ในโลกของการบริโภคสื่อที่ขยายตัวอย่างต่อเนื่อง การค้นหาเนื้อหาใหม่ๆ ที่ตรงกับรสนิยมของคุณอาจเป็นเรื่องท้าทาย เครื่องมือโอเพ่นซอร์สใหม่ที่เรียกว่า Recommendarr ได้ปรากฏตัวขึ้น สร้างการอภิปรายในหมู่ผู้เชี่ยวชาญด้านเทคโนโลยีเกี่ยวกับข้อดีของการใช้ Large Language Models (LLMs) สำหรับคำแนะนำสื่อที่เป็นส่วนตัว เมื่อเทียบกับอัลกอริทึมการแนะนำแบบดั้งเดิม
คำแนะนำสื่อที่ขับเคลื่อนด้วย AI
Recommendarr เป็นเว็บแอปพลิเคชันที่วิเคราะห์ไลบรารี Sonarr, Radarr, Plex และ Jellyfin ของผู้ใช้เพื่อสร้างคำแนะนำรายการทีวีและภาพยนตร์ที่เป็นส่วนตัว ต่างจากระบบแนะนำแบบดั้งเดิมที่พึ่งพาการกรองแบบร่วมมือหรืออัลกอริทึมที่อิงกับเนื้อหา Recommendarr ใช้ประโยชน์จากความสามารถในการเข้าใจบริบทของ LLMs แอปพลิเคชันจะส่งข้อมูลไลบรารีไปยังบริการ AI ซึ่งจะวิเคราะห์รูปแบบการรับชมและแนะนำเนื้อหาใหม่ตามความเข้าใจเกี่ยวกับความสัมพันธ์ระหว่างสื่อต่างๆ
ผู้สร้าง Recommendarr อธิบายแรงจูงใจในการใช้ LLMs แทนระบบแนะนำแบบดั้งเดิม:
ผมไม่เคยพบว่าระบบแนะนำทำงานได้ดีสำหรับผมเลย ผมลองใช้มาหลายระบบและเหตุผลที่ผมตัดสินใจเริ่มใช้ LLMs เพราะผมหมดทางเลือกแล้ว...และหลังจากที่ลองใช้ ผมกลับชอบคำแนะนำที่ได้รับมากกว่า
ความรู้สึกนี้สอดคล้องกับผู้ใช้หลายคนที่แสดงความคับข้องใจกับเครื่องมือแนะนำแบบดั้งเดิม โดยสังเกตว่า LLMs สามารถเข้าใจความเชื่อมโยงที่ละเอียดอ่อนระหว่างเนื้อหาที่อาจถูกมองข้ามโดยอัลกอริทึมที่เรียบง่ายกว่าได้
ข้อจำกัดด้านการตัดข้อมูลความรู้
ความกังวลสำคัญที่ถูกหยิบยกในการสนทนาของชุมชนคือข้อจำกัดด้านการตัดข้อมูลความรู้ที่มีอยู่ใน LLMs เนื่องจากโมเดลเหล่านี้ได้รับการฝึกฝนด้วยข้อมูลจนถึงช่วงเวลาหนึ่ง พวกมันอาจไม่รู้จักรายการทีวีหรือภาพยนตร์ใหม่ๆ ที่เปิดตัวหลังจากวันที่ตัดข้อมูลการฝึกของพวกมัน สิ่งนี้สร้างจุดบอดที่อาจเกิดขึ้นในคำแนะนำ โดยเฉพาะอย่างยิ่งสำหรับเนื้อหาที่เพิ่งเปิดตัว
นักพัฒนายอมรับข้อจำกัดนี้ โดยอธิบายว่าในขณะที่โมเดลอาจมีความรู้บางอย่างเกี่ยวกับรายการที่กำลังจะมาถึงในช่วงการฝึกของพวกมัน การแนะนำรายการที่เพิ่งเปิดตัวล่าสุดน่าจะเป็นจุดอ่อนของระบบ สิ่งนี้นำเสนอการแลกเปลี่ยนที่น่าสนใจ: ความเข้าใจในบริบทและความสามารถด้านภาษาธรรมชาติของ LLMs เทียบกับความสามารถของระบบแนะนำแบบดั้งเดิมในการรวมรายการล่าสุดผ่านการอัปเดตฐานข้อมูล
แนวทางทางเลือกและการผสานรวม
สมาชิกในชุมชนหลายคนแนะนำแนวทางทางเลือกเพื่อเพิ่มประสิทธิภาพระบบแนะนำ ข้อเสนอที่โดดเด่นคือการใช้ embeddings สำหรับการจัดกลุ่มแทนที่จะพึ่งพา LLMs เพียงอย่างเดียว Embeddings อาจให้โซลูชันที่เบากว่าซึ่งทำงานได้ดีกับเนื้อหาใหม่โดยวางสื่อในพื้นที่หลายมิติที่สามารถวัดความคล้ายคลึงกันได้ทางคณิตศาสตร์แทนที่จะผ่านความเข้าใจภาษาธรรมชาติ
การผสานรวมกับ Trakt.tv เป็นอีกข้อเสนอที่ได้รับความนิยม โดยผู้ใช้ชี้ให้เห็นว่าบริการนี้มีการผสานรวมกับเซิร์ฟเวอร์สื่อเช่น Emby, Jellyfin และ Plex สำหรับผู้ใช้จำนวนมากอยู่แล้ว การสนทนาเน้นย้ำความกังวลเกี่ยวกับวิธีที่ระบบจะจัดการกับไลบรารีขนาดใหญ่มาก โดยผู้ใช้บางคนกล่าวถึงคอลเลกชันที่มีภาพยนตร์มากกว่า 30,000 เรื่อง นักพัฒนาระบุว่าไลบรารีขนาดใหญ่เช่นนั้นอาจจะชนกับขีดจำกัดของโทเค็นอินพุตสำหรับ LLMs ซึ่งแนะนำวิธีการสุ่มตัวอย่างเป็นทางแก้ไขที่เป็นไปได้
ความท้าทายของครัวเรือนที่มีหลายผู้ใช้
ประเด็นที่เกิดขึ้นซ้ำในความคิดเห็นคือความท้าทายในการแยกแยะความชอบระหว่างสมาชิกในครัวเรือนที่แตกต่างกัน ผู้ใช้จำนวนมากแชร์เซิร์ฟเวอร์สื่อกับสมาชิกในครอบครัวที่มีรสนิยมแตกต่างกันอย่างมาก ทำให้คำแนะนำแบบรวมมีประโยชน์น้อยลง สมาชิกในชุมชนแนะนำให้มีการผสานรวมกับบริการเช่น Tautulli และ Overseerr เพื่อเปิดใช้งานคำแนะนำรายบุคคลตามรูปแบบการรับชมของแต่ละคนแทนที่จะเป็นไลบรารีรวม
นักพัฒนายอมรับข้อจำกัดนี้และกล่าวว่าการผสานรวมกับ Tautulli ได้ถูกพยายามแล้วแต่พิสูจน์ว่าเป็นเรื่องท้าทาย สิ่งนี้เน้นย้ำหนึ่งในพื้นที่สำคัญที่ระบบแนะนำแบบดั้งเดิมที่มีโปรไฟล์ผู้ใช้ที่ชัดเจนอาจยังคงมีข้อได้เปรียบเหนือการใช้งาน LLM-based recommendations ในปัจจุบัน
คุณสมบัติหลักของ Recommendarr
- คำแนะนำที่ขับเคลื่อนด้วย AI โดยใช้ LLMs
- การผสานรวมกับ Sonarr และ Radarr สำหรับรายการทีวีและภาพยนตร์
- การผสานรวมกับ Plex และ Jellyfin สำหรับการวิเคราะห์ประวัติการรับชม
- รองรับ AI ที่หลากหลาย (OpenAI API หรือทางเลือกที่เข้ากันได้)
- รองรับ Docker สำหรับการติดตั้งที่ง่าย
- มุ่งเน้นความเป็นส่วนตัว (เก็บข้อมูลรับรองในที่เก็บข้อมูลท้องถิ่นของเบราว์เซอร์)
- ตัวเลือก UI โหมดมืด/สว่าง
การปรับปรุงที่ชุมชนแนะนำ
- คำแนะนำเฉพาะผู้ใช้สำหรับครัวเรือนที่มีหลายผู้ใช้
- การผสานรวมกับ Trakt.tv สำหรับการติดตามประวัติการรับชมที่ดีขึ้น
- การจัดกลุ่มแบบ Embedding-based เป็นทางเลือกแทน LLMs
- การผสานรวมกับ Lidarr สำหรับคำแนะนำด้านดนตรี
- วิธีแก้ปัญหาสำหรับการจัดการไลบรารีสื่อขนาดใหญ่มาก (30,000+ รายการ)
ศักยภาพในการแนะนำเพลง
ผู้ใช้หลายคนแสดงความสนใจในการขยายแนวคิดไปสู่คำแนะนำเพลง โดยแนะนำการผสานรวมกับ Lidarr (ตัวจัดการคอลเลกชันเพลงที่คล้ายกับ Sonarr และ Radarr) ผู้ใช้คนหนึ่งแบ่งปันประสบการณ์การใช้สคริปต์เพื่อส่งออกไลบรารีเพลงของพวกเขาสำหรับการวิเคราะห์ LLM โดยสังเกตว่าแม้จะไม่สมบูรณ์แบบ แต่ก็ให้คำแนะนำที่น่าสนใจ ความท้าทายของ LLMs ในการแนะนำรายการที่มีอยู่แล้วในไลบรารีของผู้ใช้ถูกกล่าวถึง พร้อมด้วยวิธีแก้ไขที่ง่ายแต่มีประสิทธิภาพคือการสั่งโมเดลอย่างชัดเจนไม่ให้ซ้ำรายการจากรายการเดิม
ในขณะที่การบริโภคสื่อยังคงเติบโตในหลายแพลตฟอร์มและรูปแบบ เครื่องมือเช่น Recommendarr เป็นตัวแทนของการสำรวจที่น่าสนใจว่า AI สามารถเพิ่มประสิทธิภาพการค้นพบเนื้อหาได้อย่างไร ในขณะที่ระบบแนะนำแบบดั้งเดิมได้รับการปรับปรุงมาหลายทศวรรษ การประยุกต์ใช้ LLMs ในโดเมนนี้นำเสนอแนวทางใหม่ที่อาจจับความสัมพันธ์ที่ละเอียดอ่อนระหว่างสื่อต่างๆ ได้ดีกว่า การสนทนาอย่างต่อเนื่องเน้นย้ำทั้งศักยภาพและข้อจำกัดของแนวทางนี้ ชี้ให้เห็นว่าระบบแนะนำที่เหมาะสมที่สุดในอนาคตอาจรวมองค์ประกอบของทั้งอัลกอริทึมแบบดั้งเดิมและความเข้าใจภาษาธรรมชาติที่ขับเคลื่อนด้วย AI
อ้างอิง: Recommendarr: ระบบแนะนำที่ขับเคลื่อนด้วย AI บนพื้นฐานข้อมูลไลบรารี Radarr และ Sonarr