Les recommandations sont l'un des éléments les plus importants de l'expérience Netflix. Le moteur de recommandation original de Netflix a été construit sur des milliers de fonctionnalités artisanales couvrant les utilisateurs, les éléments et les interactions. Bien que de nombreux changements aient eu lieu dans cette pile au fil des ans, elle reste assez complexe. Il est coûteux d'intégrer de nouveaux cas d'utilisation.
Les grands modèles de langage (LLM) ont fait de grands progrès dans leur capacité à recommander des choses à un utilisateur. Grâce à leur connaissance plus large du monde et à leur compréhension du langage, les LLM font un bon travail pour trouver les relations entre différentes choses. Cependant, vous ne pouvez pas simplement prendre un LLM prêt à l'emploi pour générer des recommandations pour une entreprise comme Netflix. C'est pourquoi l'équipe d'ingénierie de Netflix a construit Gen Rec.
L'idée de base derrière Gen Rec est d'utiliser un LLM pour mieux comprendre l'historique de visionnage d'un utilisateur afin d'attribuer des scores aux différents films et émissions de télévision diffusés sur Netflix. Netflix doit apporter un certain nombre d'ajustements au modèle de base pour le faire fonctionner avec son contenu et le comportement des membres.
Un système de recommandation doit répondre à une question de base : Que devrait apparaître en premier dans la liste des recommandations ? L'ordre des recommandations est géré par un composant connu sous le nom de ranker. Il attribue des scores à divers éléments en fonction de leur pertinence apparente pour un utilisateur particulier dans une situation particulière. Meilleur est le score d'un élément, plus il apparaît haut.
Source: ByteByteGo · Résumé par HeadlinesBriefing