Это была трудная задача. Такие штуки, как вкус, – субъективны. А количество факторов, играющих роль при попытках найти сходство между фильмами, почти бесконечно. Надо ли вам группировать кино по актеру, режиссеру, сценаристу, жанру, дате выпуска, номинациям на награды? Как количественно измерить такую вещь, как настроение?

Мы с Ридом и программистами искали решение месяцами. Проблема состояла в том, чтобы придумать алгоритм, который бы осмысленно группировал фильмы. Поскольку он мог использовать только доступные ему данные, – такие как жанр, актеры, локации, год выпуска, язык и так далее, – алгоритм часто выдавал предложения, которые имели смысл для компьютера, но для человека не отражали никакого реального сходства. Или выдавал бесполезные предложения: «Вам нравится «Лучший стрелок»[77]? Предлагаем еще один фильм 1986 года!»

В конце концов, мы поняли, что лучший способ дать пользователям то, что они хотят, – устроить краудсорсинг[78]. Для начала мы сделали то же, что и Amazon. Используя процесс под названием «коллаборативная фильтрация[79]», Amazon предлагал клиентам продукты, основанные на общих шаблонах покупок. Они до сих пор так делают. Если вы, скажем, приобрели у них гаечный ключ, Amazon группирует вас с другими пользователями, купившими гаечные ключи, а потом предлагает купить другие товары из тех, что покупали они.

В нашем случае это работало так. Положим, я и Рид взяли в Netflix напрокат три фильма. Я взял «Армагеддон», «Мосты округа Мэдисон» и «Касабланку». А Рид взял «Армагеддон», «Мосты округа Мэдисон» и «Могучих утят». Коллаборативная фильтрация скажет, что, если мы оба взяли два одинаковых фильма, возможно, каждому из нас понравится третий фильм, который взял другой. Поэтому сайт может посоветовать мне взять «Могучих утят», а Риду – «Касабланку».

Проблема этого метода заключается в том, что фильтрация истории заказов не скажет вам, понравилась ли мне «Касабланка» или понравились ли Риду «Могучие утята». Она просто констатирует факт: мы оба посмотрели это кино. Которое, к слову, может нам совершенно не понравиться. Мы могли взять эти последние фильмы для наших детей или жен.

Если мы собирались использовать коллаборативную фильтрацию для группировки пользователей и рекомендации фильмов, нам нужно было знать, что пользователям нравится, а не что они берут напрокат. Нам необходима была система обзоров, система рейтинга фильмов. Группировка картин по рейтигу, – их «кластеризация» по совпадающим положительным или отрицательным отзывам, – означала, что мы можем эффективно предлагать пользователям фильмы, основываясь не на том, что они взяли напрокат, а на том, что им понравилось. В конечном счете алгоритм станет намного сложнее, чем тот, что я только что описал. Но для того, чтобы он вообще работал, нам нужно было, чтобы пользователи оценили фильмы, – множество из них. В конце концов, мы решили попросить их сделать это, выставляя каждому фильму оценку от одной до пяти звезд. Пять звезд для кинокартины, которую они полюбили. Одна звезда – для полной потери времени.

Звучит достаточно просто, но эта глупая система рейтинга по звездам послужила источником споров. Больше сражений о меньшем количестве пикселей никогда не велось.

Должен ли рейтинг отражать целые числа или числа с десятыми долями? Когда пользователю нужно предложить оценить фильм? Куда должен вести «звездный» виджет[80]?

В конце концов, мы попросили пользователей Netflix оценивать кино, когда они посещали сайт, возвращали фильм или когда они обновляли список «Очередь». Самая замечательная вещь в прокате заключается в том, что вам необязательно брать фильм, чтобы оценить его. В отличие от тестирования гаечного ключа, обзор на который можно составить только после его покупки. Теоретически, пользователь может оценить каждый фильм, который он когда-либо смотрел, даже не являясь нашим подписчиком. И оказалось, что людям очень нравится, когда их мнением интересуются. Каждый в душе – критик.

После этого команда Рида начала работать над интеграцией этих вкусовых предпочтений в более широкий алгоритм, который делал бы рекомендации фильмов после взвешивания нескольких факторов: ключевых слов, количества копий, количества копий на остатках, цене за диск.

Результатом, – который был запущен в феврале 2000-го как Cinematch, – стал более интуитивный механизм рекомендаций, выводящий качественную оценку пользователям и одновременно оптимизирующий свою работу. Во многих отношениях это было лучшее из обоих миров – автоматизированная система, которая, тем не менее, воспринималась как человек, как продавец в магазине, который спрашивает, что вы недавно смотрели, а потом рекомендует что-то, что, как он знает, вам понравится и есть в наличие. На самом деле он воспринимался даже лучше, чем человек. Он воспринимался как невидимка.

«Лазерный прицел» Рида помог нам сконцентрироваться на будущем. Моей же целью было убедиться, что как бы быстро мы ни двигались, какими бы эффективными ни становились, мы всегда стремимся установить контакт с нашими пользователями.

Прошлое и будущее, сердце и мозг, Леннон и МакКартни – мы с Ридом были идеальной парой.