Seit dem Start von algorithmen.zdf.de haben wir vielfältige Rückmeldungen zu diversen Themen von Euch erhalten. Wir möchten uns an dieser Stelle zuerst einmal bedanken: Für Euer Interesse, für die Nutzung dieses Angebotes und natürlich und vor allem für die konstruktive Kritik! Hier findet Ihr die Antworten auf die wichtigsten Fragen:

• Aktualität: Wir planen, etwa alle 2 bis 4 Wochen ein Update auszuspielen. Dieses kann entweder aus zusätzlichen Inhalten zu bestehenden Themen, einem neuen Anwendungsfall, oder auch einem Eintrag im Public Value Blog, so wie diesem hier, bestehen. Die gezeigten Daten in den Anwendungsfällen, z.B. in Metriken, werden monatlich aktualisiert.
• Algorithmen: Einige von Euch haben gefragt, ob man algorithmische Empfehlungen auch ausschalten kann. Die Antwort lautet: Jein. Hinter jedem Automatismus steckt ein Algorithmus, sei es das Suchergebnis oder die Sortierung von Inhalten nach Datum und Nutzung. Diese automatisierten Empfehlungen basieren nicht auf persönlichen Daten und können nicht abgestellt werden. Ausschalten lassen sich aber Empfehlungen, die auf persönlichen Daten beruhen. Hierfür genügt es, der Datenerhebung beim erstmaligen Öffnen der Webseite zu widersprechen oder sie unter "Mein ZDF" zu deaktivieren. Übrigens: Die Suche findet alle Inhalte, ohne dabei persönliche Daten zu verwenden.
• Ausblick: Wir möchten uns im Dezember neben einem Daten-Update bestehender Inhalte auch mit einem neuen Anwendungsfall bei Euch melden. Wir stellen Euch die „Next-Video“ Funktion vor, die viele von Euch sicher schon bemerkt haben, z.B. beim Streamen von Serien. Weiterhin versuchen wir ständig bestehende Inhalte und die Darstellung zu verbessern und neue Themen zu identifizieren, die wir Euch im Blog vorstellen können.

Unter algorithmen@zdf.de freuen wir uns über jedes weitere Feedback von Euch!

Zur besseren Skalierbarkeit und Reduktion von Fehlerquellen, soll eine Änderung in Bezug auf das Modell-Training des „Das könnte Dich interessieren“" Anwendungsfalls durchgeführt werden. Im Detail geht es darum den Trainingsschritt des Empfehlungssystems nicht mehr lokal, sondern in der Cloud durchzuführen. Dafür wurde die A/B-Gruppe E am 21.07.2022 dementsprechend modifiziert und soll nun mit den anderen A/B-Gruppen, die unter der alten Einstellung laufen, verglichen werden. An der Empfehlungslogik sind keine Änderungen vorgesehen.

Die Performance kann auf verschiedene Art und Weise getestet werden. Einerseits kann man Leistungsmetriken messen, z.B. Sehvolumen oder die Klickrate. Andererseits sind wir auch an möglichen inhaltlichen Änderungen interessiert, die mit Hilfe der Public Value Metriken analysiert werden können. Im Folgenden wird die Änderung der A/B-Gruppe E in Bezug auf die vier Public Value Metriken dargestellt und mit den anderen Gruppen verglichen, um etwaige Unterschiede zu erkennen.

Alle vier Public Value Metriken zeigen für A/B-Gruppe E nach dem Update das gleiche Verhalten, wie vor der Änderung. Die Verläufe sind innerhalb der Messunsicherheit (hier nur für Gruppe E als rotes Band gezeigt; für andere Gruppen ähnlich) identisch. Eine geringe, aber sichtbare Auswirkung hat die Änderung in Bezug auf die Aktualität des Models, weil das in der Cloud trainierte Model sofort zum Einsatz kommt, während das lokale Training nur zu bestimmten Zeitpunkten aktualisiert wurde. Dies zeigt sich durch eine höhere Stabilität und weniger temporale Effekte, z.B. im Vergleich der Coverage oder auch der Serendipity.