Depuis plus de 20 ans, une des valeurs clés de Netflix est de déterminer comment apporter une expérience unique à chaque membre de sa communauté.
Les algorithmes de recommandation sont donc au cœur de la plateforme. En raison de leur importance, les équipes d'ingénieurs cherchent continuellement à améliorer les recommandations tout en faisant progresser l'état de l'art dans ce domaine.
Ce travail de recherche se base sur l'utilisation des données que les membres fournissent sur le contenu qu'ils regardent et apprécient, et sur la façon dont ils interagissent avec le service. Cela permet de mieux comprendre ce que sera potentiellement le prochain titre à voir absolument pour chaque membre.
Cette approche de la personnalisation ne se base pas uniquement sur les données historiques. L'analyse des réactions face aux recommandations via des tests A / B font partie d'un cycle d'expérimentation à long terme pour optimiser l'ensemble du process de personnalisation.
Le traitement des goûts et des préférences humaines est un problème extrêmement difficile. Et si vous couplez ce paramètre avec les millions de titres disponibles sur Netflix, le problème peut devenir insurmontable.
Automatiser le process de personnalisation — la clé du succès de Netflix
Créer un classement personnalisé, générer des pages, rechercher, sélectionner des images, envoyer des messages, mobilisent fortement les équipes de Netflix. Produire la recommandation parfaite pour tous les membres du service serait quasi mission impossible sans le recours à l'apprentissage automatisé et la reconnaissance d'images.
Dans un récent article publié sur le techblog de Netflix, il est fait état de l'ensemble des astuces utilisées pour optimiser l'illustration de chaque titre proposé. Les images mettant en scène les moments les plus représentatifs d'un film ou d'une série sont décisives pour capturer l'attention des membres.
Pour trouver les illustrations parfaites, Netflix aide ses équipes créatives en utilisant AVA. Il s'agit d'une collection d'outils et d'algorithmes conçus pour faire émerger les meilleurs scènes pour représenter un titre dans les recommandations et les résultats de recherche Netflix.
Les variables de sélection sont objectives, mesurables et principalement contenues au niveau du pixel. Quelques exemples de propriétés visuelles sont la luminosité, la couleur, le contraste et le flou de mouvement.
Source : Netflix.
D'autres métadonnées entrent en jeu dans la sélection automatisée. Elles sont composées d'une combinaison d'éléments qui sont agrégés pour dériver le sens des actions ou du mouvement des acteurs, des objets et de la caméra dans la scène.
Source : Netflix.
Puis viennent ensuite s'agréger des données concernant la composition esthétique selon la règle de 3, la profondeur de champ et la symétrie. Et pour finir, un filtre concernant les contenus potentiellement violents ou inadaptés pour certains publics.
Une fois que chaque image d'une vidéo est traitée et annotée, l'étape suivante consiste à injecter les «meilleurs» candidats de ces images via un pipeline automatisé d'illustration. Ainsi, lorsque les équipes de création commencent à travailler pour illustrer un contenu, elles reçoivent automatiquement un jeu d'images de haute qualité.
Ces illustrations sont ensuite incorporées dans le flux de contenus et proposer de manière personnalisée à chaque membre en fonction de son historique d'actions et de ses préférences de styles et d'acteurs.
Chez Netflix, la recommandation personnalisée est un process en constante évolution. Il reste encore un long chemin à parcourir avant d'avoir la recommandation parfaite pour chaque membre. Néanmoins, avec toutes ses innovations, Netflix est l'acteur de la personnalisation à suivre dans les prochains mois.
On en parle ?!
Avez-vous des commentaires, des questions, de l'amour ou de la haine ? Envoyez tout ça à contact@netwave.eu 💌, ou, envoyez un tweet à @netwavecorp
Rédigé par : @GuillaumePalayer - Magazine du Webdesign.