YouTube. Как самый популярный видеохостинг завоевал мир?

Алгоритмы становились все сильнее и сильнее. Марк Литтл, ирландский журналист, стоящий за Storyful, впервые увидел их удивительную силу во время презентации Leanback («Откиньтесь назад»). Зрители щелкали мышкой один раз и видели, как мгновенно и автоматически один за другим разворачиваются видеоролики. «Больше никаких щелчков и возни с мышью, — объяснял приятный голос за кадром. — Все, что вам нужно сделать, это откинуться назад и наслаждаться представлением». Литтл наблюдал за этим в офисе Google на Манхэттене, немного нервничая. «Выпуски новостей устроены так, что сначала людям рассказывают самые важные истории, информируют аудиторию о главных событиях, а потом позволяют им жить своей жизнью, — думал он. — Но здесь совершенно другое дело. Нужно, чтобы ты включился и никогда не отключался». Чем больше люди смотрели определенные видеоролики, тем больше подобных материалов YouTube им скармливал. «Так создавались кроличьи норы, еще не заполненные илом, — вспоминал Литтл. — Ил появится позже».

Тогда эту функцию дополняла привлекательность Интернета как сферы для благих дел. Во время презентации проекта Leanback в Нью-Йорке среди авторов был тощий хипстер Иона Перетти, который вел начинающий веб-сайт под названием BuzzFeed. Вскоре на сайте появился отдел новостей, в котором среди типичных вирусных материалов публиковались серьезные репортажи. Компания Литтла, вынужденная действовать как мультиканальная сеть, переняла подход BuzzFeed. Чтобы субсидировать свою серьезную работу — мониторинг Арабской весны для YouTube, — сотрудники Storyful искали вирусные клипы, вызывающие приятные ощущения. Они нашли «эмоционального малыша» — снятый молодой мамой видеоролик, в кадре которого ребенок живо реагирует на мамину песню. Теперь звоним маме, спрашиваем, можно ли включить рекламу в ее видео, разделяем продажи и отправляем клип в телешоу, чтобы набрать больше просмотров. Storyful называл это «маллет»: спереди делаем дела, сзади веселимся.

Новостные агентства тоже носили «маллет». В этом на YouTube преуспел телеканал Russia Today, финансируемый Кремлем: политические репортажи шли там вперемешку с дразнящими клипами-приманками, в которых мелькали милые животные, автомобильные аварии и пары, застигнутые за публичным сексом. (Эта алгоритмическая алхимия помогала Russia Today годами подниматься в чартах YouTube и при этом не вызывать беспокойства со стороны компании — до определенного момента.)

Функция «Откиньтесь назад» продержалась на YouTube недолго, но концепция, безусловно, сохранилась. Все больше зрителей переходили от одного рекомендованного клипа к следующему; это увеличивало и длительность просмотра, и — что не менее важно — объемы данных. В Сан-Бруно сотрудники YouTube редко смотрели видео, но постоянно просматривали видеоданные. В частности, они обратили внимание на колебания данных о рекламе и просмотрах. Частая реклама отталкивала людей, а YouTube не установил конкретную частоту появления рекламных телероликов. Реклама появлялась примерно каждые семь минут просмотра, хотя эта цифра не всегда была одинаковой (некоторые каналы оставляли более длинные фрагменты без рекламы) и эффективной (что раздражало Google). Программист Алексей Столбушкин, работающий у Мехротры, предложил, чтобы эту проблему решали алгоритмы.

Так YouTube совершил один из самых выгодных бизнес-ходов и обзавелся красноречивым признаком того, что компания не посвящена в дела своих машин. Это называлось «Динамическая загрузка рекламы» (Dynamic Ad Loads, кодовое название «Даллас»). Примерно в это время машинное обучение было модным в корпорации Google. Эта форма искусственного интеллекта много лет существовала просто как теория, ожидая появления достаточной вычислительной мощности и больших объемов данных. Google располагала и тем и другим. Большинство программ в те годы было жестко закодировано. («Если А, то Б. Если зритель видит этот ролик Ингрид Нильсен, то покажите это объявление».) Системы машинного обучения программировали сами себя, обнаруживая в данных закономерности, необходимые для того, чтобы распознать, например, лицо на фотографии или сосок на видео. Хорошие машины оказались умнее людей, по крайней мере, в определенных задачах. Зачастую принимаемые ими решения были необъяснимы даже для тех, кто запускал эти алгоритмы в работу. Инженеры YouTube предложили собрать достаточно данных о зрительских привычках и предпочтениях, чтобы предсказать оптимальную частоту показа рекламных материалов, которая не отпугнет зрителей. Каждая модель машинного обучения нуждалась в целевых ориентирах. Мехротра нарисовал график: на одной оси отмечалась длительность просмотра, а на другой — доход. Для равновесия он сказал своим программистам, что готов сократить длительность на один процент, если при этом рекламы прибавится на два процента, но не более того.