الگوریتم در نقشِ شو‌رانر؛ نتفلیکس چگونه سلیقه مخاطب را مهندسی می‌کند؟

از الگوریتم‌های سنتی تا هوش مصنوعی پرسشگر

نتفلیکس (Netflix) سال‌هاست که با سیستم‌های توصیه‌گر (Recommendation Systems) خود به عنوان پیش‌رو در تحلیل داده‌های کلان شناخته می‌شود. اما ابزار جدید AI Discover تغییر جهت استراتژیک این غول استریمینگ را نشان می‌دهد. تا پیش از این، ما با یک سیستم منفعل طرف بودیم؛ الگوریتم‌هایی که بر اساس «آنچه قبلاً دیده‌اید»، پیشنهادهای بعدی را حدس می‌زدند. حالا اما با یک تغییر پارادایم روبرو هستیم: تعامل فعال. نتفلیکس دیگر منتظر نمی‌ماند تا کدهای رفتاری شما را رمزگشایی کند، بلکه مستقیماً از شما می‌پرسد: «امشب چه حسی داری؟»

این رویکرد که در قالب یک «آشپزخانه آزمایشگاهی» (Test Kitchen) برای زیرمجموعه‌ای از کاربران فعال شده، نشان‌دهنده درک جدید پلتفرم از فرسودگی مخاطب است. وقتی با هزاران ساعت محتوا روبرو هستیم، «فلج انتخاب» (Choice Paralysis) به بزرگترین دشمن سرویس‌های استریم تبدیل می‌شود. هوش مصنوعی جدید نتفلیکس با ورود به فاز پرسش و پاسخ، تلاش می‌کند فاصله میان «میل به تماشا» و «فشردن دکمه پلی» را به حداقل برساند. این دقیقاً همان جایی است که ریتم داستان‌گویی در مدیوم تلویزیون با مهندسی داده تلاقی پیدا می‌کند.

چرا کلیف‌هنگرها دیگر کافی نیستند؟

مشکل اصلی در دنیای فعلی، فقط کمبود محتوا نیست؛ مشکل، عدم انطباق محتوای موجود با نیاز لحظه‌ای بیننده است. شو‌رانرها همیشه تلاش می‌کنند با کلیف‌هنگر انتهای اپیزود، مخاطب را به اپیزود بعدی بکشانند، اما اگر کاربر در وهله اول وارد سریال نشود، تمام آن پیچیدگی‌های داستانی و آرک روایی کاراکتر در طول فصل بلااستفاده می‌ماند. نتفلیکس با AI Discover می‌خواهد مطمئن شود که هر کاربر در بهترین زمان ممکن، با محتوایی مواجه می‌شود که با «مود» (Mood) آن لحظه او همخوانی دارد.

این ابزار جدید عملاً مانند یک ویراستار ارشد عمل می‌کند. وقتی ابزار از شما درباره علایق‌تان می‌پرسد، در واقع دارد ورودی‌های لازم را برای فیلتر کردن دیتابیس عظیم خود جمع‌آوری می‌کند. اگر شما در حال تجربه «بینج‌واچینگ» (Binge-watching) هستید، سیستم ممکن است درام‌های فشرده و کوتاه را پیشنهاد دهد. اگر به دنبال تجربه‌ای عمیق‌تر هستید، سراغ سریال‌های پر‌جزئیات HBO-style می‌رود. این یک گام بزرگ برای مدیریت خستگی مخاطب است؛ هدایت هوشمندانه کاربر به سمتی که احتمال انصراف او از تماشا به صفر برسد.

معماریِ سلیقه؛ تهدیدی برای نوآوری یا ابزار نجات؟

اینجا یک پرسش فنی و البته اخلاقی مطرح می‌شود: آیا هوش مصنوعی باعث می‌شود ما فقط در دایره‌ای از محتواهای تکراری حبس شویم؟ اگر سیستم همیشه به ما چیزی را بدهد که «فکر می‌کند» دوست داریم، چه اتفاقی برای کشف آثار خلاقانه و خارج از کلیشه می‌افتد؟ توسعه جهان داستانی و اسپین‌آف‌ها (Spin-offs) که امروزه به سکه رایج نتفلیکس تبدیل شده، با این ابزار جدید می‌تواند به یک چرخه بسته تبدیل شود. سیستم یاد می‌گیرد که شما از سریال‌های جنایی خوشتان می‌آید و مدام نسخه‌های مشابه را به شما تحمیل می‌کند.

از سوی دیگر، برای شو‌رانرهایی که روی پروژه‌های «های‌کانسپت» (High-Concept) کار می‌کنند، این ابزار یک فرصت است. اگر هوش مصنوعی بتواند مخاطب هدفِ دقیق این سریال‌ها را پیدا کند، ریسک شکست پروژه‌های جسورانه کاهش می‌یابد. نتفلیکس با این کار، در حال ساخت یک «اتاق نویسندگان» (Writers' Room) مجازی است که به جای کاغذ و قلم، با دیتای سلیقه کاربران کار می‌کند. این یعنی در آینده، ممکن است نه تنها پیشنهاد تماشا، بلکه حتی مسیر داستانی سریال‌ها نیز بر اساس ترجیحات استخراج شده از این ابزارهای هوشمند توسط سیستم‌های تحلیل‌گر تعیین شود.

آینده کنداکتور استریمینگ و مرزهای هوش مصنوعی

حرکت نتفلیکس در پیاده‌سازی AI Discover، زنگ خطری برای سایر رقبا نظیر اپل تی‌وی پلاس (Apple TV+) و دیزنی پلاس (Disney+) است. در حالی که اپل تی‌وی پلاس بر کیفیتِ انتخابِ دستی و «کیوریت‌کردن» (Curating) محتوا تأکید دارد، نتفلیکس به سمت اتوماسیون کامل پیش می‌رود. این استراتژی، تفاوت بنیادین در نگاه کلان به مدیریت محتوا را آشکار می‌کند. نتفلیکس می‌خواهد به جای یک «کتابخانه»، یک «تجربه شخصی‌سازی‌شده» باشد که در آن کاربر حتی نیازی به جستجو ندارد.

در نهایت، باید دید آیا این ابزار می‌تواند خستگی مخاطب از انتخاب‌های بی‌پایان را درمان کند یا خیر. اگر نتفلیکس بتواند با این ابزار، نرخ حفظ بیننده (Retention Rate) را در فصل‌های جدید بالا ببرد، یعنی الگوریتم توانسته جای خالی سلیقه انسانی را پر کند. اما برای من به عنوان یک ناظر، هنوز هم جذابیت اصلی یک سریال در «غیرقابل پیش‌بینی بودن» آن است؛ چیزی که شاید هیچ هوش مصنوعی، هر چقدر هم پیشرفته، نتواند پیش از تماشا به ما وعده بدهد.