Die neue Empfehlungs-KI von Netflix. einfach erklärt

Netflix hat gerade einen Forschungsbericht über eine neue Art der Empfehlungen veröffentlicht. Sie haben ein Open-Source-KI-Modell, Qwen3, genommen, es anhand ihrer eigenen Daten verfeinert und können eine Sendung empfehlen, bevor jemand sie gesehen hat. In ihren Tests schnitt es bei brandneuen Titeln um 77 % besser ab als das Modell, das Netflix zuvor hatte. In diesem Video: → Wie sich Empfehlungen entwickelten, vom „Zusammenkaufen“ über Einbettungen bis hin zu Zwei-Tower-Modellen → Das Kaltstartproblem und warum neue Sendungen weit hinterher starten → Wie Netflix jeder Sendung einen vierteiligen Code gibt, wie eine Bibliothekssignatur → Wie das Modell Ihren Sehverlauf wie einen Satz liest und die nächste Sendung schreibt → Das Experiment: Schreiben Sie den Code einzeln oder alle auf einmal → Die Ergebnisse: 77 % besser bei neuen Titeln, 22 % besser bei der Beantwortung von Fragen, 73 % günstiger zu trainieren → Wohin die Empfehlungen als nächstes gehen Quelle: Netflix-Artikel „Personalized LLM Recommendation with Semantic IDs: Autoregressive Beam Search vs. Multi-Token Prediction at Industry Scale“ (arXiv, Oktober 2026). Kapitel 0:00 Der neue KI-Empfehler von Netflix 1:00 Was Netflix entwickelt hat 1:21 Wie sich Empfehlungen entwickelt haben 2:35 Das Kaltstartproblem 3:01 Wie Netflix es macht, Schritt für Schritt 4:42 Ein Teil nach dem anderen vs. alles auf einmal 5:30 Wie sie es getestet haben und die Ergebnisse 6:01 Wohin das führt 6:46 Zusammenfassung Links Netflix-Artikel: https://arxiv.org/abs/2610.15864 Open-Source-Projekt, semantische IDs in einem kleineren Katalog: https://github.com/eugeneyan/semantic-ids-llm Alle Meinungen sind meine eigenen und gehören nicht meinem Arbeitgeber. #Netflix #KI #Empfehlungssysteme