Comment Netflix sait ce que vous aimez ?
Une exploration visuelle des "recettes" mathématiques qui devinent vos goûts.
Ce n'est pas de la magie, ce sont des maths !
Vous êtes-vous déjà demandé comment YouTube ou Spotify semblent lire dans vos pensées ? Ce sont des algorithmes complexes, appelés "systèmes de recommandation", qui analysent des données pour prédire ce qui vous plaira. Ce voyage montre comment ces algorithmes ont évolué, d'idées simples à des intelligences artificielles complexes.
1. Le "Dis-moi qui tu suis..." (Filtrage Collaboratif)
C'est l'idée la plus simple : si vous avez les mêmes goûts que d'autres personnes, on vous recommandera les choses qu'ils ont aimées (et que vous n'avez pas encore vues).
La Logique : Trouver un "Jumeau de Goûts"
Calculer la Similarité
La première étape consiste à trouver vos "jumeaux" en calculant un score de similarité (comme la Corrélation de Pearson). Les utilisateurs avec un score élevé ont plus de "poids" dans vos recommandations.
2. La "Recette Secrète" (Factorisation Matricielle)
Cette méthode est plus maligne. Elle suppose que chaque film est une "recette" d'ingrédients cachés (facteurs latents) et que vous avez des préférences pour ces ingrédients (ex: "Action", "Romance", "Humour").
Compresser les Goûts
Le système "apprend" les 30 ingrédients secrets qui expliquent le mieux toutes les notes connues.
Comparer les "Recettes" des Films
Votre note prédite est simplement le "match" entre votre profil de goûts et la recette du film. Un blockbuster Sci-Fi et une comédie romantique ont des recettes très différentes.
3. Le "Super-Cerveau" (Deep Learning)
Les recettes simples manquent des interactions complexes. Par exemple, vous aimez "Action" + "Comédie", mais pas "Action" toute seule. Le Deep Learning utilise un "cerveau" artificiel (réseau de neurones) pour apprendre ces relations compliquées.
Le Chemin du Réseau Neuronal
4. Le "Réseau Social" des Films (GNNs)
Cette méthode voit tout comme un grand réseau social connectant utilisateurs et films. Pour comprendre vos goûts, l'algorithme "propage des messages" à travers le réseau, collectant l'info de vos films, des autres gens qui les ont aimés, etc.
Apprendre des Connexions
5. Le "Professeur de Français" (LLMs)
La frontière actuelle. Cette méthode traite votre historique de goûts comme une *phrase*. Le modèle (un Transformer) lit cette "phrase" et devine quel "mot" (film) la complète le mieux.
"Attention" sur Votre Historique
Pour prédire le prochain film, le modèle accorde plus ou moins d'"attention" à ce que vous avez vu avant.
L'Évolution en un clin d'œil
Chaque nouvelle méthode est devenue plus complexe, plus coûteuse en calcul, et plus "opaque" (difficile à comprendre pour un humain).
| Approche | Opération Centrale | Complexité | Niveau "Boîte Noire" |
|---|---|---|---|
| Filtrage Collaboratif | Moyenne Pondérée par Similarité | Faible | Faible (Explicable) |
| Factorisation Matricielle | Produit Scalaire de Vecteurs Latents | Moyenne | Moyenne (Facteurs abstraits) |
| Deep Learning (NCF) | Fonctions de Réseau Non-linéaires | Élevée | Élevée (Opaque) |
| Graph Neural Networks | Agrégation de Voisins sur Graphe | Élevée | Très Élevée (Structurelle) |
| LLMs (Transformers) | Mécanisme d'Auto-Attention | Très Élevée | Extrême (Émergente) |