YouTube
moteur de recommandation de contenu
Environ 70% du temps de visionnage sur YouTube est pilote par ses recommandations deep learning, selon Neal Mohan (CES 2018), la plateforme placant la recommandation au-dessus des abonnements et de la recherche.
Objectif
Maximiser le temps de visionnage utile en enchainant automatiquement des videos pertinentes, pour retenir l'audience sur la plateforme plutot que de dependre de la recherche ou des abonnements.
Le déploiement
Le systeme genere pour chaque utilisateur un flux de suggestions (home et colonne de droite) a partir de son historique, du temps regarde, des likes, partages et reponses aux sondages. Il repose sur deux reseaux de deep learning, l'un pour selectionner des candidats, l'autre pour les classer. Il traite plus de 80 milliards de signaux et compare les habitudes de visionnage a celles de profils similaires.
Résultats Preuve C
Chiffre des 70% annonce publiquement en 2018 par Neal Mohan (alors Chief Product Officer de YouTube) et rapporte par la presse specialisee. Confirme qualitativement par le blog officiel YouTube (2021) qui place la recommandation au-dessus des abonnements et de la recherche.
Comment ça fonctionne
Architecture documentéeLa stack en détail
- outil Systeme de recommandation two-stage YouTube Deux reseaux de deep learning in-house : candidate generation (selection parmi des milliards de videos) puis ranking (classement par watch time utile).
- infra Google Brain Equipe et technologies deep learning de Google qui appuient les reseaux de recommandation.
- infra Logs de signaux d'engagement YouTube Plus de 80 milliards de signaux (historique, temps regarde, likes, partages, sondages) journalises par utilisateur, matiere premiere des deux reseaux.
Comment ça tourne, concrètement
Pour les équipes ops-
1Collecte des signaux site_app / equipe data
Historique, temps regarde, likes, partages, reponses aux sondages sont journalises par utilisateur.
-
2Generation de candidats IA
Un premier reseau de deep learning selectionne un sous-ensemble de videos pertinentes parmi des milliards.
-
3Ranking IA
Un second reseau ordonne les candidats selon la probabilite de watch time utile pour cet utilisateur.
-
4Rendu et boucle site_app / humain
Home et suggestions sont composees ; le visionnage qui suit realimente les signaux.
Le watch time et les signaux d'engagement (clics, duree, likes, partages, reponses aux sondages). Si le systeme optimise le clic plutot que le temps regarde utile, il derive vers l'appat a clic.
Comment vos clients perçoivent ce type d'usage
Études sourcéesLe paradoxe est documente des deux cotes : 71% des consommateurs attendent des interactions personnalisees et 76% sont frustres quand elles manquent (McKinsey, 2021), mais 75% declarent ne pas acheter aupres d'organisations auxquelles ils ne confient pas leurs donnees (Cisco, 2024). La « creepy line » est localisee : messages recus quelques secondes apres une recherche et suivi de localisation sont les pratiques qui mettent le plus mal a l'aise (Periscope by McKinsey, 2019).
Conditions d'acceptation
- La confiance dans le traitement des donnees precede l'achat : 75% ne achetent pas sans elle (Cisco 2024)
- Un cadre legal protecteur rassure : 59% des consommateurs disent que des lois fortes sur la vie privee les rendent plus a l'aise pour partager des informations dans des applications IA (Cisco 2024)
- La personnalisation elle-meme est attendue quand elle est consentie : environ la moitie des consommateurs (US 55%, UK 52%) disent s'inscrire souvent ou parfois a des services personnalises (Periscope by McKinsey 2019)
Lignes rouges
- Le message declenche quelques secondes apres une recherche ou un achat : deuxieme ou troisieme cause de malaise selon les pays (Periscope by McKinsey 2019)
- Le suivi de localisation percu comme de la surveillance : 40% de malaise en Allemagne et au Royaume-Uni (Periscope by McKinsey 2019)
- Le mesusage des donnees personnelles par l'IA, devenu la premiere inquietude des consommateurs, a 53% et en hausse (Qualtrics 2025)
Sources : McKinsey & Company 2021 · Periscope by McKinsey 2019 · Cisco 2024 · Qualtrics 2025
Voir l'acceptation complète : par pays, par usage, par génération
Comment répliquer
Inférence - non sourcéPrérequis data
- logs de visionnage par utilisateur
- catalogue de contenus indexe
- signaux d'engagement explicites et implicites
Prérequis orga
- equipe ML dediee
- infra de serving temps reel a l'echelle
- gouvernance sur l'objectif optimise
Stack possible
- custom/in-house
- frameworks de deep learning
- systeme two-tower candidate generation + ranking
Le plan, étape par étape
- Étape 1Definir l'objectif optimise (temps de visionnage utile, pas le clic brut) et instrumenter les logs.Livrable : Metrique cible documentee + pipeline de logs fiable par utilisateur.
- Étape 2Construire le modele de candidate generation.Livrable : Sous-ensemble de candidats pertinents evalue offline contre l'existant.
- Étape 3Construire le modele de ranking et l'evaluer offline.Livrable : Classement qui bat la baseline sur les logs historiques.
- Étape 4Lancer l'A/B test en production sur une fraction du trafic.Livrable : Lecture watch time utile et retention vs groupe de controle.
- Étape 5Industrialiser le serving temps reel et le reentrainement periodique.Livrable : Systeme en production avec monitoring de derive et de qualite.
Première étape : Definir l'objectif optimise (temps utile, pas clic brut) avant d'entrainer le moindre modele, car il conditionne tout le comportement.
Le même pattern, prouvé dans d'autres industries
Boots
scoring par machine learning de la propension a utiliser une offre, applique au courrier et a l'app
Michaels
personnalisation genAI du message marketing (copy) a l'echelle, calee sur la voix de marque
Nike
offres et acces exclusifs personnalises selon l'engagement et l'historique membre
Sources
- S1 YouTube Says 70% Of All Watch Time Is Driven By Its Own Recommendations (Tubefilter, citant Neal Mohan au CES 2018) Secondaire archive à générer
- S2 On YouTube's recommendation system (YouTube Blog, Cristos Goodrow, VP Engineering) Officiel intéressé archive à générer
Une erreur, une info plus récente, une source ?
Cette fiche vit de sa justesse. Si un chiffre a bougé, si le déploiement a changé, ou si vous avez une source de meilleure qualité, dites-le nous. Toute correction sourcée est vérifiée avant publication.