Een aanbeveling lijkt aan de buitenkant vaak eenvoudig. Een webwinkel toont schoenen die bij een jas passen, terwijl een streamingdienst een serie voorstelt na één bekeken aflevering. Achter dat resultaat zit meestal geen vaste lijst meer. Kunstmatige intelligentie berekent per gebruiker welke optie op dat moment de grootste kans heeft om nuttig te zijn.
Een gepersonaliseerd aanbevelingssysteem is software die producten, berichten of diensten rangschikt op basis van gegevens over een persoon en de context. Het kijkt bijvoorbeeld naar klikken, kijktijd, aankopen en afwijzingen. Tijdstip, apparaat en de huidige pagina kunnen eveneens meetellen.
Mensen gebruiken zulke systemen omdat grote catalogi nauwelijks handmatig te beoordelen zijn. Om dezelfde reden gaan mensen naar sites zoals cazinouribelgia.com om te zoeken naar platforms die al gecontroleerd zijn door iemand die vergunningen, voorwaarden en betaalmethoden naast elkaar heeft gelegd. Het doel is hetzelfde: een lange lijst beperken tot opties die bij de vraag passen.
Van vaste regels naar patronen
Oudere systemen werkten vaak met simpele regels. Wie een camera kocht, kreeg een geheugenkaart aangeboden. Moderne modellen zoeken veel meer verbanden tegelijk. Collaboratieve filtering vergelijkt gedrag van gebruikers met vergelijkbare patronen. Inhoudsgebaseerde filtering kijkt juist naar kenmerken van het gekozen item, zoals genre, prijs, merk of onderwerp.
Veel grote systemen werken in drie stappen. Eerst kiest het model enkele honderden kandidaten uit mogelijk miljoenen items. Daarna krijgt iedere overgebleven kandidaat een score. In de laatste stap wordt de volgorde aangepast om herhaling te beperken, recente inhoud mee te nemen of ongewenste resultaten te verwijderen.
Modellen gebruiken daarbij vaak zogeheten numerieke embeddings. Dat zijn reeksen getallen die eigenschappen van gebruikers en items samenvatten. Twee films kunnen dicht bij elkaar liggen doordat dezelfde kijkers ze afmaken, ook wanneer hun officiële genres verschillen. Zo vindt het systeem verbanden die niet vooraf als regel zijn ingevoerd.
AI begrijpt ook de huidige bedoeling
Een belangrijk verschil ontstaat door modellen die korte en lange voorkeuren apart beoordelen. Iemand kan doorgaans documentaires kijken, maar vanavond specifiek naar een korte komedie zoeken. Alleen de volledige kijkgeschiedenis gebruiken zou dan een slecht resultaat geven.
Nieuwere modellen combineren daarom recente acties met vaste voorkeuren. Taalmodellen kunnen bovendien gewone zinnen verwerken, zoals een rustige film zonder geweld voor kinderen onder tien jaar. Dat helpt vooral bij een nieuw account, waar nog weinig klikgegevens beschikbaar zijn. Dit bekende probleem heet de cold start.
Generatieve AI verandert ook de uitleg bij een advies. In plaats van een productkaart te tonen, kan een assistent aangeven waarom een keuze past en daarna een vervolgvraag stellen. Zo kan een reisapp eerst rekening houden met budget en reistijd, waarna de gebruiker huisdieren of toegankelijkheid toevoegt. De catalogus blijft nodig, want een taalmodel mag geen prijs of productkenmerk verzinnen.
Meer personalisatie betekent niet automatisch betere keuzes
Een klik bewijst alleen dat iets aandacht trok. Daarom meten platforms vaak ook kijktijd, voltooiing, retourzendingen, herhaalde bezoeken en het verbergen van een aanbeveling. Een systeem dat uitsluitend klikken beloont, kan overdreven titels of steeds dezelfde populaire producten bevoordelen.
Daardoor ontstaat gemakkelijk een zichzelf versterkende feedbacklus. Wanneer een gebruiker één video over hardlopen bekijkt, toont het systeem meer sportvideo’s. Nieuwe klikken bevestigen vervolgens het oorspronkelijke profiel, zelfs wanneer de eerste keuze toevallig was. Goede systemen voegen daarom variatie toe en testen soms bewust een onverwacht item.
De gebruiker krijgt meer invloed
Personalisatie werkt beter wanneer mensen hun profiel kunnen corrigeren. Aparte gezinsprofielen voorkomen dat kinderprogramma’s en volwassen voorkeuren door elkaar lopen. Knoppen zoals niet geïnteresseerd, wis kijkgeschiedenis en toon minder van dit onderwerp leveren duidelijkere signalen dan passief scrollen.
Binnen de Europese Unie moeten zeer grote platforms bovendien minstens één aanbevelingsoptie aanbieden die niet op profilering berust. Voor gebruikers blijft de praktischste controle eenvoudig: controleer privacyinstellingen, verwijder verouderde geschiedenis en geef expliciete feedback wanneer aanbevelingen de verkeerde richting uitgaan.
