Netflix remplace ses recommandations par une IA plus performante

Résumé

Netflix teste GenRec, un modèle de langage maison qui transforme le comportement de visionnage en texte et surpasse son moteur de recommandations traditionnel.

Les faits

Netflix a opposé son moteur de recommandations, affiné pendant des années, à un modèle de langage interne baptisé GenRec et affirme que ce dernier obtient de meilleurs résultats. L'entreprise présente cette approche comme « une étape précoce mais prometteuse » pour faire évoluer sa personnalisation. Le système historique de recommandations de Netflix repose sur des milliers de variables conçues manuellement sur les utilisateurs, les titres et leurs interactions. Cette complexité rend coûteux l’intégration de nouveaux formats comme les jeux, les contenus en direct ou les podcasts, ainsi que l’extension vers de nouvelles zones de l’interface Netflix. À l’inverse, les modèles de langage généralistes disponibles sur le marché ne conviennent pas aux recommandations, car ils favorisent excessivement les contenus les plus populaires, inventent des titres absents du catalogue et ne respectent pas les règles métier. Pour combler ce fossé, Netflix a conçu GenRec comme un modèle propriétaire entraîné en deux étapes. Une première phase consiste à ajuster un modèle de langage à poids ouverts sur des données Netflix afin qu’il comprenne le catalogue et les comportements des abonnés. Une seconde phase de formation spécialisée transforme ce modèle en système de classement de recommandations, mis à jour plus fréquemment pour suivre l’arrivée de nouveaux contenus et l’évolution des préférences. Au lieu de coder les données utilisateurs en vecteurs numériques denses, Netflix convertit les interactions en texte. Les lectures, durées de visionnage, avis positifs ou négatifs, ajouts à la liste et abandons deviennent une forme de dialogue entre l’abonné et le système de recommandation. Le modèle identifie de lui-même des schémas comme les préférences de genre ou les changements d’intérêt, sans recourir à des caractéristiques manuscrites.

Pourquoi c’est important

L’expérimentation GenRec marque un tournant stratégique : Netflix cherche à remplacer une logique de recommandations basée sur des milliers de variables conçues à la main par un modèle de langage capable de raisonner directement sur le comportement des abonnés. En transformant les interactions en texte, la plateforme simplifie la gestion de formats émergents et prépare son système de personnalisation à des usages plus variés. Cette démarche illustre une tendance plus large où les modèles de langage ne se contentent plus de générer du texte, mais deviennent des moteurs centraux pour des systèmes critiques comme la recommandation de contenus. En testant un modèle propriétaire affiné sur ses propres données, Netflix tente de résoudre les limites des modèles génériques, jugés trop biaisés vers le contenu populaire et peu compatibles avec les contraintes de catalogue et de règles métier.

Questions fréquentes

Qu’est-ce que GenRec chez Netflix ?

GenRec est un modèle de langage propriétaire conçu pour classer les recommandations en transformant le comportement de visionnage des abonnés en texte.

Pourquoi Netflix cherche-t-il à remplacer son moteur de recommandations actuel ?

Son système historique repose sur des milliers de variables conçues à la main, ce qui complique l’ajout de nouveaux formats et la gestion de l’interface.

Pourquoi les modèles de langage standard ne suffisent-ils pas pour les recommandations Netflix ?

Netflix souligne qu’ils favorisent trop les contenus populaires, inventent des titres inexistants et ne respectent pas les règles métier.

Comment Netflix entraîne GenRec ?

Netflix ajuste d’abord un modèle à poids ouverts sur ses données, puis le forme une seconde fois pour le transformer en système de classement de recommandations.

Comment GenRec représente-t-il le comportement des abonnés ?

Les lectures, durées de visionnage, avis, ajouts à la liste et abandons sont convertis en texte et interprétés comme un dialogue avec le système.

Source

Auteur

Rédaction spécialisée dans la veille et l'analyse de l'actualité de l'intelligence artificielle, des puces IA, des robots, des agents IA et de la recherche.