Jellyfin film önerisi için yerel yapay zekâ: sonuçlar beklentinin üzerinde
Plex’ten Jellyfin’e geçen bir kullanıcı, yeni sunucusunda izleme geçmişinin beklendiği gibi taşınmadığını fark etti. Bunun sonucunda Jellyfin film önerisi neredeyse rastgele bir hâl aldı: 1940 yapımı komedi klasiği His Girl Friday’i izlediği için sistem ona bir vampir filmi önerdi. Çözüm ise kendi donanımında çalışan yerel bir büyük dil modeli oldu.
Sorunun kökeni veride yatıyor. Jellyfin’in öneri mekanizması büyük ölçüde izleme geçmişi ve izleme süresi gibi sinyallere dayanıyor; platform değişikliğinde bu kayıtlar aktarılmayınca geriye öneri üretecek neredeyse hiçbir veri kalmıyor. Kullanıcı, kurulumu sırasında bir hata yapmış olabileceğini de kabul ediyor. Ancak pratikte ortaya çıkan tablo net: tür uyumsuz, bağlantısız öneriler.
Devreye alınan yöntem ise karmaşık değil. İzleme geçmişi dışa aktarılıp yerel bir dil modeline verildi ve modelden hem izlenen yapımların ortak noktalarını çıkarması hem de kütüphanedeki izlenmemiş filmleri bu profile göre değerlendirmesi istendi. Model, tür etiketlerinin ötesine geçerek dönem, yönetmen tercihi, anlatım temposu ve ton gibi daha ince örüntüleri yakalayabiliyor. Bu tür bir kurulum, verilerin dışarı çıkmaması avantajını da beraberinde getiriyor; birden fazla modeli tek düzen altında çalıştıran kurulumlar bu iş için pratik bir zemin sunuyor.
Sonuçlar ise kaynağındaki değerlendirmeye göre şaşırtıcı derecede isabetli. Yerel model, yalnızca aynı türden filmler önermekle kalmayıp kullanıcının izleme alışkanlığındaki kaymaları da dikkate alan bir liste oluşturdu. Tür etiketine körü körüne bağlı kalan klasik öneri motorlarının aksine, içerikler arasındaki tema ve üslup benzerliğini yakalaması, önerilerin “neden bu film” sorusuna cevap verebilmesini sağladı.
Yöntemin sınırları da var. Sağlıklı sonuç için düzenli bir izleme geçmişi, temiz meta veri ve doğru kurgulanmış bir istem gerekiyor. Yerel modellerin kapasitesi donanıma göre değiştiği için her kurulumda aynı kalitede çıktı beklenmemeli. Ayrıca modelin önerileri bir filtre değil, bir başlangıç noktası olarak görmek gerekiyor; nihai seçimi yine kullanıcı yapıyor.
Özetle, kendi medya sunucusunu işletenler için yerel dil modelleri, kopuk öneri motorlarının boşluğunu doldurmanın makul bir yolu hâline gelmiş durumda. İzleme verisini buluta göndermeden çalışan bu yaklaşım, hem gizlilik hem de kişiselleştirme tarafında dengeli bir çözüm sunuyor. Ev sunucusunda yapay zekâ denemek isteyenler için ise benzer adımlar, akıllı hoparlör gibi cihazları yerel asistana dönüştüren projelerle aynı mantığa dayanıyor.
Kaynak: XDA Developers
İlgili içerikler: Claude, GPT, Gemini ve yerel modelleri tek düzen altında toplayan yapay zekâ kodlama kurulumu
