個人化推薦與條件機率的關係，始於二次大戰，70多年後，網飛（Netflix）如何使用「條件機率」打造最能滿足訂戶體驗的個人化推薦服務，稱霸影視產業？
Netflix發展速度飛快，導致人們常忽略這家公司最早是靠「透過郵件的機器學習」起家。2010年，該公司的業務重心是用紅色信封將DVD包好並郵寄給用戶，同時標榜「逾期歸還絕不收費！」發送後過了幾天，信封連同用戶對影片從1到5的評價等級，陸續寄回了Netflix。隨著用戶評價逐漸累積，Netflix透過演算法尋找模式，久而久之，用戶就能獲得更精準的影片推薦（這種AI通常稱為「推薦系統」〔recommender system〕，我們喜歡以「推薦引擎」〔suggestion engine〕稱之）。
聽到AI時，不要只想到機器人，請想成「演算法」。
個人化推薦，同業搶學
《紙牌屋》是Netflix第一部原創影集，製作團隊最初找上各大電視台洽談此劇時，對方都很感興趣卻也謹慎，希望看過試拍再決定；然而，Netflix很快就拍板了。根據該劇製作人的說法，Netflix是唯一一家公司敢說出：「我們信任貴團隊。分析統計數據之後，結果顯示這部影集會吸引大量觀眾收看。不用給我們看試拍了，直接說你們打算拍幾集吧。」
試想這句話對影視行業可能造成的經濟影響。在《紙牌屋》首播的前一年，美國各大電視台要求不同團隊製作113集試拍，總花費近4億美元。只有35部正式上檔，其中僅13部（約1/9）得以開拍第二季。顯然，電視公司對節目或影集的成功與否，幾乎毫無把握。
Netflix在2011年3月掌握了什麼各大電視台都不知道的秘密，不只做個人化影片推薦，還轉型製作個人化電視？
一般制式答案大都是Netflix 擁有用戶數據基礎。數據固然重要，但這樣解釋太過簡略。每家電視台都擁有大量數據，像尼爾森收視率調查、關鍵群體小組調查等，然而，Netflix 的數據科學家掌握了和數據一樣重要的兩大關鍵，正好是其他電視台欠缺的：
一、 想對數據提出正確的問題，必須先對統計機率有深刻的理解。
二、 憑藉數據分析結果就有勇氣進行商業轉型。
最終結果就是Netflix產生了驚人的轉變，從機器學習驅動的內容傳遞通路商，蛻變成新一代的製片公司，數據科學家和藝術家攜手合作，創造出令人驚喜的節目。
現今，很少有企業比Netflix 更擅長利用AI進行個人化推薦。他們的創新方式主宰整個網路經濟。使用者的數位蹤跡都會留下個人化推薦的線索，影響遍及Spotify的音樂、YouTube的影片、亞馬遜的推薦商品、《紐約時報》的報導、臉書投放廣告、LinkedIn職缺等。醫師甚至可以使用相同的方法，根據病患的基因，推薦病患接受個人化的癌症治療。
從巨量資料中，看出被忽略的數據——別讓看不見的唬了你。
推薦引擎，更勝搜尋引擎
過去，數位生活中最重要的演算法是搜尋，對大多數人來說，搜尋就等於Google。但是，未來的關鍵演算法是推薦，而非搜尋。搜尋是狹隘而封閉的；你必須知道要搜尋什麼，同時也會受到自身知識和經驗所限制。反之，推薦卻是豐富而開放的，同時吸納了億萬人累積的知識和經驗。推薦引擎就像有意識的「分身軟體」（Doppelgänger software），總有一天可能會比你更了解你的喜好。
推薦引擎背後顯然牽涉許多複雜的數學，不過事實上，就算有數學恐懼症也不用怕，只要理解一個關鍵概念就好：對學習機器來說，個人化推薦就是「條件機率」。
在數學中，「條件機率」是根據已發生的事，判斷另一件事發生的可能性。比方說，早上看到外面烏雲密布，你就會判斷下雨機率很高，決定帶雨傘去上班。在AI領域中，專家會用「條件機率」來說明前述判斷。例如，「照早上的烏雲看來，今天下午下雨的條件機率是六〇％。」數據科學家的表達方式更簡潔：
P（今天下午下雨—今天早上的雲）＝60％。
P指的是「機率」，「—」（垂直線）表示「給定的」（given）或「在……條件之下」。直線左邊是我們感興趣的事件，直線右邊就是我們的知識 ，也稱為「條件事件」，亦即我們相信或假定為真的事件。
在Netflix創新商業模式中，條件機率發揮相當重要的作用。假設你肩負著設計此系統的艱鉅任務，系統必須以訂戶的收視紀錄做為輸入資料，輸出結果則是針對該訂戶是否喜歡某特定節目的預測。先從簡單案例開始：某訂戶喜歡HBO自製影集《諾曼第大空降》，在此條件之下，請評估該用戶喜歡電影《搶救雷恩大兵》的可能性。
但是，要如何才能得知 P（訂戶喜歡《搶救雷恩大兵》—訂戶喜歡《諾曼第大空降》）的條件機率？這時就該資料庫上場了。為了便於理解，假設資料庫中有100位訂戶，所有訂戶都看過這兩部電影，訂戶收視習慣以龐大的「評分矩陣」呈現，列出每位訂戶的喜好與否。
從收視評分矩陣中，統計訂戶對兩部影片的特定偏好組合，針對數據製作交叉表。
從這張簡單的表格，我們可以輕鬆計算出推薦系統所需的條件機率：
．共70位訂戶喜歡《諾曼第大空降》（56＋14）。
．在70位訂戶中，有56位喜歡《搶救雷恩大兵》，14位不喜歡。
得出喜歡《諾曼第大空降》的人，也可能喜歡《搶救雷恩大兵》的條件機率為80％（見算式結果）。
●小檔案_書名：AIQ
作者：尼克．波爾森、詹姆士．史考特
出版社：商業周刊
出版日期：2019年1月24日
●波爾森、史考特 簡介
波爾森是芝加哥大學布斯商學院計量經濟學和統計學教授，鑽研領域包括人工智慧、貝氏統計學和深度學習，經常在國際會議上發表演講。史考特是德州大學奧斯汀分校統計學副教授，進行許多跨領域的研究合作，幫助合作者了解自家領域數據的力量。
延伸閱讀：
