В середине 1990-х главной проблемой интернета считали навигацию. Информации стало слишком много: как ориентироваться в десятках тысяч сайтов? Звучит забавно. Но именно тогда концепт «дружелюбного гида» породил рекомендательные алгоритмы. Которые сегодня контролируют уже не просто сеть, а по сути всю цивилизацию.
Принцип первой коллаборативной фильтрации был прост: если у вас схожие вкусы с соседом, значит, то, что ищет он, подойдет и вам. Механическое сарафанное радио как способ спастись от информационной перегрузки.
Это был еще человеческий этап: система смотрела на поведение толпы и переносила его на индивида. Схема Amazon с его «вам также понравится» оказалась настолько хороша, что используется до сих пор.
А затем пришла матричная факторизация от Netflix. Пользователей разобрали на латентные факторы. Системе не нужно знать, что «Иван купил красные кеды». Она знает, что вектор предпочтений на 0,8 совпадает с фактором «спортивный стиль», на 0,6 — с «авангардным дизайном», и на 0,3 — с «низкой ценой». Люди стали математической абстракцией, набором координат в пространстве признаков.
Третий этап: предиктивная тотальность глубоких нейросетей. Архитектуры уже не угадывают фильм, который продолжит прежнюю историю просмотров. А просчитают всю последовательность действий. Примерно так: «Через три дня тебе станет скучно, и чтобы удержать от ухода к конкуренту, нужно показать этот трейлер в 19:47».
Анализ цифрового следа включает не только лайки и покупки, но и задержку курсора, скорость скролла, и даже читает эмоции по микромимике (через фронтальные камеры). Текущие системы анализируют до миллиона действий пользователя за всю его историю.
Достаточно зайти в сервис с лентой (маркетплейс, видеохостинг, соцсеть) и сделать 10–15 прокруток, чтобы сгенерировать поле вариантов для 1000+ рекомендаций в день. которые еще и улучшаются в реальном времени. Принцип косинусной близости эмбеддингов оценивает привлекательность контента. А серендипность ищет объекты, которые формально нерелевантны, но неожиданно подходят пользователю.
Сложность алгоритмов Google или TikTok — это их главный козырь и 2/3 от капитализации. Но всё равно, потери от отказов от покупок, когда клиент не нашел искомое, это ~$2 трлн в год и корпорации делают всё, чтобы получить эти деньги.
Оперируя миллиардами параметров, алгоритмы сводят многомерность к ключевым показателям. Ответ на которые не только закрывают базовые потребности личностей (желаемый товар — зона комфорта). Но и задают им новые интересы. Это не помощь. А расширение области монетизации.
Алгоритмы поделили людей на сегменты по прогнозируемой ценности. Они не аудитория, а сырье. Парадокс, но такая коммерция — еще безобидная часть.
Главный риск не в том, что алгоритмы знают о нас слишком много, а в том, что на основе этих знаний они конструируют окружение. Информационный пузырь — не метафора. Составляя маршрут потребления контента, алгоритмы буквально задают восприятие мира, которое становится единственно возможным.
Петли обратной связи зацикливают новости и посты под считанный психотип, чтобы вызвать нужную реакцию. Из ленты исчезает всё, что потребителю не нравится, создавая самоподдерживающуюся реальность. Вы перестаете сталкиваться с чужими мнениями. Это не цензура, это «чуткий сервис».
Чем точнее алгоритм угадывает желания, тем сильнее деградирует самостоятельность. Кьеркегор писал о «страхе свободы». Пожалуйста — проблемы больше нет. И теперь представьте линейное развитие отрасли и новый мир через 15 лет: рекомендательные алгоритмы плюс интерфейс мозг-компьютер. Сказочное будущее.
Альтернатива? Метод SMMR, где алгоритм периодически сам добавляет «неожиданности». Но как то не верится в его непредвзятость. Так что остаются решения от Яндекс или Rutube. Которые технически уступают Google в угадывании желаний — и парадоксально дают пользователям больше самостоятельности в своих мыслях и поступках.
#Алгоритмы #Контроль #Будущее #Технологии