L’exemple de TikTok : apprendre à partir des comportements
Pour beaucoup, qui dit algorithmes dit… TikTok ! En effet, l’algorithme de cette plateforme de partage vidéo a réussi à se faire connaitre grâce à sa grande réactivité et à sa précision. À tel point que certains jeunes ont parfois l’impression que l’algorithme les connait. Mais pourquoi le système de recommandation de TikTok est si efficace ?
Des signaux très rapides
Pendant longtemps, la durée maximale des vidéos sur TikTok était située entre une et trois minutes. Bien que ce maximum ait été augmenté depuis, l’usage fait que la plupart des vidéos sur TikTok restent généralement très courtes.
Les réactions des utilisateur·rices apparaissent donc rapidement : swiper, regarder jusqu’au bout, revoir la vidéo, liker, commenter, etc. Il suffit souvent de quelques secondes pour savoir si un contenu va leurs plaire ou non.
Ces interactions fournissent des signaux très rapides au système. Ce système permet donc à l’algorithme de la plateforme d’apprendre rapidement les préférences d’un·e utilisateur·rice et donc, d’adapter rapidement les contenus qui seront proposés.
Le rôle du machine learning
Les systèmes de recommandation utilisent aujourd’hui des techniques de machine learning, que l’on traduit en français par l’apprentissage automatique.
L’idée principale est la suivante : au lieu de programmer à l’avance toutes les règles qui déterminent quels contenus seront montrés aux utilisateur·rices, on conçoit des systèmes capables d’apprendre d’eux-mêmes à partir d’ensemble de données.
Ces systèmes permettent d’analyser d’énormes quantités de données : interactions, comportements, caractéristiques des contenus, temps de visionnage… Le système apprend donc en continu : chaque interaction fournit de nouvelles données qui permettent d’améliorer les recommandations.
Sur base de ces données, les algorithmes cherchent à identifier ce que l’on appelle des patterns. Autrement dit, ils distinguent des motifs ou des modèles récurrents dans les comportements des utilisateur·rices.
Le système repère donc des régularités, par exemple :
Ces récurrences leur permettent d’améliorer continuellement les recommandations et d’anticiper ce qui pourrait intéresser un·e utilisateur·rices.
Sur TikTok, le fil « pour toi » fonctionne largement grâce au machine learning. Lorsque quelqu’un commence à utiliser l’application, l’algorithme dispose de peu d’informations. Il va donc tester différents types de contenus et observer les réactions de l’utilisateur·rice. À partir de ces signaux, le système construit progressivement le profil de l’utilisateur·rice.
L’analyse automatique du contenu
En plus d’analyser les réactions des utilisateur·rices, les algorithmes peuvent aussi analyser directement les contenus. Cela permet à la plateforme de comprendre de quoi parle une vidéo même avant qu’elle ne devienne populaire ou qu’elle ne soit visionnée.
Ces systèmes de reconnaissances peuvent par exemple identifier des objets dans une vidéo, détecter de la musique ou même identifier les thèmes qui sont abordés.
Cela permet de classer les contenus dans différentes catégories et de les proposer aux utilisateur·rices intéressé·es par ces sujets. Par exemple, lorsqu’une nouvelle vidéo apparaît sur TikTok :
Si ces premiers spectateurs et spectatrices réagissent positivement (visionnage complet, likes, partages, etc.), la vidéo sera ensuite recommandée à un public similaire.
À retenir
