Dalam dunia konsumsi media yang terus berkembang, menemukan konten baru yang sesuai dengan selera Anda bisa menjadi tantangan tersendiri. Sebuah alat sumber terbuka baru bernama Recommendarr telah muncul, memicu diskusi di antara para penggemar teknologi tentang manfaat penggunaan Large Language Models (LLM) untuk rekomendasi media yang dipersonalisasi, dibandingkan dengan algoritma rekomendasi tradisional.
Rekomendasi Media Berbasis AI
Recommendarr adalah aplikasi web yang menganalisis perpustakaan Sonarr, Radarr, Plex, dan Jellyfin pengguna untuk menghasilkan rekomendasi acara TV dan film yang dipersonalisasi. Berbeda dengan sistem rekomendasi konvensional yang mengandalkan collaborative filtering atau algoritma berbasis konten, Recommendarr memanfaatkan kemampuan pemahaman kontekstual dari LLM. Aplikasi ini mengirimkan data perpustakaan ke layanan AI, yang kemudian menganalisis pola menonton dan menyarankan konten baru berdasarkan pemahamannya tentang hubungan antara berbagai properti media.
Pembuat Recommendarr menjelaskan motivasi mereka menggunakan LLM daripada sistem rekomendasi tradisional:
Saya tidak pernah menemukan sistem rekomendasi yang bekerja dengan baik untuk saya. Saya telah mencoba banyak sistem dan alasan saya memutuskan untuk mulai menggunakan LLM adalah karena saya kehabisan pilihan... dan setelah saya mencobanya, saya jauh lebih menyukai rekomendasi yang diberikan.
Sentimen ini mendapat sambutan dari beberapa pengguna yang mengungkapkan frustrasi mereka dengan mesin rekomendasi konvensional, mencatat bahwa LLM berpotensi memahami koneksi bernuansa antara konten yang mungkin terlewatkan oleh algoritma yang lebih sederhana.
Keterbatasan Batas Pengetahuan
Kekhawatiran signifikan yang muncul dalam diskusi komunitas adalah keterbatasan batas pengetahuan yang melekat pada LLM. Karena model-model ini dilatih pada data hingga titik waktu tertentu, mereka mungkin tidak mengetahui acara atau film yang lebih baru yang dirilis setelah tanggal batas pelatihan mereka. Ini menciptakan potensi titik buta dalam rekomendasi, terutama untuk konten yang baru dirilis.
Pengembang mengakui keterbatasan ini, menjelaskan bahwa meskipun model mungkin memiliki beberapa kesadaran tentang acara yang akan datang selama periode pelatihan mereka, merekomendasikan rilis yang sangat baru kemungkinan merupakan titik lemah dari sistem. Ini menghadirkan trade-off yang menarik: pemahaman kontekstual dan kemampuan bahasa alami dari LLM versus kemampuan sistem rekomendasi tradisional untuk memasukkan rilis terbaru melalui pembaruan database.
Pendekatan Alternatif dan Integrasi
Beberapa anggota komunitas menyarankan pendekatan alternatif untuk meningkatkan sistem rekomendasi. Satu saran yang patut diperhatikan adalah menggunakan embeddings untuk clustering daripada hanya mengandalkan LLM. Embeddings dapat memberikan solusi yang lebih ringan yang bekerja dengan baik dengan materi baru dengan menempatkan media dalam ruang multidimensi di mana kesamaan dapat diukur secara matematis daripada melalui pemahaman bahasa alami.
Integrasi dengan Trakt.tv adalah saran populer lainnya, dengan pengguna menunjukkan bahwa layanan ini sudah terintegrasi dengan server media seperti Emby, Jellyfin, dan Plex untuk banyak pengguna. Diskusi menyoroti kekhawatiran tentang bagaimana sistem akan menangani perpustakaan yang sangat besar, dengan beberapa pengguna menyebutkan koleksi lebih dari 30.000 film. Pengembang mencatat bahwa perpustakaan sebesar itu kemungkinan akan mencapai batas input token untuk LLM, menyarankan pendekatan sampling sebagai solusi potensial.
Tantangan Rumah Tangga Multi-Pengguna
Tema berulang dalam komentar adalah tantangan membedakan preferensi antara anggota rumah tangga yang berbeda. Banyak pengguna berbagi server media mereka dengan anggota keluarga yang memiliki selera yang sangat berbeda, membuat rekomendasi terpadu kurang berguna. Anggota komunitas menyarankan integrasi dengan layanan seperti Tautulli dan Overseerr untuk memungkinkan rekomendasi per pengguna berdasarkan pola menonton individu daripada perpustakaan gabungan.
Pengembang mengakui keterbatasan ini dan menyebutkan bahwa integrasi Tautulli telah dicoba tetapi terbukti menantang. Ini menyoroti salah satu area kunci di mana sistem rekomendasi tradisional dengan profil pengguna eksplisit mungkin masih memiliki keunggulan dibandingkan implementasi rekomendasi berbasis LLM saat ini.
Fitur Utama Recommendarr
- Rekomendasi Berbasis AI menggunakan LLM
- Integrasi dengan Sonarr & Radarr untuk acara TV dan film
- Integrasi dengan Plex & Jellyfin untuk analisis riwayat tontonan
- Dukungan AI yang fleksibel (API OpenAI atau alternatif yang kompatibel)
- Dukungan Docker untuk penerapan yang mudah
- Berfokus pada privasi (kredensial disimpan di penyimpanan lokal browser)
- Opsi UI Mode Gelap/Terang
Perbaikan yang Disarankan Komunitas
- Rekomendasi per-pengguna untuk rumah tangga dengan banyak pengguna
- Integrasi Trakt.tv untuk pelacakan riwayat tontonan yang lebih baik
- Pengelompokan berbasis embedding sebagai alternatif untuk LLM
- Integrasi Lidarr untuk rekomendasi musik
- Solusi untuk menangani perpustakaan media yang sangat besar (30k+ item)
Potensi Rekomendasi Musik
Beberapa pengguna menyatakan minat untuk memperluas konsep ke rekomendasi musik, menyarankan integrasi dengan Lidarr (pengelola koleksi musik serupa dengan Sonarr dan Radarr). Seorang pengguna berbagi pengalaman mereka menggunakan skrip untuk mengekspor perpustakaan musik mereka untuk analisis LLM, mencatat bahwa meskipun tidak sempurna, itu memberikan rekomendasi yang menarik. Tantangan LLM dalam merekomendasikan item yang sudah ada di perpustakaan pengguna disebutkan, dengan solusi sederhana namun efektif yaitu secara eksplisit menginstruksikan model untuk tidak mengulangi item dari daftar asli.
Seiring konsumsi media terus bertumbuh di berbagai platform dan format, alat seperti Recommendarr mewakili eksplorasi menarik tentang bagaimana AI dapat meningkatkan penemuan konten. Sementara sistem rekomendasi tradisional telah disempurnakan selama beberapa dekade, penerapan LLM ke domain ini menawarkan pendekatan baru yang mungkin lebih baik dalam menangkap hubungan bernuansa antara properti media yang berbeda. Diskusi yang sedang berlangsung menyoroti potensi dan keterbatasan pendekatan ini, menunjukkan bahwa sistem rekomendasi ideal di masa depan mungkin menggabungkan elemen dari algoritma tradisional dan pemahaman bahasa alami berbasis AI.
Referensi: Recommendarr: Sistem rekomendasi berbasis AI berdasarkan informasi perpustakaan Radarr dan Sonarr