Vom Algorithmus zur künstlichen Intelligenz – Wie funktionieren die Vorschläge bei YouTube?

Mehr als 70 Prozent der Zeit, die Nutzer auf YouTube verbringen, sehen diese vom YouTube-Algorithmus empfohlene Videos. Das sagt zumindest Neal Mohan, der als Chief Product Officer (CPO) bei Google für die Videoplattform zuständig ist. Dahingegen beträgt die Zeit, die die Nutzer Inhalte schauen, nach denen sie selbst aktiv gesucht haben, lediglich 30%. Wie schafft es YouTube, uns also so treffsicher die richtigen Videos vorzuschlagen? Und ist das noch ein Algorithmus oder schon Künstliche Intelligenz?

Vor 2012: Anzahl der Videoaufrufe als Status Quo

Hier gibt es nicht sonderlich viel zu sagen. Zu dieser Zeit steckte YouTube noch verhältnismäßig in den Kinderschuhen. Seit der Gründung im Jahr 2005 und der Übernahme durch Google ein knappes Jahr später zählte nur eine Kennzahl: die Videoaufrufe. Die nach Klickzahlen beliebtesten Videos wurden am prominentesten platziert – ein sehr simples System mit einem eher wenig komplexen Algorithmus.

Das große Problem: dieses System belohnte Clickbaiting, also das Erhaschen von Aufrufzahlen mit möglichst reißerischen, oft unwahren Videotiteln. Selbst wenn Nutzer nach wenigen Sekunden das Video wieder wechselten, war der Videoaufruf da und das Video somit mehr Leuten vorgeschlagen.

Zwischen 2012 und 2016: Ansichtsdauer und Sitzungsdauer

Im Laufe von 2012 wurde der Algorithmus neu ausgerichtet. Ab dann wurden die Vorschläge ausschließlich nach der Ansichtsdauer von Videos und der auf der Plattform insgesamt verbrachten Zeit ausgerichtet.

Jetzt fand also erstmals die Optimierung hinsichtlich der auf YouTube verbrachten Zeit statt. Diese Kennzahl gilt auch heute noch als der heilige Gral. Denn je länger Nutzer Videos schauen, desto mehr Werbeanzeigen sehen sie auch. Auch wenn hierdurch Schattenseiten für die Videoqualität und die Kanalbetreiber entstehen, aus rein ökonomischer Sicht ist dies wahrscheinlich die beste Kennzahl.

Dennoch fließen heute mehr Informationen als lediglich die Zeit in den Algorithmus ein. Dies liegt vor allem daran, dass diese Kennzahl alleine auf Dauer ebenso wenig haltbar war, wie die Videoaufrufe. Videos wurden bewusst unnötig in die Länge gezogen und die vom Titel versprochenen Inhalte erst nach langer Zeit oder gar nicht gezeigt. Alles in der Hoffnung, die Zuschauer länger zu fesseln und somit vom Algorithmus besser bewertet zu werden.

Ab 2016: Machine Learning erhält Einzug in den YouTube-Algorithmus

Ende 2016 wurde der Algorithmus erneut angepasst und um Elemente des maschinellen Lernens erweitert. Ab jetzt kann man also von einer künstlichen Intelligenz sprechen, die für die Vorschläge zumindest mitverantwortlich ist. Im entsprechenden Whitepaper erklärte Google ungewöhnlich ausführlich die Hintergründe der Änderungen. Allerdings blieb die zugrundeliegende Logik des Algorithmus und wie genau das maschinelle Lernen Einfluss auf diesen hat, weiter ein gut gehütetes Geheimnis.

Kurz zusammengefasst sollten die Änderungen dazu beitragen, die Optimierung der Vorschläge zu verbessern. Außerdem sollten Tricksereien, um den Algorithmus zu manipulieren, weiter eingedämmt werden. Nach wie vor galt die Ansichtsdauer von Videos als wichtigster Faktor.

2016 bis 2018: Probleme durch Filterblasen und Fake News

Der mittlerweile zur waschechten künstlichen Intelligenz ausgestaltete Algorithmus muss sich der gleichen Kritik stellen, wie beispielsweise die Systeme von Facebook, Twitter und Co.: Durch die zu starke Personalisierung der Vorschläge entstehen Filterblasen. Radikale und oftmals schlichtweg falsche Informationen werden nicht ausreichend gekennzeichnet oder entfernt.

Das enge Zuschneiden der Vorschläge auf die Interessen einer einzelnen Person ist beispielsweise bei Hobby- und Freizeitthemen tendenziell kein Problem. Sobald es allerdings an Themen der politischen Bildung und Nachrichten geht, stellt das ein großes Problem dar. Die künstliche Intelligenz kann nämlich (noch) nicht zwischen wahren und unwahren Nachrichten unterscheiden und auch ethische Gesichtspunkte muss sie erst lernen.

Für YouTube bedeutet das nicht nur moralische Probleme, sondern auch eine starke ökonomische Bedrohung. Viele Marken ziehen sich zumindest vorübergehend von der Plattform zurück. Selbst bei Werbeschaltung auf ausschließlich „markensicheren“ Kanälen kommt es immer wieder vor, dass diese im Zusammenhang mit zumindest problematischen Videos ausgeliefert wird.

2018 bis 2019: Optimierung der künstlichen Intelligenz

Deshalb wird die künstliche Intelligenz weiter angepasst. Einerseits durch das Schaffen von Stellen für sogenannte „Kuratoren“, die Inhalte bewerten und löschen. Bei 400 Stunden Videomaterial, die jede Minute hochgeladen werden, ist es aber ein aussichtsloses Unterfangen, jedes Video manuell zu prüfen.

Vielmehr soll so die künstliche Intelligenz trainiert werden, bessere Vorschläge zu liefern. Und vor allem solche Videos von den Vorschlägen auszuschließen, die gegen ethische oder moralische Standards verstoßen.

Als zweite Maßnahme wird Kanälen, die eben solche Inhalte verbreiten, die Option zur Monetarisierung entzogen. Das bedeutet, dass solche Kanäle keine Vergütung für eingeblendete Werbung mehr erhalten. Hierdurch soll den Betreibern die Motivation zur Verbreitung von falschen Inhalten genommen werden. Kanäle, die klar gegen geltendes Recht verstoßen, werden außerdem nun deutlich schneller gesperrt und ihre Videos gelöscht.

Doch auch gegen diese Maßnahmen regt sich Kritik: Teilweise berichten Betreiber legitimer Kanäle, grundlos von der Monetarisierung ausgeschlossen worden zu sein. Letztendlich wird YouTube auch hier auf manuelle Maßnahmen zurückgreifen müssen, um die künstliche Intelligenz weiter zu verbessern und differenzierter entscheiden zu lassen.

Auf welcher Basis entscheidet die künstliche Intelligenz von YouTube heute?

Künstliche Intelligenzen arbeiten am effizientesten, wenn die Optimierung hinsichtlich einer einzelnen Variablen erfolgt. Bei YouTube ist diese seit 2012 und trotz allen damit einhergehenden Schwierigkeiten nach wie vor die Ansichtsdauer der Nutzer. Dabei stützt sich die künstliche Intelligenz auf folgende Leistungsdaten der Videos:

• Wie oft andere Nutzer das Video angesehen haben, nachdem es vorgeschlagen wurde
• Wie lange Nutzer das entsprechende Video angesehen haben
• Wie schnell das Video an Beliebtheit gewinnt, also die Wachstumsrate der Ansichten
• Wie neu ein Video ist (Sehr neue Videos erhalten teilweise eine bessere Bewertung, damit diese überhaupt eine Chance haben, vorgeschlagen zu werden)
• Wie regelmäßig und oft der Kanal, von dem das Video stammt, Inhalte veröffentlicht
• Wie viel Zeit die Nutzer insgesamt auf YouTube verbracht haben, wenn sie in dieser Sitzung das entsprechende Video gesehen haben
• Interaktionen der Nutzer: Anzahl und Verhältnis von Likes und Dislikes sowie die Anzahl und Länge der abgegebenen Kommentare
• Wie viele Nutzer das Video als „nicht interessiert“ aus ihren Vorschlägen entfernt haben

Natürlich sollen Nutzer aber auch möglichst einfach die Inhalte finden, die sie sehen wollen. Hierzu wird zusätzlich abgeglichen, inwieweit die Metadaten der Videos zur Suchanfrage der Nutzer passen. Dieses System ähnelt der Logik der Google-Suche und stützt sich auf Daten wie die Videobeschreibung, Hashtags und Verlinkungen.