Blay

NY Times körde nyligen en artikel om rekommendationssystem. Netflix har utlyst en tävling med prissumma på 1 miljon dollar till den som kan göra deras rekommendationssystem för filmer 10% bättre på att förutsätta användarnas betygsättning. Ett antal team från hela världen jobbar med problemet nu men när de närmar sig 1+ procents förbättring stannar allas framsteg av. Det visar sig att ett fåtal filmer, men Napoleon Dynamite i spetsen är notoriskt svåra att förutspå betygsättningen på. Rekommendationsystem som dessa har sin historia i 90-talets “machine learning”. Problemet de försökte angripa var valet blev övermäktigt när onlinebutiker började dyka upp med 100 000-tals titlar, samtidigt som ett helt ekosystem av rekommendationer hade försvunnit. Rekommendationer från vänner, butiksägare, bläddrande genom hyllplan. Dessa skulle istället ersättas av algoritmer som till skillnad mot vännerna vet mycket lite om dig som person (Netflix använder inte ens demografisk data i rekommendationerna) men däremot förlitar sig på att hitta mönster i en mängd dataspår som du - och miljontals andra - lämnar efter sig. Istället för att samla en mängd information om en individ försöker de här systemen dra slutsatser utifrån lite data per person, men insamlad data från miljontals människor. Den här mönsterigenkänningen är ingen exakt vetenskap. Flera av de som deltar i Netflix-tävlingen säger sig inte ha haft någon tidigare erfarenhet av detta utan lärt sig matematiska trix under tiden. Dessutom beskriver flera av dem sina egna system som svarta lådor med en inre logik som de själva inte ens förstår sig på. Så, tillbaka till de notoriskt svårbedömda filmerna. Förutom Napoleon Dynamite hittar vi även Kill bill och Lost in Translation bland dessa. Vad har dessa gemensamt? Jag lutar åt att alla dessa på ett eller annat sätt bryter med den klassiska filmiska formen med en historia som utvecklar sig mellan en början och ett slut. Napoleon dynamite är inte en helhet utan snarare en serie sammanlänkade scener som i sig är roliga. Typexemplet är den berömda dansen som utförs av Napoleon som fungerar alldeles utmärkt att klippa ut och lägga upp på Youtube. Man behöver varken se vad som kommer före eller efter. Detta är en skillnad mot klassisk film där varje scen bara får betydelse i förhållande till en totalitet. Jämför med Deleuze koncept om att assemblage har “relations of exteriority” - ett assemblage består av komponenter som inte är beroende av en totalitet utan kan kopplas in i andra assemblage samtidigt som assemblaget får sin essens från relationerna mellan dessa komponenter.

a component part of an assemblage may be detached from it and plugged > into a different assemblage in which its interactions are different. > […] Relations of exteriority also imply that the properties of the > component parts can never explain the relations which constitute a > whole.

Kill Bill består också av ett antal nätverkade scener om inte i sig är beroende av helheten. Lost in Translation fungerar något annorlunda. Här har vi snarare att göra med en stämning som bygga upp av ett nätverk av scener. Varje scen är i sig inte youtube-vänlig på samma sätt som i Kill Bill och Napoleon Dynamite, men vi skulle kunna tänka oss att vi byter plats på en mängd scener i Lost in Translation utan att filmen förändras nämnvärt. Detta innebär två saker. För det första förlängs livslängden på filmerna bortom första visningen eftersom det blir meningsfullt att se om vissa scener t.ex. på youtube. Fragment av filmen kan leva vidare även om man bara ser den i sin helhet en gång. Detta är såklart lysande ur varumärkessynpunkt. För det andra öppnar det här upp för transmedialt berättande och rörlig bild som en process snarare än som produkt. Vi kan tänka oss att filmerna splittas upp ännu mer och består av än mer separerade delar som nätverkas samman. Än så länge har den här typen av transmedialt berättande inte tagit sig långt bortom marknadsföring men möjligheterna finns där. Det här skulle då förklara att betyget på Netflix fluktuerar så mycket. Vissa bedömmer filmerna som totalitet och då blir betyget lågt. Andra ser till de enskilda scenerna och då blir betyget högt. Artikeln diskuterades också på Jaiku och där togs det upp att Napoleon dynamite är en film som bara är rolig i en social kontext. På samma sätt kräver kanske Lost in Translation att man redan på förväg befinner sig i en viss stämning. Problemet med rekommendationssystemen är att de dels antar att en films värde ligger i innehållet och inte i kontexten i vilken den upplevs, dels att en persons smak är något man bär med sig och inte något man skapar i varje situation. De tar i beaktning att smak förändras över tiden och därför väger äldre betyg lättare än nya, men förutom dessa linjära förändringar är det mycket svårt att förutspå de icke-linjära, komplexa systemen, alltså kontexten. Rekommendationssystem fungerar alltså bättre på en viss typ av film som passar för en viss typ av kontext. Samma sak kan vi se gäller för musik. Jämför till exempel klubbmusik som det är omöjligt att fälla ett värdeomdöme om utanför den mixen, den stämningen och den substanspåverkan man befann sig i när man hörde den. Lättare är det att betygsätta popmusik. Rekommendationssystem baserade på algoritmisk mönsterigenkänning kommer nog se sig förd åt sidan av rekommendationssystem baserade på sociala nätverk och hör på många sätt till en era där internet sågs som ett virtuellt arkiv av information snarare än något som kopplar samman människor och ting.