5.3.1 Netflix પુરસ્કાર

Netflix પ્રાઇઝ આગાહી જે ફિલ્મો લોકો ગમશે ઓપન કોલ ઉપયોગ કરે છે.

સૌથી જાણીતા ઓપન કોલ પ્રોજેક્ટ Netflix ઇનામ છે. Netflix ઓનલાઇન ફિલ્મ ભાડા કંપની છે, અને 2000 માં તે ગ્રાહકો માટે ચલચિત્રો ભલામણ Cinematch, એક સેવા શરૂ કરી હતી. ઉદાહરણ તરીકે, Cinematch નોટિસ શકે છે કે તમે સ્ટાર વોર્સ અને એમ્પાયર સ્ટ્રાઇક્સ ગમ્યું પાછા અને પછી ભલામણ છે કે તમે જેઈડીઆઈ ઓફ વળતર જુઓ. શરૂઆતમાં, Cinematch નબળી કામ કર્યું હતું. પરંતુ, ઘણા વર્ષો દરમિયાન, Cinematch આગાહી ગ્રાહકો શું ચલચિત્રો આનંદ થશે તેની ક્ષમતા સુધારવા માટે ચાલુ રાખ્યું. 2006 સુધીમાં, જોકે, Cinematch પર પ્રગતિ અંશે. Netflix ખાતે સંશોધકોએ ખૂબ ખૂબ બધું તેઓ વિચાર કરી શકે છે પ્રયાસ કર્યો હતો, પરંતુ તે જ સમયે, તેઓ શંકાસ્પદ અન્ય વિચારો કે તેમના સિસ્ટમ સુધારવા મદદ કરી શકે છે કે ત્યાં હતા. એક ઓપન કોલ: આમ, તેઓ એક ક્રાંતિકારી ઉકેલ શું હતું સાથે આવ્યા, તે સમયે.

Netflix પ્રાઇઝ અંતિમ સફળતા માટે મહત્વપૂર્ણ કેવી રીતે ઓપન કોલ કરવામાં આવી હતી, અને આ ડિઝાઇન કેવી રીતે ઓપન કોલ સામાજિક સંશોધન માટે વાપરી શકાય છે માટે મહત્વપૂર્ણ પાઠ છે. Netflix ફક્ત વિચારો માટે અનૌપચારિક વિનંતી છે, જે ઘણા લોકો શું કલ્પના છે જ્યારે તેઓ પ્રથમ એક ઓપન કોલ ધ્યાનમાં બહાર આવ્યો ન હતો. તેના બદલે, Netflix એક સરળ મૂલ્યાંકન માપદંડ સાથે સ્પષ્ટ સમસ્યા ઊભી: તેઓ લોકો પડકાર 3 મિલિયન રાખવામાં આઉટ રેટિંગ્સ આગાહી 100 મિલિયન ફિલ્મ રેટિંગ્સ એક સમૂહ વાપરવા માટે (રેટિંગ્સ છે કે જે વપરાશકર્તાઓને કરી હતી પરંતુ તે Netflix પ્રકાશિત ન હતી). કોઈપણ જે અલ્ગોરિધમનો હતો કે 3 મિલિયન રાખવામાં આઉટ રેટિંગ્સ 10% કરતાં વધુ સારી Cinematch 1 મિલિયન ડોલર જીતી જશે આગાહી કરી શકે છે બનાવવા શકે છે. આ સ્પષ્ટ અને સરળ મૂલ્યાંકન માપદંડ સરખામણી રાખવામાં આઉટ આગાહી રેટિંગ્સ લાગુ કરવા માટે રેટિંગ્સ-અર્થ થાય છે કે Netflix પ્રાઇઝ કે જે એવી રીતે ઉકેલો પેદા કરતાં ચેક કરવા સરળ છે કરવામાં આવી હતી; તે એક ઓપન કોલ માટે યોગ્ય એક સમસ્યા Cinematch સુધારવા ના પડકાર નહીં.

2006 ના ઓક્ટોબરમાં, Netflix એક dataset વિશે 500,000 ગ્રાહકો પાસેથી 100 મિલિયન ફિલ્મ રેટિંગ્સ સમાવેશ કરે છે (અમે પ્રકરણ 6 આ માહિતી પ્રકાશન ગોપનીયતા અસરો વિચારણા કરશે) પ્રકાશિત થાય છે. Netflix માહિતી એક વિશાળ મેટ્રિક્સ આશરે 20,000 ચલચિત્રો દ્વારા 500,000 ગ્રાહકો છે કે કલ્પના કરી શકાય છે. આ મેટ્રિક્સ અંદર, ત્યાં 1 થી 5 તારા (કોષ્ટક 5.2) થી સ્કેલ પર આશરે 100 મિલિયન રેટિંગ્સ હતા. પડકાર મેટ્રિક્સ માં અનુભવવામાં માહિતી વાપરવા માટે 3 મિલિયન રાખવામાં આઉટ રેટિંગ્સ આગાહી હતી.

સંશોધકોએ અને સમગ્ર વિશ્વમાં હેકરો પડકાર દોરવામાં આવ્યા હતા, અને 2008 સુધીમાં 30,000 કરતા પણ વધુ લોકો તેના પર કામ કરી રહ્યા હતા (Thompson 2008) . સ્પર્ધા દરમિયાન, Netflix કરતાં વધુ 5,000 ટીમો કરતાં વધુ 40,000 સૂચિત ઉકેલો પ્રાપ્ત (Netflix 2009) . દેખીતી રીતે, Netflix વાંચી અને આ તમામ સૂચિત ઉકેલો સમજી શક્યા નથી. સમગ્ર બાબત, સરળ ચાલી જોકે કારણ કે ઉકેલો ચકાસવા માટે સરળ હતા. Netflix માત્ર એક કોમ્પ્યુટર પૂર્વ સ્પષ્ટ મેટ્રિક (ચોક્કસ મેટ્રિક તેઓ ઉપયોગ સરેરાશ સ્ક્વેર્ડ ભૂલ વર્ગમૂળ હતી) દ્વારા રાખવામાં આઉટ રેટિંગ્સ આગાહી રેટિંગ્સ સરખામણી કરો કરી શકે છે. તે ઝડપથી ઉકેલો કે Netflix સક્રિય દરેકને, જે બહાર આવ્યું છે કારણ કે સારા વિચારો કેટલાક આશ્ચર્યજનક સ્થાનો માંથી આવ્યા મહત્વનું હોઈ ઉકેલ સ્વીકારવા માટે મૂલ્યાંકન કરવાની ક્ષમતા હતી. હકીકતમાં, વિજેતા ઉકેલ એક ટીમ ત્રણ સંશોધકો કે કોઈ પહેલાં અનુભવ મકાન ફિલ્મ ભલામણ સિસ્ટમ ન હતી દ્વારા શરૂ કરવામાં આવી હતી (Bell, Koren, and Volinsky 2010) .

Netflix પ્રાઇઝ એક સુંદર પાસું એ છે કે તે વિશ્વમાં દરેક સક્ષમ તેમના ઉકેલ એકદમ મૂલ્યાંકન હોય છે. લોકો તેમના આગાહી રેટિંગ્સ અપલોડ ત્યારે તેઓ તેમના શૈક્ષણિક પ્રમાણપત્રો, તેમની વય, જાતિ, લિંગ, લૈંગિક, અથવા પોતાને વિશે કશું અપલોડ કરવા માટે જરૂર ન હતી. આમ, સ્ટેનફોર્ડ એક પ્રખ્યાત પ્રોફેસર આગાહી રેટિંગ્સ બરાબર તેના બેડરૂમમાં એક કિશોર વયે છે તે પ્રમાણે જ સારવાર કરવામાં આવતી હતી. કમનસીબે, આ સૌથી સામાજિક સંશોધન સાચું નથી. તે સૌથી સામાજિક સંશોધન માટે, મૂલ્યાંકન ખૂબ જ સમય વપરાશ અને આંશિક વ્યક્તિલક્ષી છે, છે. તેથી, મોટા ભાગના સંશોધન વિચારો ગંભીરતાપૂર્વક મૂલ્યાંકન ક્યારેય છે, અને જ્યારે વિચારો મૂલ્યાંકન કરવામાં આવે છે, તે વિચારો સર્જક તે મૂલ્યાંકનના જોડાણ તોડવા માટે મુશ્કેલ છે. કારણ કે ઉકેલો ચકાસવા માટે સરળ છે, ઓપન કોલ સંશોધકો તમામ સંભવિત અદ્ભુત ઉકેલો કે તિરાડો દ્વારા કરાયું હોત તો તેઓ માત્ર વિખ્યાત પ્રોફેસરો ઉકેલ ગણવામાં ઍક્સેસ કરવા માટે પરવાનગી આપે છે.

ઉદાહરણ માટે, સ્ક્રીન નામ સાથે Netflix પુરસ્કાર કોઈને દરમિયાન એક તબક્કે સિમોન ફન્ક એકવચન કિંમત વિઘટન પર આધારિત પોતાના બ્લોગ સૂચિત ઉકેલ પર પોસ્ટ, રેખીય બીજગણિત થી એક અભિગમ છે કે અન્ય સહભાગીઓ દ્વારા અગાઉ ઉપયોગ કરવામાં ન હતી. ફૂંક બ્લોગ પોસ્ટ સાથે ટેકનિકલ અને weirdly અનૌપચારિક હતી. આ બ્લોગ પોસ્ટ એક સારો ઉકેલ વર્ણન અથવા તે સમય કચરો હતી? એક ઓપન કોલ પ્રોજેક્ટ બહાર, ઉકેલ ક્યારેય ગંભીર મૂલ્યાંકન પ્રાપ્ત થઈ છે શકે છે. પછી બધા સિમોન ફન્ક કાલ ટેક અથવા એમઆઇટી ખાતે પ્રોફેસર ન હતી; તેમણે એક સોફ્ટવેર ડેવલપર, જે સમયે, ન્યુ ઝિલેન્ડ આસપાસ backpacking કરવામાં આવી હતી (Piatetsky 2007) . તેમણે Netflix પર એક ઈજનેર આ વિચાર ઇમેઇલ હોય તો, તે લગભગ ચોક્કસપણે ગંભીરતાથી ન લેવામાં આવી હોત.

સદનસીબે, કારણ કે મૂલ્યાંકન માપદંડ સ્પષ્ટ અને લાગુ કરવા માટે સરળ હતા, તેમના આગાહી રેટિંગ્સ મૂલ્યાંકન કરવામાં આવ્યા હતા, અને તે તરત જ સ્પષ્ટ છે કે તેમના અભિગમ ખૂબ જ શક્તિશાળી હતી: તેઓ સ્પર્ધામાં ચોથા સ્થાને rocketed, એક જબરદસ્ત પરિણામ આપેલ છે કે અન્ય ટીમો પહેલાથી જ કરવામાં આવી હતી સમસ્યા પર મહિના માટે કામ કરે છે. અંતે, સિમોન ફન્ક અભિગમ ભાગો લગભગ તમામ ગંભીર સ્પર્ધકો દ્વારા ઉપયોગ કરવામાં આવ્યો હતો (Bell, Koren, and Volinsky 2010) .

હકીકત એ છે કે સિમોન ફન્ક એક બ્લોગ પોસ્ટ, તેમના અભિગમ સમજાવીને તેના બદલે તે ગુપ્ત રાખવા પ્રયાસ કરતાં લખવા માટે પસંદ, પણ સમજાવે છે કે Netflix પ્રાઇઝ ઘણા સહભાગીઓ સંપૂર્ણપણે મિલિયન ડોલર ઈનામ દ્વારા પ્રોત્સાહિત કરવામાં આવ્યા હતા. તેના બદલે, ઘણા સહભાગીઓ પણ બૌદ્ધિક પડકાર અને સમુદાય કે સમસ્યા આસપાસ વિકસાવવામાં આનંદ લાગતું હતું (Thompson 2008) , લાગણીઓ કે હું અપેક્ષા ઘણા સંશોધકો સમજી શકે છે.

Netflix પ્રાઇઝ એક ઓપન કોલ એક ઉત્તમ ઉદાહરણ છે. Netflix ચોક્કસ ધ્યેય સાથે એક પ્રશ્ન પૂછતા (ફિલ્મ રેટિંગ્સ આગાહી) અને ઘણા લોકો ઉકેલો વિનંતિ. Netflix કારણ કે તેઓ બનાવવા માટે કરતાં ચકાસવા માટે સરળ હતા આ તમામ ઉકેલો મૂલ્યાંકન માટે સક્ષમ હતી, અને છેવટે Netflix શ્રેષ્ઠ ઉકેલ હતો. આગળ, હું તમને બતાવવા કેવી રીતે આ જ અભિગમ બાયોલોજી અને કાયદો ઉપયોગ કરી શકો છો.