Dalam dunia penggunaan media yang semakin berkembang, mencari kandungan baharu yang sesuai dengan citarasa anda boleh menjadi mencabar. Satu alat sumber terbuka baharu yang dipanggil Recommendarr telah muncul, menjana perbincangan dalam kalangan penggemar teknologi mengenai kelebihan menggunakan Model Bahasa Besar (LLM) untuk cadangan media yang diperibadikan, berbanding algoritma cadangan tradisional.
Cadangan Media Berkuasa AI
Recommendarr adalah aplikasi web yang menganalisis perpustakaan Sonarr, Radarr, Plex, dan Jellyfin pengguna untuk menjana cadangan rancangan TV dan filem yang diperibadikan. Tidak seperti sistem cadangan konvensional yang bergantung pada penapisan kolaboratif atau algoritma berasaskan kandungan, Recommendarr memanfaatkan keupayaan pemahaman kontekstual LLM. Aplikasi ini menghantar data perpustakaan kepada perkhidmatan AI, yang kemudian menganalisis corak tontonan dan mencadangkan kandungan baharu berdasarkan apa yang difahaminya tentang hubungan antara pelbagai jenis media.
Pencipta Recommendarr menjelaskan motivasi mereka untuk menggunakan LLM berbanding sistem cadangan tradisional:
Saya tidak pernah mendapati sistem cadangan berfungsi dengan baik untuk saya. Saya telah mencuba banyak sistem dan sebab saya memutuskan untuk mula menggunakan LLM adalah kerana saya kehabisan pilihan... dan selepas saya mencubanya, saya lebih menyukai cadangan yang diberikan.
Sentimen ini mendapat sambutan daripada beberapa pengguna yang menyuarakan kekecewaan mereka terhadap enjin cadangan konvensional, menyatakan bahawa LLM berpotensi memahami hubungan yang halus antara kandungan yang mungkin terlepas pandang oleh algoritma yang lebih ringkas.
Batasan Pengetahuan Terkini
Satu kebimbangan penting yang dibangkitkan dalam perbincangan komuniti adalah batasan pengetahuan terkini yang wujud dalam LLM. Memandangkan model-model ini dilatih dengan data sehingga titik masa tertentu, mereka mungkin tidak mengetahui tentang rancangan atau filem baharu yang dikeluarkan selepas tarikh latihan mereka. Ini mewujudkan potensi titik buta dalam cadangan, terutamanya untuk kandungan yang baru dikeluarkan.
Pembangun mengakui batasan ini, menjelaskan bahawa walaupun model mungkin mempunyai sedikit kesedaran tentang rancangan yang akan datang semasa tempoh latihan mereka, mencadangkan keluaran terkini berkemungkinan menjadi kelemahan sistem. Ini menimbulkan pertukaran yang menarik: pemahaman kontekstual dan keupayaan bahasa semula jadi LLM berbanding keupayaan sistem cadangan tradisional untuk menggabungkan keluaran terkini melalui kemas kini pangkalan data.
Pendekatan Alternatif dan Integrasi
Beberapa ahli komuniti mencadangkan pendekatan alternatif untuk meningkatkan sistem cadangan. Satu cadangan yang ketara adalah menggunakan pembenaman (embeddings) untuk pengelompokan berbanding bergantung semata-mata pada LLM. Pembenaman boleh menyediakan penyelesaian yang lebih ringan yang berfungsi dengan baik dengan bahan baharu dengan meletakkan media dalam ruang multidimensi di mana persamaan boleh diukur secara matematik berbanding melalui pemahaman bahasa semula jadi.
Integrasi dengan Trakt.tv adalah satu lagi cadangan popular, dengan pengguna menunjukkan bahawa perkhidmatan ini sudah mengintegrasikan dengan pelayan media seperti Emby, Jellyfin, dan Plex untuk ramai pengguna. Perbincangan itu menyoroti kebimbangan tentang bagaimana sistem akan mengendalikan perpustakaan yang sangat besar, dengan beberapa pengguna menyebut koleksi lebih daripada 30,000 filem. Pembangun menyatakan bahawa perpustakaan sebesar itu berkemungkinan akan mencapai had input token untuk LLM, mencadangkan pendekatan persampelan sebagai penyelesaian yang berpotensi.
Cabaran Isi Rumah Berbilang Pengguna
Tema berulang dalam komen adalah cabaran untuk membezakan antara keutamaan ahli isi rumah yang berbeza. Ramai pengguna berkongsi pelayan media mereka dengan ahli keluarga yang mempunyai citarasa yang sangat berbeza, menjadikan cadangan bersatu kurang berguna. Ahli komuniti mencadangkan integrasi dengan perkhidmatan seperti Tautulli dan Overseerr untuk membolehkan cadangan khusus pengguna berdasarkan corak tontonan individu dan bukannya perpustakaan gabungan.
Pembangun mengakui batasan ini dan menyebut bahawa integrasi Tautulli telah dicuba tetapi terbukti mencabar. Ini menyoroti salah satu bidang utama di mana sistem cadangan tradisional dengan profil pengguna yang jelas mungkin masih mempunyai kelebihan berbanding pelaksanaan semasa cadangan berasaskan LLM.
Ciri-Ciri Utama Recommendarr
- Cadangan Berkuasa AI menggunakan LLM
- Integrasi dengan Sonarr & Radarr untuk rancangan TV dan filem
- Integrasi dengan Plex & Jellyfin untuk analisis sejarah tontonan
- Sokongan AI yang fleksibel (API OpenAI atau alternatif yang serasi)
- Sokongan Docker untuk pelaksanaan yang mudah
- Berfokus pada privasi (maklumat pengesahan disimpan dalam storan tempatan pelayar)
- Pilihan UI Mod Gelap/Terang
Penambahbaikan yang Dicadangkan oleh Komuniti
- Cadangan khusus untuk setiap pengguna bagi isi rumah berbilang pengguna
- Integrasi Trakt.tv untuk pengesanan sejarah tontonan yang lebih baik
- Pengelompokan berasaskan pembenaman sebagai alternatif kepada LLM
- Integrasi Lidarr untuk cadangan muzik
- Penyelesaian untuk mengendalikan perpustakaan media yang sangat besar (30k+ item)
Potensi Cadangan Muzik
Beberapa pengguna menyatakan minat untuk melanjutkan konsep ini kepada cadangan muzik, mencadangkan integrasi dengan Lidarr (pengurus koleksi muzik yang serupa dengan Sonarr dan Radarr). Seorang pengguna berkongsi pengalaman mereka menggunakan skrip untuk mengeksport perpustakaan muzik mereka untuk analisis LLM, menyatakan bahawa walaupun tidak sempurna, ia memberikan cadangan yang menarik. Cabaran LLM mencadangkan item yang sudah ada dalam perpustakaan pengguna telah disebut, dengan penyelesaian yang mudah tetapi berkesan iaitu mengarahkan model secara eksplisit untuk tidak mengulangi item dari senarai asal.
Memandangkan penggunaan media terus berkembang merentasi pelbagai platform dan format, alat seperti Recommendarr mewakili penerokaan menarik tentang bagaimana AI boleh meningkatkan penemuan kandungan. Walaupun sistem cadangan tradisional telah diperhalusi selama beberapa dekad, penggunaan LLM dalam domain ini menawarkan pendekatan baharu yang mungkin lebih baik dalam menangkap hubungan yang halus antara pelbagai jenis media. Perbincangan yang berterusan menyoroti kedua-dua potensi dan batasan pendekatan ini, mencadangkan bahawa sistem cadangan ideal pada masa hadapan mungkin menggabungkan elemen kedua-dua algoritma tradisional dan pemahaman bahasa semula jadi berkuasa AI.
Rujukan: Recommendarr: Sistem cadangan berasaskan AI berdasarkan maklumat perpustakaan Radarr dan Sonarr