રિકમન્ડેશન સિસ્ટમ્સ: અલ્ગોરિધમ કેવી રીતે જાણી લે છે કે તમને શું જોવું, ખરીદવું કે વાંચવું ગમશે?

તમારી રુચિને અગાઉથી પારખી લેતો અદ્રશ્ય સહાયક

તમે ક્યારેય વિચાર્યું છે કે નેટફ્લિક્સ પર કોઈ ફિલ્મ પૂરી થતાં જ આગળ કઈ ફિલ્મ જોવી તેનું સૂચન કેમ એટલું સચોટ હોય છે? અથવા ઇન્સ્ટાગ્રામ પર તમે જે વિષયમાં રસ ધરાવો છો તેવા જ રીલ્સ કેમ સતત આવતા રહે છે? આ કોઈ જાદુ નથી, પણ પડદા પાછળ કામ કરતી ગણતરીની એક જટિલ વ્યવસ્થા છે જેને ભલામણ પ્રણાલી (રિકમન્ડેશન સિસ્ટમ અથવા Recommendation System) કહેવામાં આવે છે.

આ સિસ્ટમ મુખ્યત્વે બે રીતે કામ કરે છે. પહેલી રીત તમે અગાઉ જોયેલી વસ્તુઓના ગુણધર્મો પર આધાર રાખે છે (જેને કન્ટેન્ટ-બેઝ્ડ ફિલ્ટરિંગ અથવા Content-based Filtering કહે છે). જો તમે ઢોંસા બનાવવાનો વિડિયો જોયો હોય તો તે રસોઈના અન્ય વિડિયો બતાવશે. બીજી વધુ શક્તિશાળી રીતમાં તમારા જેવા સમાન રસ ધરાવતા લોકોની પસંદગી મેળવવામાં આવે છે (જેને કોલેબોરેટિવ ફિલ્ટરિંગ અથવા Collaborative Filtering કહેવાય છે). જો તમારા જેવા અન્ય દસ લોકોને કોઈ પુસ્તક ગમ્યું હોય, તો સિસ્ટમ માની લે છે કે તમને પણ તે ગમશે.

અનુભવી ગ્રંથપાલ અને તેના હોંશિયાર વાચકો

આ વ્યવસ્થાને સમજવા માટે શહેરની એક મોટી લાયબ્રેરીના અનુભવી ગ્રંથપાલ (લાયબ્રેરિયન) ની કલ્પના કરો. જ્યારે કોઈ નવો વાચક આવે છે ત્યારે શરૂઆતમાં લાયબ્રેરિયન મૂંઝવણમાં પડે છે કે તેને શું વાંચવું ગમશે. ટેકનોલોજીમાં માહિતીના આ પ્રારંભિક અભાવને 'કોલ્ડ-સ્ટાર્ટ સમસ્યા' (Cold-start Problem) કહેવામાં આવે છે.

પરંતુ થોડા દિવસોમાં લાયબ્રેરિયન નોંધે છે કે વાચક ઇતિહાસ અને પ્રવાસના પુસ્તકો પસંદ કરે છે. સાથે સાથે તે એ પણ જુએ છે કે ઇતિહાસ પસંદ કરતા અન્ય બીજા વાચકો કઈ નવલકથાઓ વાંચી રહ્યા છે. આ રીતે તે વાચક માગ્યા વિના જ તેના હાથમાં એક ઉત્તમ નવું પુસ્તક મૂકી દે છે. કમ્પ્યુટર પણ દરેક વપરાશકર્તા અને સામગ્રીને સંખ્યાઓના એક બહુપરિમાણીય નકશા (જેને વેક્ટર એમ્બેડિંગ્સ અથવા Vector Embeddings કહે છે) માં ગોઠવીને આ જ ગણતરી કરે છે.

જ્યારે તમે ઍપ ખોલો છો ત્યારે કરોડો વિડિયોમાંથી પહેલાં થોડા હજાર યોગ્ય વિકલ્પો અલગ તારવાય છે (જેને કેન્ડિડેટ જનરેશન અથવા Candidate Generation કહે છે). ત્યારબાદ દરેક વિકલ્પ પર તમે ક્લિક કરશો કે નહીં તેની સંભાવના ગણીને ક્રમ અપાય છે (જેને ડીપ રેન્કિંગ અથવા Deep Ranking કહેવાય છે). છેલ્લે, એક જ વિષયથી તમે કંટાળી ન જાઓ તે માટે તેમાં થોડી વિવિધતા ઉમેરીને ક્રમ ફેરવાય છે (જેને રી-રેન્કિંગ અથવા Re-ranking કહે છે).

બંધિયાર કૂવો અને એકતરફી વિચારોનું જોખમ

ભલામણ પ્રણાલી આપણો સમય બચાવે છે, પણ જો ધ્યાન ન રાખીએ તો તે આપણા વિચારોને મર્યાદિત બનાવી શકે છે:

• એક જ પ્રકારના વિચારોનો ઘેરાવ (ફિલ્ટર બબલ અથવા Filter Bubble): તમે જે પ્રકારના વિચારો કે રાજકીય મંતવ્યો વારંવાર જુઓ છો, અલ્ગોરિધમ માત્ર એવા જ સમાચારો પીરસ્યા કરે છે. આનાથી દુનિયાનો બીજો સાચો પક્ષ દેખાતો બંધ થઈ જાય છે.
• સ્ક્રીન પર અતિશય સમયનો વ્યય: સિસ્ટમ એવી રચના ધરાવે છે કે તમને સતત સ્ક્રીન સાથે જકડી રાખે, જેથી જરૂરી કામકાજ ભૂલીને કલાકો સુધી નકામી સામગ્રી જોવાઈ જાય છે.
• અંગત માહિતીની સતત દેખરેખ: તમે ક્યાં અટક્યા, કયો ફોટો ઝૂમ કર્યો અને ક્યાં કેટલી સેકન્ડ વિતાવી તે બધી જ હિલચાલ નોંધવામાં આવે છે.

અલ્ગોરિધમ પર તમારો કાબૂ કેવી રીતે રાખવો?

તમે પોતે અલ્ગોરિધમને યોગ્ય દિશા આપી શકો છો અને તમારી ડિજિટલ સ્વતંત્રતા જાળવી શકો છો:

• ન ગમતી સામગ્રી પર 'Not Interested' નો ઉપયોગ કરો: મોટાભાગની ઍપ્સમાં ત્રણ ટપકાં પર ક્લિક કરીને ભલામણ નકારવાનો વિકલ્પ હોય છે. તેનો સક્રિય ઉપયોગ કરો.
• બ્રાઉઝિંગ અને વોચ હિસ્ટ્રી નિયમિત સાફ કરો: યુટ્યુબ કે સર્ચ હિસ્ટ્રી સાફ કરવાથી અલ્ગોરિધમનો જૂનો પૂર્વગ્રહ તૂટે છે અને તમને નવી સામગ્રી જોવાની તક મળે છે.
• જાતે શોધીને વૈવિધ્યપૂર્ણ વિષયો વાંચો: માત્ર ફીડમાં આવેલી વસ્તુઓ જોવાને બદલે, જાતે સર્ચ કરીને અલગ અલગ વિચારધારા અને કલાના વિષયો એક્સપ્લોર કરો.

અલ્ગોરિધમ તમારો સારો સેવક બની શકે છે પણ સારો માલિક નહીં. ટેકનોલોજીની આ ગણતરીને સમજીને ઉપયોગ કરશો તો ડિજિટલ દુનિયા તમારા જ્ઞાનને વધારશે, સંકુચિત નહીં કરે.