Netflix'te bir başlığın görseli ve otomatik oynayan önizlemesi (yazıda “asset”) başlı başına bir kişiselleştirme problemi: Squid Game için hangi görseli göstermelisin? Daha da zor soru bir başlık yayımlandığı anda, üzerinde neredeyse hiç etkileşim verisi yokken ne yapacağın.

Yıllarca modeller ilk soruyu iyi, ikincisini kötü cevapladı. Çünkü her asset'i opak bir ID olarak ele alıyorlardı: görselin içinde ne olduğunu bilmeden yalnızca hangisine tıklandığını öğreniyorlardı. Yeni yayınlanan başlığın asset'leri geçmişsiz olduğu için keşfi artırıp popülerlik sezgisellerine düşüyorlardı. Bu klasik cold-start problemi.

Çözüm: modele görseli “göstermek”. Her görseli önceden eğitilmiş bir görsel-metin embedding modeli olan CLIP ile kodlayıp, asset temsiline ekliyorlar. Böylece yeni bir görsel, oluşturulduğu anda modelin zaten anladığı bir embedding ile geliyor; benzer görsellerden gelen zevk sinyalini hemen taşıyor ve model kişiselleştirmeye başlamak için çok daha az etkileşim geçmişine ihtiyaç duyuyor.

İkinci kazanım model konsolidasyonu: bir başlığın görselleri farklı kanvaslarda (farklı kırpmalar) yer alıyor ve bu yüzden beş ayrı model çalışıyordu. CLIP embedding'leri kırpma, yeniden boyutlandırma ve en-boy oranına büyük ölçüde duyarsız olduğu için neredeyse aynı görseller neredeyse aynı vektöre düşüyor; tek bir birleşik model yeterli oluyor. Yazı üç üretim sistemini kapsıyor: görsel kişiselleştirme, sorguya duyarlı görsel sıralama ve video önizleme kişiselleştirme. Bir de pratik hile: yeni embedding'leri uçtan uca entegrasyon ve A/B testine girişmeden önce ucuz bir yolla seçmek.