Linda今天來到了位於台北101大樓77樓的台灣Google總部，Google請來了YouTube的工程研發副總裁Cristos Goodrow、YouTube軟體工程師Jim Mcfadden，以及YouTube大中華與紐澳技術管理負責人葉佳威，要來向大家講解，要怎麼利用機器學習來分辨影片的內容？又要怎麼推薦各自最想看的內容給閱聽人？
演講內容中表示，YouTube的影響力與日俱增，每分鐘有500小時的影片被上傳到YouTube，而YouTube的每日觀看次數至今年已經躍升至10億小時，其威力可見一斑。但同時也因為資料規模龐大、內容不斷地被更新、內容都含有大量雜訊的狀況下，要快速、準確地分析這些數據成了格外困難的事。因此，從你對影片點的喜歡或不喜歡開始，YouTube工程師設定模型，展開了一連串對機器的教導，讓閱聽人能夠順利看到自己想看的影片內容
首先第一道關卡是「候選生成模型（Candidate Generation Model）」，它能將數百萬個影音資料的範圍縮小到數百個送到你眼前，裡頭的判定項目包括觀看紀錄、搜尋紀錄、人口變項（年齡、性別…）等等；第二道關卡則是「排名模型（Ranking Model）」，將篩選出的百部影片做排行決定推送順序，判定項目包括所在地區、最受歡迎影音、使用者語言、觀看紀錄等等
Cristos和葉佳威都提到，其實在YouTube的演算法中，觀看時長比觀看次數比重重要許多，因為觀看時長代表了觀眾對這部影片的黏著度，如果只看了幾秒便關掉，這就不是他真正想看到的內容。他們發現了時間（早上、下午、晚上...）對影片觀看內容的影響不大，反而是裝置的差異有著重大影響：拿手機看輕鬆的短影音，拿電腦看長片。YouTube不斷更新，便是為了維持閱聽人的觀影新鮮感，對於「個人化」的強調也更加重視
除了利用機器學習推薦影片外，它也能做到一些其他應用，例如分辨恐怖主義、暴力內容等等，目前已有超過八成的暴力影片，在觀眾還未檢舉的狀況下就已遭到下架
另外，他們不停歇地增加機器學習對於影片中人類行為的辨識，例如辨別裡頭的人在跳舞、唱歌、親吻，也因此，他們得到了一些很有趣的數據，例如在唱歌影片中，絕大部分有伴奏出現，或者在有小孩的影片中，大人多半會把他們抱高高；這些不難猜測，但我們不會直接做連想的內容都是有趣的數據，未來或許可以做到某些利用，例如搜尋「打鼓」可以找到一系列的打鼓影片、突破語言的限制，或是能找到「八零年代哪些電影出現了某種場面」等等，資訊的搜集會更加有效率
其實推薦內容做得好，不只閱聽人看到喜歡的內容，業者在推送廣告部分也會變得更順利，算是雙贏的局面。Linda一直覺得在這個時代，既然廣告無可避免地進入生活，至少要推薦需要的東西給我吧！而讓我們的使用觀感變好，就是這些YouTube幹部們的主要課題囉。今天的演講內容就總結到這，希望看了文章能讓你有點收獲啦～
獺友募集中!!加入電獺少女LINE@生活圈，每天都有好玩的事情LINE給你哦
