- il y a 20 minutes
Catégorie
📺
TVTranscription
00:00Bonjour Kenza, c'est avec vous comme chaque matin dans la matinale au site de Median TV
00:04et on va parler aujourd'hui des réseaux sociaux avec des contenus qui défilent sans fin
00:09et si certaines publications apparaissent sur notre écran plutôt que d'autres,
00:15ce n'est pas du tout le fruit du hasard.
00:17Alors on s'en est certainement rendu compte parce que parfois, je ne sais pas,
00:20on parle de fourmis par exemple et puis paf, on voit apparaître des fourmis sur notre téléphone,
00:25tiens, tiens, c'est bizarre.
00:26Alors derrière ces choix, il y a des algorithmes qui analysent nos comportements
00:31pour tenter de deviner ce qui va ensuite nous intéresser.
00:35Comme quoi, on est guidé par des algorithmes et ce n'est pas l'inverse qui se produit.
00:40Alors comment fonctionnent réellement d'abord ces systèmes de recommandation ?
00:44Pour commencer, il faut se poser une question.
00:47Qu'est-ce qui se passe exactement quand on ouvre une application et que les vidéos apparaissent sur notre écran
00:51?
00:51Il faut imaginer une sorte d'immense bibliothèque de contenus, des millions de vidéos,
00:56de films, de musiques ou de publications.
00:58L'algorithme doit faire un tri pour ne nous en proposer qu'une petite sélection.
01:03Et pour y parvenir, il commence par chercher des liens.
01:05Et ces liens peuvent être de plusieurs natures.
01:07Il y a d'abord les liens entre les utilisateurs.
01:10Si deux personnes ont apprécié les mêmes films, écouté les mêmes musiques ou consulté des contenus similaires,
01:16le système peut considérer qu'elles ont des goûts proches.
01:19C'est ce qu'on appelle le filtrage collaboratif.
01:21Prenons un exemple.
01:22Vous avez tous, tous les deux, aimé Oppenheimer, par exemple.
01:25Mais vous n'avez pas encore vu le film Barbie.
01:27Une autre personne qui a apprécié les mêmes films que vous a adoré le film Barbie.
01:31L'algorithme peut alors faire une déduction.
01:34Puisque vos goûts semblent proches, ce film pourrait aussi vous plaire.
01:37Ce n'est pas une intuition, c'est une comparaison mathématique entre des comportements.
01:42Je crois que vous avez perdu votre boucle d'oreille.
01:43Oui, elle est bien là.
01:44Oui, oui, c'est qu'elle ne soit pas égarée.
01:47Alors, on comprend bien comment ça fonctionne à peu près.
01:51Alors, c'est une machine qui arrive finalement à comparer les goûts de millions de personnes en même temps.
01:58Autant dire que ça mouline dans les data centers.
02:01Mais alors, comment se font ces calculs ?
02:04Alors, il faut passer par une sorte de représentation très concrète en tableau.
02:09Imaginez 5 utilisateurs et 6 films.
02:11Dans ce tableau, chaque ligne correspond à une personne et chaque colonne a un film.
02:16On inscrit une note pour les contenus appréciés.
02:18Mais certaines cases restent vides.
02:20Tout le monde n'a pas regardé les mêmes films.
02:22L'algorithme doit donc travailler avec des informations incomplètes
02:25et repérer les ressemblances malgré ces cases manquantes.
02:28En mathématiques, ce tableau s'appelle une matrice.
02:31Le système peut ensuite transformer les préférences de chaque utilisateur en une série de nombres,
02:37ce qu'on appelle un vecteur.
02:38Il compare ces vecteurs pour mesurer à quel point deux profils se ressemblent.
02:42Une des méthodes utilisées est la similarité cosinus.
02:45Derrière ce nom un peu compliqué, l'idée est simple.
02:48On compare l'angle entre deux lignes de préférence.
02:51Plus les directions sont proches, plus les goûts sont considérés comme similaires.
02:55Imaginez deux personnes qui suivent presque le même parcours dans une bibliothèque.
02:59Elles ne choisissent pas forcément les mêmes livres,
03:02mais leur choix présente suffisamment de points communs pour que le système puisse anticiper leur prochain intérêt.
03:09Et ce n'est qu'une méthode.
03:10Il existe une autre approche, le filtrage basé sur le contenu.
03:14Ici, l'algorithme ne compare plus seulement les utilisateurs entre eux.
03:17Il analyse les caractéristiques des contenus eux-mêmes.
03:20Un film peut être décrit par son genre, ses acteurs, son réalisateur ou sa durée.
03:24Si vous regardez par exemple Interstellar, puis un autre film de science-fiction avec l'acteur Ryan Gosling,
03:30le système peut repérer des caractéristiques communes et vous proposer par exemple Blade Runner 2049.
03:35Il ne se demande donc plus seulement qui a aimé ce que vous avez aimé,
03:39il se demande aussi qu'est-ce que ces contenus ont en commun.
03:43Les deux méthodes peuvent être combinées.
03:44C'est ce qu'on appelle un système hybride.
03:47Alors tout ça, l'algorithme, il le sait dès le départ ?
03:49Ou alors est-ce qu'il apprend petit à petit comme ça à nous connaître ?
03:52Alors c'est là qu'intervient la machine learning ou apprentissage automatique.
03:57Un algorithme classique suit des règles définies à l'avance.
04:00Un modèle de machine learning, lui, apprend à reconnaître des régularités à partir de données.
04:05Pour cela, il faut d'abord transformer les informations en données exploitables.
04:08Un comportement, une caractéristique ou une préférence doit pouvoir être représentée sous forme numérique.
04:14Le modèle repère ensuite des relations entre ces données et ajuste ses paramètres pour améliorer ses prédictions.
04:20On peut l'imaginer comme un immense tableau de réglages.
04:23Chaque paramètre donne plus ou moins d'importance à une information.
04:26Le système modifie progressivement ses réglages pour réduire ses erreurs.
04:30Et dans les modèles plus complexes, on utilise notamment des réseaux de neurones artificiels.
04:35Leur fonctionnement repose sur plusieurs couches de calculs reliées entre elles.
04:39Chaque connexion possède un point mathématique.
04:41Ce poids détermine l'influence d'une information sur le résultat final.
04:45Pendant l'entraînement, le modèle ajuste ses poids pour améliorer ses prédictions.
04:49C'est un peu comme un système de filtres successifs.
04:52Chaque couche traite l'information, la transforme et la transmet à la suivante.
04:57Et à la sortie, le modèle produit une prédiction.
04:59Et cette prédiction peut être très concrète.
05:02Quel contenu a le plus de chances de vous intéresser ?
05:05Mais l'apprentissage ne s'arrête pas à la conception du modèle.
05:08Les recommandations peuvent aussi être réajustées à partir des retours des utilisateurs.
05:12Si un contenu vous est proposé et que vous le rejetez,
05:15cette information peut contribuer à modifier les suggestions suivantes.
05:19L'algorithme ne connaît donc pas vos goûts avec certitude.
05:22Il construit des hypothèses, les confronte aux données et affine ses calculs.
05:26Oui.
05:27Alors, quand on comprend, grâce à vous, Kenza, comment fonctionnent ces algorithmes,
05:32est-ce qu'on peut encore dire qu'on choisit librement ce qu'on regarde ?
05:36Eh bien, c'est toute la particularité de ces systèmes.
05:39Ils ne se contentent pas de sélectionner des contenus.
05:41Ils construisent des prédictions à partir de nos choix passés,
05:45de nos ressemblances avec d'autres utilisateurs et des caractéristiques des vidéos elles-mêmes.
05:49Et plus nous interagissons avec ces plateformes,
05:52plus elles disposent d'informations pour affiner leurs recommandations.
05:55Le terme « brain rot » est souvent utilisé pour décrire une consommation excessive de contenus numériques.
06:00Mais il ne désigne pas à lui seul un diagnostic médical.
06:03Ce que l'on peut expliquer scientifiquement, en revanche,
06:06c'est le mécanisme qui organise une partie de ce que nous voyons,
06:09une succession de prédictions mathématiques,
06:12qui tente à chaque étape de trouver le contenu susceptible de nous intéresser.
06:17Au moins, on le sait.
06:19Merci beaucoup, Kenza.
06:20Si on sait nous, c'est chaque matin dans la matinade de Médien TV.