Netflix ersetzt seinen berühmten Algorithmus durch ein LLM
Netflix hat jahrelang seinen Empfehlungsalgorithmus zu einer der gefeiertsten Ingenieursleistungen der Tech-Branche ausgebaut. Das System war ein Wunderwerk der Feature-Entwicklung: tausende handgefertigte Signale über Nutzer, Titel und ihre Interaktionen, alle darauf abgestimmt, vorherzusagen, was du als Nächstes sehen wirst.
Es stellt sich heraus, dass der Algorithmus vielleicht gar nicht der entscheidende Punkt war.
Der GenRec-Ansatz
Netflix hat leise GenRec entwickelt, ein internes Sprachmodell, das etwas radikal Einfacheres tut. Statt Nutzerverhalten als dichte numerische Vektoren zu codieren, wandelt GenRec den Sehverlauf in Text um. Abspielvorgänge, Sehdauern, Daumen hoch oder runter, Listen hinzufügungen -- sie werden zu einer Art Gespräch zwischen dem Nutzer und dem System.
Ein feinabgestimmtes Open-Weight-Sprachmodell liest diesen Text und bewertet alle passenden Titel in einem einzigen Durchlauf. Das Modell erkennt Muster wie Genre-Präferenzen und wechselnde Interessen von selbst, ohne dass ein einziger Ingenieur sie als Merkmal definieren muss.
So funktioniert es
Netflix trainiert GenRec in zwei Phasen. Zuerst wird ein unbenanntes Open-Weight-Sprachmodell auf Netflix-Daten feinabgestimmt, um den Katalog und das Nutzerverhalten zu verstehen. Dann folgt eine zweite, häufiger aktualisierte Trainingsrunde, die das Basismodell in einen Empfehlungs-Ranker verwandelt.
Der entscheidende Einblick: Eine vollständige Textversion aller Nutzerinteraktionen würde das Kontextfenster jedes Modells sprengen. Also filtert Netflix aggressiv. Ereignisse mit hoher Aussagekraft wie lange Sehsitzungen bleiben im Detail. Kurze Tipp- oder schnelle Scrollvorgänge werden entfernt. Bingesitzungen werden zusammengefasst.
Der Test
Netflix ließ GenRec in Offline-Tests und einem Live-A/B-Experiment mit echten Nutzern gegen die bestehende Empfehlungs-Engine antreten. GenRec gewann beide Tests. Die Verbesserung war messbar, und es benötigte einen Bruchteil der gekennzeichneten Trainingsdaten des alten Systems.
Netflix sieht darin mehr als nur eine bessere Empfehlungs-Engine. Das Tech-Team des Unternehmens beschrieb es als Teil einer "breiteren Verschiebung hin zu universellen Sprachmodellen und weg von kundenspezifischen Architekturen." Für ein Unternehmen, dessen gesamtes Produkt auf Empfehlungen basiert, hat diese Aussage Gewicht.
Was das bedeutet
Die Geschichte hier ist nicht, dass ein LLM ein maßgeschneidertes System in einem Benchmark übertroffen hat. Das passiert inzwischen regelmäßig. Die Geschichte ist, was es darüber verrät, wo der Wert in KI-Systemen tatsächlich liegt.
Netflix hat Jahre und Millionen Dollar in die Entwicklung tausender Empfehlungsmerkmale investiert. GenRec hat die meisten davon durch einen einzigen Feinabstimmungsdurchlauf auf einem Modell ersetzt, das bereits Sprache verstand. Der Schutzwall war nie der Algorithmus. Der Schutzwall waren die jahrelangen Sehverläufe, die Millionen täglicher Daumen-hoch-Klicks, die granularen Verhaltensdaten, die kein Konkurrent hat.
Dieser Datenvorteil verschwindet nicht, wenn man aufhört, Merkmale von Hand zu programmieren. Ein Sprachmodell, das Verhalten als Text liest, kann sogar mehr Wert daraus ziehen, weil es Muster findet, die die menschlichen Ingenieure nie zu codieren gedacht haben.
Die skeptische Perspektive
GenRec ist noch früh in der Entwicklung. Netflix selbst bezeichnet es als "frühen, aber vielversprechenden Schritt." Standard-Sprachmodelle halluzinieren Titel, bevorzugen populäre Inhalte und ignorieren Geschäftsregeln -- GenRec musste speziell für den Umgang mit diesen Schwachstellen entwickelt werden. Der Übergang weg von handgebauten Architekturen wird Jahre dauern, und Netflix hütet sich vor übertriebenen Behauptungen.
Aber die Richtung ist klar. Das Unternehmen, das eines der ausgeklügelsten Empfehlungssysteme der Welt gebaut hat, setzt jetzt darauf, dass ein universelles Sprachmodell, mit den richtigen Daten im richtigen Format gefüttert, es besser kann. Das ist keine Schlagzeile über einen Benchmark. Es ist ein Signal dafür, wohin sich die gesamte Branche bewegt.