اختبرت Netflix نموذجها الجديد GenRec ضد نظام التوصيات القديم الذي طورته على مدى سنوات، فتفوق عليه بنتائج أفضل مع استهلاك كمية أقل بكثير من البيانات المدربة.

النظام الحالي في Netflix يعتمد على آلاف الميزات المصنوعة يدويًا بشأن المستخدمين والمحتوى والتفاعلات. هذا التعقيد يجعل إضافة أنواع محتوى جديدة مثل الألعاب والبث المباشر والبودكاست مكلفة جداً. النماذج اللغوية الجاهزة لا تحل المشكلة، فهي تركز على المحتوى الشهير وتوهم بعناوين غير موجودة وتتجاهل القواعد التجارية.

GenRec يعمل على حل هذا الفجوة. يدرب Netflix نموذجًا خاصًا على مرحلتين. أولاً، يتم ضبط نموذج لغوي مفتوح الوزن على بيانات Netflix لفهم الكتالوج وسلوك المستخدمين. ثم يتحول في مرحلة ثانية إلى نظام تصنيف توصيات يُحدث باستمرار. بدلاً من تحويل بيانات المستخدمين إلى أرقام معقدة، يحولها إلى نصوص عادية، حيث تصبح الحلقات والمدة والتقييمات وإضافات القوائم حوارًا بين المستخدم والنظام.

في اختبار أونلاين استمر أربعة أسابيع على 10% من حركة المستخدمين، ارتفع مقياس السلوك على الشاشة الرئيسية بـ 0.115%، وتحسن مقياس أساسي طويل الأمد بـ 0.006%. كلا الارتفاعين أكبر من أن يعزى للصدفة. النظام الجديد احتاج إلى 40 مرة أقل من الأمثلة المصنفة في مرحلة التدريب الثانية للوصول لهذه النتائج.

ترى Netflix أن GenRec جزء من حركة أوسع نحو استخدام نماذج لغوية موحدة لتطبيقات متعددة بدلاً من بناء بنى معمارية مخصصة لكل مهمة. العمل ينتقل من صناعة ميزات إضافية إلى اختيار أي الإشارات تدخل المدخل وبأي كمية. الشركة تصف GenRec بأنه "خطوة مبكرة لكن واعدة" وليس استبدالاً كاملاً للنظام القائم حاليًا.