Algorithmes de recommandation

• Comprendre le principe de base d'un algorithme de recommandation
• Identifier les données utilisées par ces algorithmes sur les réseaux sociaux
• Analyser les conséquences (positives et négatives) de ces recommandations sur notre usage du web

Le fonctionnement de base : filtrage collaboratif et par contenu

Un algorithme de recommandation est un programme informatique qui suggère des éléments (vidéos, amis, publications, produits) à un utilisateur. Il existe deux grandes méthodes principales. La première est le filtrage collaboratif : l'algorithme identifie des utilisateurs aux goûts similaires aux vôtres (vos 'doubles numériques') et vous recommande ce qu'ils ont aimé. Par exemple, si vous et 1000 autres personnes avez aimé les vidéos A, B et C, et que ces 1000 personnes ont aussi aimé la vidéo D, l'algorithme vous recommandera la vidéo D. La seconde méthode est le filtrage basé sur le contenu : l'algorithme analyse les caractéristiques des contenus que vous avez aimés (mots-clés, thèmes, créateur) et vous propose d'autres contenus similaires. Par exemple, si vous regardez souvent des vidéos de skateboard, il vous en proposera d'autres, même si vos 'doubles numériques' ne les ont pas vues. En pratique, les plateformes comme Instagram ou Netflix combinent souvent ces deux approches pour affiner leurs suggestions.

La collecte des données : la matière première des algorithmes

Pour fonctionner, ces algorithmes ont besoin de grandes quantités de données sur vos comportements. Ces données sont collectées de manière explicite et implicite. Les données explicites sont celles que vous donnez volontairement : vos 'likes', vos partages, vos commentaires, les personnes que vous suivez, ou les étoiles que vous attribuez. Les données implicites sont collectées automatiquement en arrière-plan : le temps que vous passez à regarder une publication ou une vidéo (même sans la liker), les profils que vous visitez, les recherches que vous effectuez, et même les moments où vous faites défiler rapidement ('scroll') sans vous arrêter. Par exemple, si vous restez 2 minutes sur une vidéo de cuisine avant de passer à la suivante, l'algorithme interprète cela comme un intérêt pour la cuisine. Toutes ces traces numériques, ou 'data', sont analysées pour construire un modèle de vos préférences, souvent appelé 'profil utilisateur'. Ce profil est constamment mis à jour, ce qui explique pourquoi les recommandations évoluent avec le temps.

Applications pratiques et impacts

Ces algorithmes sont omniprésents. Sur Instagram, ils déterminent l'ordre des publications dans votre fil d'actualité, en priorisant celles de vos amis avec qui vous interagissez le plus ou les contenus susceptibles de vous captiver. Sur YouTube, ils sont cruciaux pour la découverte de vidéos et retiennent les utilisateurs sur la plateforme. Les impacts sont doubles. Positivement, ils permettent une expérience personnalisée, facilitent la découverte de contenus pertinents et aident les créateurs à trouver leur public. Négativement, ils peuvent créer une 'bulle de filtres' ou une 'chambre d'écho' : en ne vous montrant que ce qui correspond à vos opinions et goûts passés, ils vous isolent d'autres points de vue et peuvent renforcer vos préjugés. Ils peuvent aussi mener à une addiction, en proposant sans cesse du contenu 'juste un peu plus' engageant, et à une uniformisation des goûts. En tant qu'utilisateurs, il est important d'en être conscient, de diversifier volontairement les contenus que l'on consomme et de savoir paramétrer ses recommandations.