5.3.1 Netflix کے انعام

Netflix کے انعام کی پیشن گوئی کرنے کے لئے لوگوں کو پسند کرے گا جس فلمیں کھلے کال کا استعمال کرتا ہے.

سب سے زیادہ مشہور کھلا کال پروجیکٹ Netflix انعام ہے. Netflix ایک آن لائن فلم رینٹل کمپنی ہے، اور 2000 میں اس نے سنیماچچ، گاہکوں کو فلموں کی سفارش کرنے کی خدمت کی. مثال کے طور پر، سنیماچ اس بات کو محسوس کرسکتے ہیں کہ آپ نے سٹار وار اور سلطنت کے پیچھے جھڑپوں کو پسند کیا اور پھر اس کی سفارش کی کہ آپ Jedi کی واپسی دیکھیں. ابتدائی طور پر، سنیماچ نے کام کیا. لیکن، بہت سے سالوں کے دوران، اس کی پیشکش کرنے کے لئے اس کی صلاحیت کو بہتر بنانے میں کامیابی ملی. 2006 تک، تاہم، سنیماچچ کی ترقی میں پکارا گیا تھا. Netflix میں محققین نے بہت کچھ سب کچھ کرنے کی کوشش کی تھی جو ان کے بارے میں سوچتے تھے، لیکن، ایک ہی وقت میں، انہوں نے شک میں کہا کہ ان کے خیالات ہیں جو ان کے نظام کو بہتر بنا سکتے ہیں. اس طرح، وہ اس وقت کے ساتھ آئے، جب وقت میں، ایک بنیاد پرست حل: ایک کھلا کال.

Netflix انعام کی آخری کامیابی کے لئے اہمیت یہ تھا کہ کس طرح کھلا کال ڈیزائن کیا گیا تھا، اور یہ ڈیزائن سماجی تحقیق کے لئے کھلا کال استعمال کیسے کیا جا سکتا ہے کے لئے اہم سبق ہے. Netflix نے صرف نظریات کے لئے ایک غیر معمولی درخواست نہیں کی ہے، جس میں وہ سب سے پہلے ایک کھلی کال پر غور کرتے وقت بہت سے لوگ تصور کرتے ہیں. بلکہ Netflix نے سادہ تشخیص کے طریقہ کار کے ساتھ ایک واضح مسئلہ پیش کیا: لوگوں نے چیلنج کیا کہ 100 ملین فلموں کی درجہ بندی کا استعمال کرنے کے لئے 3 ملین منعقد کردہ درجہ بندی کی پیشکش کی جائے (جس کے ذریعہ صارفین نے بنایا تھا لیکن Netflix کو جاری نہیں کیا گیا تھا). ایک الگورتھم تخلیق کرنے کا پہلا شخص جس نے سنیماچ کے مقابلے میں 3 ملین منعقد ہونے والی درجہ بندی کی 10٪ بہتر ملین ڈالر جیت لی تھی. تشخیص شدہ درجہ بندی کے ساتھ تشخیص کردہ درجہ بندی کے مقابلے میں تشخیص کے طریقہ کار کا اطلاق کرنے کے لئے یہ واضح اور آسان ہے کہ یہ مطلب ہے کہ Netflix انعام اس طرح سے تیار کیا گیا تھا کہ حل پیدا کرنے کے لۓ حل آسان ہو. اس نے سنیماچ کو ایک کھلی کال کے لئے موزوں مسئلہ میں بہتر بنانے کی چیلنج کی.

2006 کے اکتوبر میں Netflix نے تقریبا 500،000 گاہکوں سے 100 ملین فلموں کی شرح پر مشتمل ڈیٹا بیس جاری کیا (ہم باب 6 میں اس ڈیٹا کی رہائی کے رازداری کے اثرات پر غور کریں گے). Netflix ڈیٹا 20،000 فلموں کی طرف سے تقریبا 500،000 گاہکوں کی ایک بڑی میٹرکس کے طور پر تصور کیا جا سکتا ہے. اس میٹرکس کے اندر، ایک سے پانچ ستاروں (ٹیبل 5.2) سے تقریبا 100 ملین درجہ بندی کی گئی. چیلنج نے میٹرکس میں 3 ملین منعقد ہونے والی درجہ بندی کی پیش گوئی کرنے کے لئے دیکھے جانے والے اعداد و شمار کا استعمال کرنا تھا.

دنیا بھر میں محققین اور ہیکرز کو چیلنج کے لئے تیار کیا گیا تھا، اور 2008 تک 30،000 سے زائد افراد اس پر کام کر رہے تھے (Thompson 2008) . مقابلہ کے دوران، Netflix سے زیادہ سے زائد 40،000 تجزیہ حلوں کو 5،000 ٹیموں (Netflix 2009) سے موصول ہوئی. ظاہر ہے، Netflix ان تمام تجویز کردہ حلوں کو پڑھنے اور سمجھنے نہیں کر سکے. تاہم، پوری بات آسانی سے بھاگ گئی، کیونکہ حل چیک کرنا آسان تھا. Netflix ایک کمپیوٹر کے ساتھ پیش کردہ درجہ بندی کے ساتھ پیش کردہ درجہ بندی کی درجہ بندی کا موازنہ کرسکتا ہے جس میں کسی مخصوص مکسک کا استعمال کرتے ہوئے (وہ خاص طور پر میٹرک کا استعمال کیا جاتا ہے اس کا مطلب اس مربع غلطی کا مربع جڑ تھا). یہ اس سے فوری طور پر حل کرنے کی صلاحیت تھی جو Netflix کو سب سے حل کو قبول کرنے کے قابل ہو، جس سے اہم ہو چکا ہے کیونکہ کچھ حیرت انگیز جگہوں سے اچھے خیالات آتے ہیں. اصل میں، جیتنے والی حل ایک ٹیم نے پیش کی تھی جس کے ذریعہ تین محققین نے شروع کیے جنہوں نے قبل از کم تجربہ کار عمارت فلم کی سفارش کے نظام (Bell, Koren, and Volinsky 2010) تھے.

Netflix انعام کا ایک خوبصورت پہلو یہ ہے کہ اس نے تمام مجوزہ حل کو مناسب اندازہ کیا ہے. یہی ہے، جب لوگ اپنے پیش گوئی کی درجہ بندی کو اپ لوڈ کرتے ہیں تو انہیں ان کی تعلیمی اسناد، ان کی عمر، نسل، جنس، جنسی واقفیت، یا اپنے بارے میں کچھ بھی اپ لوڈ کرنے کی ضرورت نہیں تھی. سٹینفورڈ سے ایک مشہور پروفیسر کی پیش گوئی درجہ بندی اس کے سونے کے کمرے میں ایک نوجوان کے طور پر بالکل وہی سلوک کیا گیا تھا. بدقسمتی سے، یہ سب سے زیادہ سماجی تحقیق میں درست نہیں ہے. یہ سب سے زیادہ سماجی تحقیق کے لئے، تشخیص بہت وقت سازی اور جزوی لحاظ سے ذہنی طور پر ہے. لہذا، زیادہ تر تحقیقی خیالات کو سنجیدگی سے کبھی بھی اندازہ نہیں لگایا جاتا ہے، اور جب نظریات کا جائزہ لیا جاتا ہے، تو ان کے اندازے کے خالق سے ان کی تشخیص کو سخت کرنا مشکل ہے. دوسری جانب کھلے کال منصوبوں کو آسان اور منصفانہ تشخیص ہے تاکہ وہ خیالات کو ڈھونڈ سکیں جو دوسری صورت میں یاد آسکیں.

مثال کے طور پر، Netflix انعام کے دوران، کسی ایک نقطہ پر اسکرین کا نام سائمن فاکک نے اپنے بلاگ پر ایک متوازن حل کو ختم کرنے کی بنیاد پر حل کیا، جو لکیری الجرا کی جانب سے دوسرے نقطہ نظروں سے پہلے استعمال نہیں کیا گیا تھا. کامک کا بلاگ پوسٹ ایک ہی تکنیکی اور غیر معمولی غیر رسمی تھا. کیا یہ بلاگ پوسٹ اچھا حل بیان کر رہا تھا یا یہ وقت کی بربادی تھی؟ کھلی کال منصوبے کے باہر، حل کبھی بھی سنگین تشخیص نہیں مل سکتا ہے. سب کے بعد، سائمن فاک ایم ٹی ای پروفیسر نہیں تھے؛ وہ ایک سافٹ ویئر ڈویلپر تھا جو، اس وقت نیوزی لینڈ (Piatetsky 2007) ارد گرد بیک اپ کر رہا تھا. اگر انہوں نے یہ خیال Netflix میں انجنیئر کو ای میل کیا تھا، تو یہ تقریبا یقینی طور پر پڑھ نہیں پڑا.

خوش قسمتی سے، کیونکہ تشخیص کے معیار کو واضح اور لاگو کرنے کے لئے آسان تھا، ان کی پیش گوئی کی درجہ بندی کا اندازہ کیا گیا تھا، اور یہ فوری طور پر واضح تھا کہ ان کا نقطہ نظر بہت طاقتور تھا: اس نے مقابلہ میں چوتھائی جگہ پر راکٹ لگا دیا، ایک زبردست نتیجہ یہ تھا کہ دیگر ٹیموں کو پہلے ہی کیا گیا تھا مسئلہ پر ماہ کے لئے کام کر رہا ہے. آخر میں، ان کے نقطہ نظر کے حصوں کو تقریبا تمام سنگین حریفوں (Bell, Koren, and Volinsky 2010) طرف سے استعمال کیا گیا تھا.

حقیقت یہ ہے کہ سائمن فیک نے بلاگ پوسٹ لکھنے کا انتخاب کیا تھا کہ اس کے نقطہ نظر کی وضاحت کرنے کے بجائے اسے خفیہ رکھنے کی بجائے، نیٹوکس انعام کے بہت سے شرکاء کو خصوصی طور پر ملین ڈالر انعام کی طرف سے حوصلہ افزائی نہیں کی گئی. بلکہ، بہت سے شرکاء کو بھی دانشورانہ چیلنج اور کمیونٹی جو اس مسئلے کے ارد گرد تیار کیا گیا تھا (Thompson 2008) سے لطف اندوز ہونے لگ رہا تھا، اس احساسات کی توقع ہے کہ مجھے بہت سے محققین سمجھتے ہیں.

Netflix انعام ایک کھلا کال کا ایک کلاسک مثال ہے. Netflix نے ایک مخصوص مقصد (فلم کی درجہ بندی کی پیشن گوئی) اور بہت سے لوگوں سے حل شدہ حل کے ساتھ ایک سوال پیش کیا. Netflix ان تمام حلوں کا جائزہ لینے کے قابل تھا کیونکہ وہ پیدا کرنے کے مقابلے میں چیک کرنے کے لئے آسان تھے، اور آخر میں Netflix نے بہترین حل اٹھایا. اگلا، میں آپ کو دکھائے گا کہ یہ بائیوالوجی اور قانون میں یہ طریقہ کار استعمال کیا جا سکتا ہے، اور بغیر ایک ملین ڈالر انعام.