Telefonum Beni mi Dinliyor? Öneri Algoritmalarının Şaşırtıcı Matematiği

Ürkütücü Tesadüf

Hepimiz yaşadık: bir arkadaşınızla bir üründen ya da bir tatil yerinden bahsettiniz; birkaç saat sonra, telefonunuzda tam da onun reklamı belirdi. İçinizden "telefonum beni dinliyor olmalı" dediniz. Bu yaygın bir korkudur ve mantıklı görünür.

Ama gerçek genellikle farklıdır — ve bir bakıma daha da etkileyicidir. Çoğu durumda telefonunuz sizi dinlemiyor. Bunun yerine, sizi tanımlayan verileri kullanan öneri algoritmaları o kadar iyi çalışıyor ki, ne isteyeceğinizi siz söylemeden tahmin edebiliyor. Dinlemeye ihtiyaçları yok; çünkü davranış kalıplarınız zaten konuşuyor.

Temel Fikir: "Sana Benzeyenler"

Öneri sistemlerinin kalbindeki en güçlü fikir, işbirlikçi filtreleme (collaborative filtering) denen zarif bir yaklaşımdır. Mantığı çok basittir ve aslında günlük hayattaki "tavsiye" mantığının matematikselleştirilmiş hâlidir:

"Sana zevk olarak çok benzeyen insanlar şunu sevdiyse, sen de büyük olasılıkla seversin."

Bir film platformu düşünün. Sistem sizin hakkınızda tek tek "şu türü sever" gibi etiketler tutmaz. Bunun yerine, milyonlarca kullanıcının izleme ve beğenme kalıplarına bakar. Sizinle aynı filmleri beğenmiş kullanıcıları bulur ve onların sevip sizin henüz izlemediğiniz filmleri size önerir. Sistem o filmin "ne hakkında" olduğunu bilmek zorunda bile değildir — sadece "sana benzeyen insanlar bunu sevdi" der.

Matematiği: Herkesi Bir Sayı Listesine Çevirmek

Peki "benzerlik" matematiksel olarak nasıl ölçülür? İşte burada doğrusal cebir devreye girer. Her kullanıcı, dev bir sayı listesi (vektör) olarak temsil edilir: her sayı, o kişinin belirli bir şeye (bir film, bir ürün, bir konu) ne kadar ilgi gösterdiğini ifade eder.

İki kullanıcının ne kadar benzediğini ölçmek, bu iki sayı listesinin ne kadar "aynı yöne baktığını" hesaplamaktır. İki kişinin tercihleri benzer yönde ilerliyorsa, matematiksel "benzerlik skorları" yüksek çıkar. Sistem, size en benzer kullanıcıları bu skorlara göre bulur. Aynı yöntem ürünler için de çalışır: "bu ürünü alanlar şunu da aldı" önerileri, ürünleri sayı listeleri olarak temsil edip aralarındaki benzerliği ölçmekten doğar.

Daha gelişmiş sistemler, bu devasa veriyi sıkıştırmak için matris çarpanlarına ayırma gibi teknikler kullanır. Kabaca, milyonlarca kullanıcı ve ürünü, birkaç gizli "zevk boyutuna" indirgerler — örneğin "ne kadar aksiyon sever", "ne kadar romantik sever" gibi sistemin kendiliğinden keşfettiği soyut eksenler. Sizi ve her ürünü bu az sayıda eksende konumlandırıp eşleştirme yaparlar.

Neden Dinlemeye Gerek Yok?

Şimdi o "ürkütücü tesadüf" çözülüyor. O üründen bahsettiğiniz arkadaşınız da muhtemelen sizinle benzer bir profile sahip ve son zamanlarda o ürüne bakmıştı. Sistem, sizin gibi insanların o dönemde o ürüne yöneldiğini fark etti ve size de gösterdi. Ya da o ürün, demografik ve davranışsal olarak sizin grubunuzda zaten popülerdi. Konuşmanız ile reklam arasındaki bağ, dinlemeden değil, istatistiksel benzerlikten kaynaklanıyordu. (Teknik olarak mikrofon dinlemesi mümkündür ama pahalı, riskli ve çoğu zaman gereksizdir — çünkü davranış verisi zaten yeterince güçlüdür.)

İki Yüzlü Bir Güç

Bu algoritmalar inanılmaz derecede yararlı olabilir: aradığınız bir şeyi keşfetmenize, yeni müzikler bulmanıza, ilgili içeriklere ulaşmanıza yardım ederler. Ama bir karanlık tarafları da vardır:

• Yankı odaları: Sürekli "sevdiğinize benzer" şeyler gösterilince, farklı bakış açılarıyla karşılaşmanız azalabilir.
• Mahremiyet: Sizi bu kadar iyi tahmin edebilen sistemler, ne kadar veri topladığımız ve nasıl kullanıldığı konusunda ciddi sorular doğurur.

Öneri algoritmaları, matematiğin ne kadar sessiz ama güçlü olabileceğinin çağdaş bir kanıtıdır. Telefonunuz sizi dinlemiyor olabilir; ama davranışlarınızı doğru sayılara çevirip, sizi binlerce başka insanla kıyaslayan bir matematik, çoğu zaman ne istediğinizi sizden önce biliyor. Bu hem büyüleyici hem de üzerinde düşünmeye değer: bizi en iyi tanıyan, artık bir komşu değil, bir benzerlik denklemi.