Spotify intègre les podcasts aux listes de lecture personnalisées

Spotify vient d'annoncer que ses listes de lecture basées sur des prompts incluent désormais également les podcasts. Cette fonctionnalité, lancée à la fin de l'année dernière dans certains territoires (dont la France n'est pas encore concernée), permet de créer des listes en suivant le traitement du langage naturel, comme ChatGPT. Le processus est simple : l'utilisateur lance une requête dans Spotify, le système l'interprète et lui renvoie une liste de références basée sur elle. Cela constitue un nouvel exemple de la façon dont l'IA étend sa présence dans les plateformes de streaming comme alliée pour améliorer l'expérience utilisateur, en particulier dans le domaine des recommandations.

Spotify testait cette fonctionnalité depuis fin 2022 en nouvelle-zélande avant de l'étendre aux états-unis, au canada, au royaume-uni, en irlande, en australie et en suède.

Les listes peuvent être générées à partir de requêtes spécifiques ou génériques, qui peuvent inclure des éléments tels que la période, le genre, le contexte d'écoute, l'état d'âme ou les instruments utilisés dans les chansons, entre autres.

La fonctionnalité s'élargit maintenant aux podcasts, un format clé pour la plateforme face à la taille de ses audiences.

Conformément aux données diffusées par la société, plus de 34 millions de podcasts sont découverts chaque semaine pour la première fois sur Spotify.

Pour générer une liste personnalisée, il suffit d'un prompt. Par exemple : « préparez une liste de podcasts de style de vie qui parlent de style de vie avec une attention particulière au sport et à la nutrition sous forme de conversation et qui ne durent pas plus de 35 minutes ». L'utilisateur peut également activer l'actualisation de la liste générée avec la fréquence qu'il souhaite et la configurer pour qu'elle ne se mette pas à jour.

Chaque épisode ajouté à la liste sera accompagné d'une brève note indiquant pourquoi il a été inclus dans celle-ci.

Les llm et l'expérience utilisateur

L'IA générationnelle a trouvé dans les plateformes de streaming un circuit de tests idéal, en particulier dans le domaine de la recommandation, l'une des pointes d'arde des expériences utilisateur.

Les plateformes disposent de catalogues considérables et d'un consommation intense, ce qui génère de grandes quantités de données. Cela permet de former la technologie pour offrir quelque chose de mieux à ce que faisaient jusqu'alors les algorithmes.

Alors que ces derniers essayent d'« deviner » ce que vous aimeriez voir ou écouter en se basant sur des éléments tels que votre historique de visionnage ou ce qui est tendance dans votre aire géographique, les LLM (modèles d'IA entraînés avec des quantités énormes de données pour comprendre, générer et traiter le langage humain de manière naturelle) fonctionnent en interprétant le langage humain. Ce qui signifie, en fait, qu'ils sont un pont entre le langage humain et le moteur d'algorithme de recommandation.

Le LLM traduit une requête humaine (le prompt) en signaux utiles pour affiner le système de recommandation basé sur les algorithmes, qui combine souvent des techniques telles que le filtrage collaboratif (ce que d'autres voient ou écoulent), l'analyse de contenu (les étiquettes associées au même) et d'autres signaux de contexte (comme votre historique de visionnage).

Spotify n'est pas seul

Spotify n'est pas la seule société à tester des formules pour intégrer les LLM dans l'expérience utilisateur. Depuis fin 2022, YouTube testait une nouvelle fonctionnalité appelée « Your custom feed », destinée à améliorer la précision des sélection de sa page d'accueil, en permettant aux utilisateurs de définir activement le contenu qu'ils veulent voir en utilisant des indications écrites au lieu de se fier uniquement à l'algorithme.

Avec cette fonctionnalité, l'objectif est de réduire la frustration causée par des suggestions répétitives ou peu pertinentes et d'offrir une alternative plus efficace à la possibilité de marquer individuellement chaque contenu avec l'option « Je ne m'intéresse pas ». Amazon propose quant à lui sur ses Fire TV une fonction de recherche vocale basée sur l'IA qui répond à des questions ouvertes sur des séries et des films.

Netflix est également une autre plateforme qui a adopté la mode des LLM. L'hiver dernier, elle a présenté une nouvelle expérience de recherche basée sur l'intelligence artificielle de OpenAI pour permettre aux utilisateurs de découvrir du contenu en utilisant le langage naturel. Tubi a également fait de même avec son chercheur, qui pouvait répondre à des questions et recommander du contenu en fonction de demandes spécifiques des utilisateurs. Cependant, cette fonctionnalité a été retirée peu après son lancement, probablement en raison de sa faible adoption, ce qui laisse ouverte la question de savoir si la proposition de Netflix parviendra à éviter les mêmes obstacles.

Un nouveau système de recommandation

Les systèmes de recommandation de contenus traditionnels évoluent grâce aux possibilités offertes par la nouvelle technologie, qui permet de donner une interprétation plus intuitive de l'intention pour aller au-delà du principal inconvenient du modèle traditionnel : la sensation que l'algorithme ne comprend pas.

L'existence d'informations fournies par l'utilisateur permet de minimiser ce problème en existant une intention claire (vouloir voir ou écouter quelque chose) et des spécifications déclarées (le prompt).

Cependant, ce n'est pas une solution magique, car les LLM introduisent également une certaine dose d'ambiguïté. Le même prompt peut signifier des choses très différentes pour deux utilisateurs, ce qui explique que, pour l'instant, les systèmes utilisent les LLM comme une contribution pour améliorer la couche prédictive des algorithmes.

En outre, même si la recommandation peut sembler plus libre et personnalisée, elle n'est pas exempte d'enfermer l'utilisateur dans la même bulle d'affinité dans laquelle il a déjà été pendant des années.

Les entreprises qui investissent dans la nouvelle technologie le font consciemment, car elles savent que si bien utilisée, cela leur permettra d'enrichir le cercle virtueux sur lequel repose leur activité.

Moins de friction entre intention et consommation signifie plus de temps d'utilisation et, en fin de compte, plus d'engagement. En théorie, la perspective semble prometteuse.