταιρείες επενδύουν εκατομμύρια στην παραγωγή ενός συστήματος ψηφιακής ντοπαμίνης, η οποία οδηγεί στον εθισμό των χρηστών στις υπηρεσίες τους. Και ένας από αυτούς τους μηχανισμούς παραγωγής ψηφιακής εξάρτησης είναι τα συστήματα συστάσεων (Recommender Systems).

ΤΙ ΕΙΝΑΙ ΤΑ ΣΥΣΤΗΜΑΤΑ ΣΥΣΤΑΣΕΩΝ ΚΑΙ ΠΩΣ ΛΕΙΤΟΥΡΓΟΥΝ;

Τα συστήματα συστάσεων στην πραγματικότητα είναι μια ειδική κατηγορία αλγορίθμων που χρησιμοποιούνται προκειμένου να προτείνουν επιλογές στους χρήστες των ηλεκτρονικών υπηρεσιών. Είναι στο σύστημα το οποίο προσπαθεί να προσωποποιήσει τις διαθέσιμες υπηρεσίες μιας πλατφόρμας προκειμένου να βελτιώσει το αίσθημα της ικανοποίησης του χρήστη. Για κάθε έναν από εμάς, το περιεχόμενο το οποίο βλέπουμε στην κεντρική σελίδα του Youtube είναι διαφορετικό, και σύμφωνο με τις προτιμήσεις μας. Τα προϊόντα που προτείνει το Amazon, οι διαφημίσεις που βλέπουμε στο Facebook, οι ταινίες που επιλέγει το Netflix, τα τραγούδια που διαμορφώνουν τη λίστα μας στο Spotify, όλα προσεκτικά επιλεγμένα να ικανοποιήσουν τις δικές μας επιλογές. Οι έξυπνοι αλγόριθμοι προσπαθούν να χαρτογραφήσουν λεπτομερώς το προφίλ των προτιμήσεων μας και να μας παρέχουν τις καταλληλότερες επιλογές, κρατώντας μας δέσμιους στον ιστό των εταιρειών που υπηρετούν. Όσο καλύτερες είναι οι προτάσεις τους, τόσο περισσότερο χρόνο αφιερώνουμε στην υπηρεσία. Και όσο ο χρόνος αυξάνεται, τόσο γιγαντώνεται ο εθισμός μας.

Η τεχνολογία πίσω από την αρχή λειτουργίας των αλγορίθμων αυτών ποικίλει. Η αποδοτικότητα τους δε εύκολα μπορεί να αξιολογηθεί. Αν επιχειρήσει κανείς να χωρίσει τους αλγορίθμους συστάσεων σε γενικές κατηγορίες, εύκολα θα διαπιστώσει ότι μπορούν να διαμορφωθούν 2 τεχνοτροπίες. Η πρώτη τεχνοτροπία υιοθετεί τις αρχές του «φιλτραρίσματος βάσει συνεργασίας» ενώ η δεύτερη αυτές του «φιλτραρίσματος βάσει του ιδίου του περιεχομένου».

Η αρχή λειτουργίας των αλγορίθμων «φιλτραρίσματος βάσει συνεργασίας» στηρίζεται στην υπόθεση ότι άτομα με παρόμοιες επιλογές, ενδεχομένως να παρουσιάζουν κοινά ενδιαφέροντα. Κάθε υπηρεσία που κάνει χρήση αυτής της μορφής των αλγορίθμων διατηρεί ένα προφίλ χρήστη, στο οποίο καταγράφει τις επιλογές του, τις αξιολογήσεις του και το ιστορικό πλοήγησης του στην υπηρεσία. Οι αλγόριθμοι προσπαθούν να εντοπίσουν χρήστες με παρόμοιες επιλογές και να τους ταξινομήσουν σε ομάδες. Με τον τρόπο αυτό, οι επιλογές του ενός μέλους της ομάδας, γίνονται προτάσεις για τα υπόλοιπα μέλη. Υποθέτουμε για παράδειγμα ένα σύνολο χρηστών στο Amazon Prime οι οποίοι παρακολούθησαν τις ίδιες σειρές και ταινίες, αφήνοντας παρόμοιες αξιολογήσεις. Οι χρήστες αυτοί, με βάση τον αλγόριθμο, διαμορφώνουν μια ομάδα. Αν μία νέα είσοδος στην πλατφόρμα προσελκύσει το ενδιαφέρον μιας μεγάλης μερίδας των μελών της ομάδας, τότε αυτόματα μετατρέπεται σε πρόταση για τα υπόλοιπα μέλη. Έχοντας ως δεδομένο το μεγάλο αριθμό συνδρομητών, εύκολα μπορεί η πλατφόρμα να χαρτογραφήσει άτομα παρόμοιου προφίλ και να διαμορφώνει ομάδες με σχετική υψηλή ομοιότητα στα κριτήρια επιλογής.

Αντίθετα, οι αλγόριθμοι «φιλτραρίσματος βάσει του περιεχομένου» στηρίζουν τις προτάσεις τους στο ίδιο το περιεχόμενο. Για κάθε χρήστη της πλατφόρμας, ο αλγόριθμος διαμορφώνει το προφίλ των προτιμήσεων του. Στη συνέχεια, για κάθε καταχώρηση που εισέρχεται στην πλατφόρμα, ο αλγόριθμος αναλύει το περιεχόμενο αυτής και το παρουσιάζει ως πρόταση μόνο στους χρήστες που ενδεχομένως να ενδιαφέρονται. Ας υποθέσουμε για παράδειγμα την πλατφόρμα μιας υπηρεσίας που προσφέρει διαδικτυακή μουσική. Η πλατφόρμα γνωρίζει για κάθε συνδρομητή της, τα είδη της μουσικής που τον ενδιαφέρουν (rock, pop, κλπ.). Η πληροφορία αυτή μπορεί να εισάγεται από τον ίδιο το χρήστη ή να προκύπτει παρακολουθώντας τις μέχρι σήμερα επιλογές του. Για κάθε νέο μουσικό κομμάτι που ανεβαίνει στην πλατφόρμα, ο αλγόριθμος αναλύει, είτε τα δεδομένα που το συνοδεύουν (καλλιτέχνης, δισκογραφική εταιρεία, κλπ.) είτε το ίδιο το μουσικό κομμάτι (αξιολογώντας το ρυθμό ή το ύφος του τραγουδιού) και το ταξινομεί σε συγκεκριμένο είδος μουσικής. Το αποτέλεσμα αυτής της αξιολόγησης τροφοδοτεί την πλατφόρμα με πληροφορία, ικανή να εντοπίσει  το σε ποιους συνδρομητές της μπορεί να το προτείνει.

Αξίζει να σημειωθεί ότι η ραγδαία εξέλιξη της τεχνητής νοημοσύνης τα τελευταία χρόνια, οδήγησε στη διαμόρφωση εξαιρετικά ευφυών και αποδοτικών μοντέλων συστάσεων τα οποία χρησιμοποιούν τεχνικές και από τις 2 οικογένειες αλγορίθμων. Ένα παράδειγμα καλού υβριδικού αλγορίθμου χρησιμοποιείται από την πλατφόρμα Netflix. Οι προτάσεις προς τους συνδρομητές της συγκεκριμένης υπηρεσίας  στηρίζονται τόσο στις επιλογές των χρηστών με παρόμοιο προφίλ όσο και στα προσωπικά χαρακτηριστικά του χρήστη, όπως αυτά διαμορφώθηκαν από τις έως τώρα αξιολογήσεις του.

ΓΙΑΤΙ ΕΙΝΑΙ ΧΡΗΣΙΜΑ ΓΙΑ ΤΟΝ ΚΑΤΑΝΑΛΩΤΗ;

Μερικοί από εμάς θα θυμούνται ότι το Netflix (όταν ιδρύθηκε το 1997) ήταν αρχικά μια εταιρεία ενοικίασης DVD μέσω ταχυδρομείου, μέχρι που έκανε μετάβαση σε υπηρεσία streaming το 2007. Αυτό που λίγοι από εμάς γνωρίζουμε είναι ότι, για να προσελκύσουν πελάτες για εγγραφή στην καινούρια υπηρεσία, οι άνθρωποι της Netflix έτρεξαν το ακόλουθο πείραμα: Ρώτησαν τους πελάτες “Για ποιο πράγμα θα θέλατε να μάθετε περισσότερα προτού εγγραφείτε στο Netflix;”. Η πιο δημοφιλής απάντηση (46% των απαντήσεων) ήταν «η γνώση όλων των διαθέσιμων ταινιών και τηλεοπτικών εκπομπών». ‘Έτσι, η πλατφόρμα αποφάσισε να εμφανίζει στους πελάτες όλο το διαθέσιμο περιεχόμενο στην αρχική σελίδα. Τα αποτελέσματα όμως δεν ήταν αυτά που περίμεναν. Η εμφάνιση υπερβολικά μεγάλου όγκου περιεχομένου μπέρδευε τους θεατές καθιστώντας την επιλογή ταινίας ακόμα πιο δύσκολη. Πολλοί από αυτούς έκαναν περιήγηση χωρίς να εγγραφούν ποτέ.

Τελικά το Netflix επανασχεδίασε το πείραμα. Αυτή τη φορά η πλατφόρμα σχεδιάστηκε με τέτοιο τρόπο ώστε να προσφέρει μια κλεφτή ματιά – αλλά όχι τη συνολική προβολή – από το περιεχόμενο. Χρησιμοποίησαν μια εικόνα που υπαινίσσεται έναν εκτενή κατάλογο ανά θεματική ενότητα, μη επιτρέποντας στους επισκέπτες να περιηγηθούν στη μακροσκελή λίστα. Αυτός ο σχεδιασμός αύξησε το ενδιαφέρον των επισκεπτών, ενισχύοντας ταυτόχρονα την πιθανότητα μετατροπής τους σε συνδρομητές στην υπηρεσία streaming. Με αυτόν τον τρόπο το Netflix αντιμετώπισε το φαινόμενο της «υπερφόρτωσης επιλογών» (choice overload).

Το φαινόμενο αυτό, γνωστό και ως «παράλυση λόγω επιλογής» ή το «παράδοξο της επιλογής», περιγράφει πώς οι άνθρωποι δυσκολευόμαστε να επιλέξουμε όσο μεγαλώνει ο αριθμός των επιλογών. Αυτό συμβαίνει λόγω περιορισμένων γνωστικών πόρων. Συνεπώς, όσο περισσότερες επιλογές έχουμε να εξετάσουμε, τόσο πιο πολύ επιβαρύνονται τα γνωστικά μας συστήματα και αποστραγγίζεται η ενέργειά μας (decision fatigue). Η «υπερφόρτωση επιλογών» πολλές φορές μας παραλύει, μάς αποτρέπει από το να πάρουμε οποιαδήποτε απόφαση εκείνη τη στιγμή (action paralysis). Παράλληλα, οι έρευνες δείχνουν πως ο μεγάλος όγκος επιλογών συνδέεται με χαμηλότερη εμπιστοσύνη στην επιλογή μας, με μεγαλύτερη πιθανότητα να μετανιώσουμε για την απόφασή μας και με μειωμένη ικανοποίηση γενικότερα.

ΑΠΑΛΛΑΓΗ ΑΠΟ ΥΠΕΡΦΟΡΤΩΣΗ ΕΠΙΛΟΓΩΝ

Τα συστήματα σύστασης μεταμορφώνουν την ανθρώπινη επιλογή και μας απαλλάσσουν από «υπερφόρτωση επιλογών». Μια μελέτη που διεξήχθη από τη McKinsey δείχνει ότι το 35% των προϊόντων που αγοράζουν οι καταναλωτές στο Amazon και το 75% όσων παρακολουθούν στο Netflix βασίζονται σε συστάσεις από τέτοια συστήματα. Σε μια εποχή όπου η « καλύτερη επιλογή» έχει μικρότερη σημασία από τις «αρκετά καλές επιλογές», τα μοντέλα συστάσεων έχουν ενταχθεί για τα καλά στην καθημερινότητά μας. Επηρεάζουν ολοένα και περισσότερο τις επιλογές μας σε ρούχα, ψυχαγωγία, τρόφιμα και φάρμακα. Επηρεάζουν επίσης τα κείμενα που στέλνουμε, τους φίλους με τους οποίους επικοινωνούμε, τους υποψήφιους πελάτες στους οποίους δίνουμε προτεραιότητα, τους ειδικούς που αναζητούμε, τους υποψήφιους που προσλαμβάνουμε, τις επενδύσεις που επιλέγουμε και τα χρονοδιαγράμματα που ακολουθούμε.

Το LinkedIn συλλέγει από το προφίλ των χρηστών δεδομένα σχετικά με την εκπαίδευση, την ειδικότητα, την εμπειρία και τις δεξιότητες τους. Παράλληλα, προτείνει στο χρήστη θέσεις εργασίας για τις οποίες ενδεχομένως να ενδιαφέρεται, καθώς και άτομα που η αξιοποίησή τους μπορεί να φέρει προστιθέμενη αξία σε επιχειρήσεις. Σε ένα άλλο παράδειγμα, το Gmail προτείνει ολόκληρες φράσεις επαγγελματικής αλληλογραφίας με βάση κείμενο προηγούμενων συνομιλιών σε παλαιότερα emails. Κάθε εβδομάδα, το Spotify δημιουργεί ένα νέο εξατομικευμένο playlist 30 τραγουδιών για κάθε συνδρομητή το οποίο βασίζεται στις πρόσφατες μουσικές επιλογές του. Το Amazon και άλλα ηλεκτρονικά καταστήματα προτείνουν επιπρόσθετα προϊόντα βάσει των επιλογών άλλων πελατών που αγόρασαν το ίδιο προϊόν. Οι αλγόριθμοι του Tinder εντοπίζουν τα μοτίβα swipe left, swipe right ενός χρήστη και τα χρησιμοποιούν για να προβλέψουν την πιθανή σωματική έλξη μεταξύ ζευγαριών, διαμορφώνοντας έτσι μελλοντικές προτάσεις προς τους χρήστες. Η Humu παρέχει συμβουλευτικές υπηρεσίες για τη χρήση συστημάτων συστάσεων για βελτίωση αποδοτικότητας του ανθρώπινου δυναμικού. Η IBM και η Salesforce χρησιμοποιούν και προσφέρουν τέτοια συστήματα ως πλατφόρμες εσωτερικής παραγωγικότητας όσον αφορά το σχεδιασμό καμπάνιας και στοχευμένες πωλήσεις.

ΣΥΜΠΕΡΑΣΜΑΤΑ

Χωρίς αμφιβολία, η επιβίωση των διαδικτυακών υπηρεσιών στηρίζεται στην αποδοτικότητα των συστημάτων συστάσεων που χρησιμοποιούν. Το μέλλον όμως αυτών των συστημάτων κρύβει προκλήσεις, με μεγαλύτερη ίσως τη διαμόρφωση καθολικών προτάσεων, ακόμα και στην περίπτωση που δεν έχει προηγηθεί άμεση αναζήτηση. Φαντασθείτε ένα απογευματινό περίπατο στο εμπορικό κέντρο. Ξαφνικά το κινητό σας, σάς ενημερώνει ότι στο κατάστημα που βρίσκεται στο δεξί σας χέρι, υπάρχει σε προσφορά το κινητό που μόλις πριν από λίγες μέρες αναζητήσατε, εκδηλώνοντας ενδιαφέρον, σε διάφορες ιστοσελίδες.

Σημαντικό είναι να τονιστεί το θέμα χρήσης προσωπικών δεδομένων. Η αξία που απορρέει από τις αξιόπιστες συστάσεις (όσον αφορά εξοικονόμηση χρόνου, ενέργειας και φαιάς ουσίας, αλλά και ικανοποίηση από την τελική επιλογή) δικαιολογεί στο μυαλό των (περισσότερων) καταναλωτών τη χρήση προσωπικών πληροφοριών – δεδομένου ότι τηρείται η διαφάνεια κι εμπιστευτικότητα.

Τέλος, αξίζει να σημειωθεί ότι η σύσταση αφορά τη διασφάλιση καλύτερων επιλογών, όχι υπακοή ή συμμόρφωση. Οι μηχανές συστάσεων δεν επιδιώκουν να επιβάλουν βέλτιστες, καλύτερες ή σωστές απαντήσεις στους χρήστες. Αντίθετα, ο σκοπός και ο στόχος τους είναι η μεγαλύτερη ενδυνάμωση και δράση (αντί παράλυση). Όπως η ατμομηχανή ξεκίνησε ενεργειακά μια βιομηχανική επανάσταση, οι μηχανές συστάσεων επαναπροσδιορίζουν τη διορατικότητα και την επιρροή σε μια αλγοριθμική εποχή. Όπου η επιλογή έχει σημασία, οι συστάσεις ανθίζουν και αυτός ο βαθύς ψηφιακός μετασχηματισμός επιλογής θα γίνει πιο διάχυτος όσο οι συστάσεις γίνονται πιο έξυπνες. Καλύτερες συστάσεις σημαίνουν πάντα καλύτερες επιλογές.

Από το περιοδικό «Insider» Φεβρουαρίου