La culture algorithmique

LA CULTURE ALGORITHMIQUE Expérience personnalisée ou « bulle de

filtre » (Eli Pariser) ?

Comment les systèmes de recommandation personnalisée engendrent-ils deux phénomènes contradictoires : l’innovation, pour les entrepreneurs et, selon Lawrence Lessig, le repli des utilisateurs dans des « bulles d’information » ?

I- L’offre culturelle adaptée en fonction des goûts et des comportements des publics

II- Le pouvoir des systèmes de recommandation sur les contenus et les limites des utilisateurs

III- L’avenir des algorithmes, entre innovation, éthique et hyperpersonnalisation

I- L’OFFRE CULTURELLE ADAPTEE EN FONCTION DES GOÛTS ET DES COMPORTEMENTS DES PUBLICS Les limites de recommandation d’AmazonLes publics, une donnée essentielle dans la réalisation des séries Netflix

I- L’offre culturelle adaptée en fonction des goûts et des comportements des publics

1.1 La systématisation et l’automatisation du phénomène de prescription sociale Amazon

1.2 L’importance des choix et préférences des publics dans la réalisation des séries Netflix

Prescription sociale par Amazon• « Item-to-item collaborative filtering »

• Popularité engendre de la popularité

• Facilitateur • Influence ou renforce les habitudes de lecture

• Evolution : mariage avec réseaux sociaux

1.2 L’IMPORTANCE DES CHOIX DES PUBLICS DANS LA RÉALISATION DES SÉRIES NETFLIXChangement de paradigme : c’est la personnalisation qui compte, et plus la recommandation ou le contenu du catalogue.

Processus de recommandation Netflix

1. Recommandation par grandes catégories (comme VOD)

2. Promotion des contenus en Une de la boutique

3. Personnalisation des recommandations en fonction de l’historique de visionnage

Etape 1 : Recommandation par grandes catégories

Etape 2 Promotion des contenus en Une de la boutique

3 : Personnalisation des recommandations en fonction de l’historique de visionnage 4 : Prédiction : ce qui plaira dans le futur à l’usager(après avoir visionné la série The Get Down : personnages noirs, hip hop américain, ville dans le Bronx ghetto)

Les notations permettent d’affiner la recommandation personnalisée

Processus de recommandation Netflix

4. Prédiction : ce qui plaira dans le futur à l’usager

5. Nouvelle étape et originalité Netflix : création de nouveaux contenus grâce aux data sciences • Culture consommée via des algorithmes • Culture produite grâce aux algorithmes qui analysent les comportements et goûts des usagers

Les failles de l’algorithme de Netflix

• Recommandations pour masquer un catalogue peu fourni ?

• Réduction de la diversité culturelle ? Dictature de la popularité

• Restriction des horizons culturels ?

Un catalogue peu fourni

Absence de la série peu connue Pushing Daisies

Absence du classique Titanic propose d’autres classiques : Forrest Gump, Dirty Dancing

Une diversité culturelle en péril ? •Après visionnage de The Get Down, les thématiques des recommandations sont : le ghetto, le hip-hop ou le rap, les Afro-Américains -> pas d’élargissement des horizons.

II- LE POUVOIR DES SYSTEMES DE RECOMMANDATION SUR LES CONTENUS CULTURELS ET LES LIMITES DES UTILISATEURS

Une étude du fonctionnement de la culture algorithmique à travers des cas d’usage

2.1 La topocratie d’Instagram ou sa régulation et sa hiérarchisation des photos postées par les utilisateurs

2.2 Le plafond de verre de YouTube pour les créateurs et les minorités

II- Le pouvoir des systèmes de recommandation sur les contenus culturels et les limites des utilisateurs

2.1 LA RÉGULATION ET LA HIÉRARCHISATION D’INSTAGRAM DES PHOTOS DES UTILISATEURS OU SA TOPOCRATIE

D’une timeline antéchronologique à une timeline algorithmique● Constat : 70% des contenus masqués

● Permet un(e) :- plus grande réactivité- optimisation de l’expérience- temps plus long de l’utilisateur passé sur l’application

● Conserve du pouvoir sur le contenu et sur sa diffusion

● Basé sur l’algorithme de Facebook (Newsfeed Rank Algorithm)

Comment ça marche ?

Un post Instagram sera montré dans une timeline selon :

L’engagement généré par la publication

Les interactions entre l’utilisateur et le compte à l’origine de la publication

La probabilité que l’utilisateur trouve la publication intéressante

Conséquences

● Économique : développement de l’offre business et pousse les marques à sponsoriser leurs posts

● Fait apparaître les influenceurs

● Donne naissance à Tribegram Lab, 1ère agence française de conseil en stratégie social média sur Instagram

2.2 Le plafond de verre de YouTube pour les créateurs et les minorités

L’algorithme YT est conçu pour faire la promotion de chaînes, et non celle de vidéos individuelles. Mais l’algorithme YT se sert des vidéos pour promouvoir des chaînes individuelles.

Le paradoxe YouTube

• Pas de ligne éditoriale mais une volonté de capter l’utilisateur le plus longtemps possible sur la plateforme

→ clôture informationnelle

• Mix entre :• Suggestions adaptées à l’utilisateur • Tendances = ce que l’ensemble va aller regarder (au

détriment des abonnements)

• Conditions pour devenir célèbre et invisibilisation de certaines personnes → reproduction des inégalités sociales

YouTube : une recommandation ultrapersonnalisée qui fonctionne mal

Propose de revoir des vidéos, recommande des vidéos similaires du même artiste : on ne sort pas des sentiers battus.

Tendances : ce que la majorité voudrait voir (selonYouTube)Aucun lien avec mes abonnements

Tri dans les abonnements : par date et par popularité

Certaines vidéos n’ont même pas encore été visionnées, d’autres sont en rapport avec l’actualité (nouvelle année).Dans tous les cas, 5 vidéos seulement dans le « récents »

2.3 Le paradoxe des plateformes musicales : un algorithme de plus en plus performant et de plus en plus limité

Historique : Pandora et son algorithme d’appariement

● Lancé en 2000 par le Genome Musical Project

● Le but : une description complète et organisée des chansons à l’aide en se basant sur des “gênes” bien précis

● Le résultat : création d’un algorithme d’appariement

Deezer et SpotifyOn observe 3 types de recommandations :

→ Recommandation personnalisée en fonction des écoutes et des recherches précédentes

→ Système content-based : recommande les titres les plus proches de ce que l’on écoute

→ Recommandation sociales, collaboratives en fonction de ce que les utilisateurs qui seraient les plus proches de nos goûts sont aussi écouté et recherché

Les limites de la recommandation musicale

• Problème d’échelle : délaisse les artistes moins populaires

• Ne peut pas connaître la question de l’intensité de l’attention

• N’est finalement que le reflet de traces d’usages et non pas d’usages

• Limitée dans son champ d’action : ne peut pas prendre en compte nos autres pratiques musicales (physiques, concerts, etc)

III- L’AVENIR DES ALGORITHMES

ENTRE INNOVATION, ETHIQUE

ET HYPERPERSONNALISATIONEt si les algorithmes connaissaient tout de nous ?

3.1 La confiance entre les utilisateurs et les plateformes innovantes : une priorité de la CNIL

3.2 Une expérience personnalisée adaptée à la bulle de l’utilisateur : son environnement sensible et son psychisme

III- L’avenir des algorithmes entre innovation, éthique et hyperpersonnalisation

3.1 La confiance entre les utilisateurs et les plateformes innovantes : une priorité de la CNIL

4 axes de la CNIL

1) Information et consentement des utilisateurs : écrans d’installation, des écrans d’autorisation d’accès, des notifications contextuelles

2) Droit à la portabilité pour l’utilisateur

3) Transparence des algorithmes

4) Loyauté

3.2 Une expérience personnalisée, adaptée à la bulle de l’utilisateur : son environnement sensible et son psychisme

• Pour une prédiction plus personnalisée : la prise en compte du contexte sensible (context awareness) + algorithmie

→ ex : Traumadata

• Pour des services ambiants : analyse des sentiments, de l’humeur et des émotions + objets connectés et capteurs

→ ex : Life Tracks / The Collective Mood Master

3.2 Une expérience personnalisée, adaptée à la bulle de l’utilisateur : son environnement sensible et son psychisme

• Engagement des utilisateurs dans la création cinématographique : une frontière plus floue entre créateurs et consommateurs

→ ex : HyperMovie Generator

Un service hyper personnalisé : chaque utilisateur a un profil et des recommandations sur mesure

3.3 L’algorithme comme oeuvre d’art

« L’artiste qui crée l’algorithme est toujours en mesure de le modifier donc il n’y aura pas d’art sans artiste. La communication intermachines est intéressante si on conserve un esprit critique, une volonté de détournement. Le code est un art ».

Anne-Cécile Worms, fondatrice de Art2M

Exemple d’image produite par l’algorithme Deep dream de Google

« L’algorithme n’est qu’une recette qu’on utilise. Les aides des grands peintres de la Renaissance suivaient déjà à la lettre des indications précises. L’algorithmique dans l’art existait bien avant les ordinateurs ».

Jean-Pierre Hébert

Viper’s Nest, une œuvre de la série WAR (2015)

BibliographieArticle de périodique

COUSIN, Olivier. « Dominique Cardon, À quoi rêvent les algorithmes. Nos vies à l’heure des big data, Paris, Le Seuil, 2015, 108 p. », La nouvelle revue du travail [En ligne], 8 | 2016, mis en ligne le 14 juin 2016, consulté le 28 décembre 2016. URL : <http://nrt.revues.org/2757>

DE MEYER, Thibault. « Dominique Cardon, À quoi rêvent les algorithmes », Lectures [Online], Reviews, 2016, Online since 05 April 2016, connection on 20 October 2016. <http:// lectures.revues.org/20554 >

GUITON, Amaëlle. Lawrence Lessig : « On doit s’inquiéter de la manière dont Internet nourrit la polarisation ». Libération, décembre 2016, p. 22-23.

Articles dans un périodique électronique

JACQUIN, Jean–Baptiste. Rand Hindi, l’homme qui veut disparaître les technologies. Le Monde. [en

ligne]. 22 juillet 2015. Mis à jour le 23 juillet 2015. (Page consultée le 23 décembre 2016).

http://abonnes.lemonde.fr/festival/article/2015/07/22/rand-hindi-l-homme-qui-veut-faire-disparaitre-les-technologies_4693695_4415198.html

http://www.slate.fr/story/114807/algorithme-netflix-diversite

http://mashable.com/2016/01/11/netflix-search-codes/#lYoAaN_zsqqa

http://abonnes.lemonde.fr/televisions-radio/article/2014/09/12/l-algorithme-de-netflix-un-cerveau-a-la-place-du-c-ur_4486880_1655027.html

http://www.lesinrocks.com/2015/02/02/actualite/et-si-le-fameux-algorithme-de-netflix-netait-en-fait-quun-humain-11558401/

http://www.presse-citron.net/netflix-fait-un-pas-de-plus-dans-sa-quete-de-lalgorithme-de-recommandation-parfait/

Articles dans un périodique électroniquehttp://www.techradar.com/news/internet/how-spotify-netflix-and-amazon-s-powerful-discovery-tools-control-our-habits-1216211/2 http://www.dansmesinternets.fr/lalgorithme-de-youtube-est-il-injuste/ http://www.tubefilter.com/2016/06/23/reverse-engineering-youtube-algorithm/http://www.20minutes.fr/culture/1784559-20160212-tente-explorer-algorithme-youtube http://e-penser.com/index.php/2016/12/12/y-a-t-il-un-probleme-youtube/ http://labs.hadopi.fr/actualites/bienvenue-sur-votre-amazon-les-systemes-de-recommandation-douvrages.html