Τα Μαθηματικά Πίσω από το TikTok
Τα Μαθηματικά Πίσω από το TikTok
Πώς πίνακες, πιθανότητες και τεχνητή νοημοσύνη αποφασίζουν ποιο βίντεο θα δεις μετά
Ανοίγεις το TikTok. Σκρολάρεις. Πέντε λεπτά γίνονται σαράντα. Κάθε βίντεο μοιάζει σαν να είναι φτιαγμένο ειδικά για σένα. Τυχαίο; Καθόλου. Πίσω από κάθε πρόταση βίντεο κρύβονται μαθηματικά — και μάλιστα από αυτά που διδάσκονται στο σχολείο.
Σε αυτό το άρθρο θα δούμε πώς ένας αλγόριθμος χρησιμοποιεί πίνακες, πιθανότητες και γραμμική άλγεβρα για να σε κρατήσει κολλημένο στην οθόνη — και γιατί αυτό αφορά τα μαθηματικά που ήδη μαθαίνεις.
Πόσο μεγάλο είναι το TikTok;
Πριν μπούμε στα μαθηματικά, ας δούμε κάποιους αριθμούς που δείχνουν γιατί ο αλγόριθμος του TikTok θεωρείται από τους πιο αποτελεσματικούς στον κόσμο:
Αυτοί οι αριθμοί δεν είναι τυχαίοι. Είναι το αποτέλεσμα ενός αλγορίθμου που «μαθαίνει» τι σου αρέσει — χρησιμοποιώντας μαθηματικά.
Τι είναι τελικά ένας αλγόριθμος;
Στα μαθηματικά, αλγόριθμος είναι μια πεπερασμένη ακολουθία βημάτων που οδηγεί σε ένα αποτέλεσμα. Τον ξέρεις ήδη: ο αλγόριθμος της διαίρεσης, ο αλγόριθμος του Ευκλείδη για τον ΜΚΔ. Η ίδια ιδέα εφαρμόζεται εδώ, μόνο που τα «βήματα» εκτελούνται από υπολογιστές σε χιλιοστά του δευτερολέπτου.
Ο αλγόριθμος του TikTok, σε απλοποιημένη μορφή, κάνει τα εξής:
- Συλλέγει δεδομένα: Καταγράφει τι βλέπεις, πόσο χρόνο το βλέπεις, αν κάνεις like, αν σχολιάζεις, αν στέλνεις βίντεο σε φίλους.
- Αναπαριστά τα δεδομένα μαθηματικά: Μετατρέπει τις αλληλεπιδράσεις σου σε αριθμούς μέσα σε πίνακες (matrices).
- Υπολογίζει πιθανότητες: Εκτιμά πόσο πιθανό είναι να σου αρέσει ένα νέο βίντεο.
- Ενημερώνει τον εαυτό του: Κάθε φορά που αντιδράς, ο αλγόριθμος «μαθαίνει» και βελτιώνεται.
Πίνακες: Η Γλώσσα του Αλγορίθμου
Θυμάσαι τους πίνακες (matrices) από τα μαθηματικά; Ένας πίνακας δεν είναι παρά μια ορθογώνια διάταξη αριθμών. Στο TikTok, χρησιμοποιείται μια τεχνική που λέγεται παραγοντοποίηση πινάκων (matrix factorization).
Φαντάσου έναν τεράστιο πίνακα όπου κάθε γραμμή είναι ένας χρήστης και κάθε στήλη είναι ένα βίντεο. Τα κελιά περιέχουν βαθμολογίες αλληλεπίδρασης (πχ. 1 = είδε, 5 = είδε + like + share):
| V₁ | V₂ | V₃ | |
| Εσύ | 5 | ? | 3 |
| Μαρία | 4 | 5 | ? |
| Νίκος | ? | 4 | 2 |
Πίνακας R (αλληλεπιδράσεις χρηστών – βίντεο)
Τα ερωτηματικά (?) είναι βίντεο που ο χρήστης δεν έχει δει ακόμα. Ο στόχος του αλγορίθμου είναι να προβλέψει αυτά τα κενά.
Πώς; Με παραγοντοποίηση!
Ο μεγάλος πίνακας R (χρήστες × βίντεο) «σπάει» σε δύο μικρότερους πίνακες:
| 0.8 | 0.2 |
| 0.6 | 0.9 |
| 0.3 | 0.7 |
U (χρήστες × χαρακτηριστικά)
| 0.9 | 0.4 | 0.7 |
| 0.1 | 0.8 | 0.3 |
VT (χαρακτηριστικά × βίντεο)
Ο πίνακας U αποτυπώνει τα «κρυφά χαρακτηριστικά» κάθε χρήστη (πχ. πόσο του αρέσει η κωμωδία, ο αθλητισμός κλπ.), ενώ ο V αποτυπώνει τα χαρακτηριστικά κάθε βίντεο. Πολλαπλασιάζοντας τα, ο αλγόριθμος «μαντεύει» τι βαθμολογία θα έδινες σε βίντεο που δεν έχεις δει.
Ο πολλαπλασιασμός πινάκων που μαθαίνεις στη Β΄ και Γ΄ Λυκείου είναι ακριβώς η ίδια πράξη που χρησιμοποιεί ο αλγόριθμος. Κάθε στοιχείο του αποτελέσματος είναι ένα εσωτερικό γινόμενο — μια βασική πράξη της γραμμικής άλγεβρας.
Πιθανότητες: Τι θα δεις μετά;
Αφού ο αλγόριθμος υπολογίσει τις «βαθμολογίες», χρησιμοποιεί μοντέλα πιθανοτήτων για να αποφασίσει ποιο βίντεο θα σου δείξει στη σελίδα «Για Σένα» (For You Page).
Η βασική ερώτηση που απαντά ο αλγόριθμος είναι:
Για να απαντήσει, χρησιμοποιεί δεσμευμένες πιθανότητες (conditional probabilities) — ακριβώς αυτές που μαθαίνεις στη Στατιστική. Λαμβάνει υπόψη:
Χρόνος παρακολούθησης: Είδες το βίντεο μέχρι τέλος ή το πέρασες μετά από 2 δευτερόλεπτα;
Αλληλεπιδράσεις: Like, σχόλιο, share, save — κάθε ενέργεια έχει διαφορετικό «βάρος».
Ιστορικό: Τι έβλεπες τις τελευταίες μέρες; Αλλάζουν τα ενδιαφέροντά σου;
Περιεχόμενο βίντεο: Hashtags, ήχος, αντικείμενα που αναγνωρίζει η AI.
Κάθε βίντεο παίρνει μια τελική βαθμολογία — ένα σταθμισμένο άθροισμα (weighted sum) αυτών των παραγόντων. Τα βίντεο κατατάσσονται και αυτό με την υψηλότερη βαθμολογία εμφανίζεται πρώτο.
Πώς «βλέπει» βίντεο η Τεχνητή Νοημοσύνη
Αλλά πώς ξέρει ο αλγόριθμος τι δείχνει ένα βίντεο; Η απάντηση είναι η μηχανική όραση (computer vision) — ένας κλάδος της τεχνητής νοημοσύνης που βασίζεται σε μαθηματικά.
Κάθε frame ενός βίντεο είναι, για τον υπολογιστή, ένας πίνακας αριθμών. Μια εικόνα 1080×1920 pixels σε χρώμα RGB είναι στην πραγματικότητα τρεις πίνακες (ένας για κάθε χρώμα) με 1080 × 1920 ≈ 2 εκατομμύρια τιμές ο καθένας.
Κάθε pixel αποθηκεύεται ως ένα σύνολο τριών αριθμών (R, G, B), όπου κάθε αριθμός κυμαίνεται από 0 έως 255. Ένα ολόλευκο pixel είναι (255, 255, 255), ένα ολόμαυρο (0, 0, 0). Η τεχνητή νοημοσύνη «διαβάζει» αυτούς τους αριθμούς με τον ίδιο τρόπο που εσύ διαβάζεις γράμματα.
Η AI χρησιμοποιεί συνελικτικά νευρωνικά δίκτυα (Convolutional Neural Networks – CNN) για να αναγνωρίσει αντικείμενα, πρόσωπα, σκηνές και ακόμα και τη «διάθεση» ενός βίντεο. Αν βλέπεις πολλά βίντεο με γάτες, ο αλγόριθμος αναγνωρίζει τη γάτα στα frames και σου δείχνει περισσότερα.
Ο Βρόχος Ανατροφοδότησης
Εδώ τα πράγματα γίνονται ενδιαφέροντα — και λίγο ανησυχητικά. Ο αλγόριθμος λειτουργεί σε βρόχο ανατροφοδότησης (feedback loop):
Βλέπεις βίντεο → Αντιδράς → Ο αλγόριθμος ενημερώνεται → Σου δείχνει παρόμοια βίντεο → Αντιδράς ξανά → …
Αυτός ο βρόχος δημιουργεί αυτό που οι ερευνητές αποκαλούν «φυσαλίδα περιεχομένου» (content bubble): ο αλγόριθμος δημιουργεί ένα «κουτί» θεμάτων γύρω σου και δυσκολεύεσαι να βγεις από αυτό, ακόμα και αν δηλώνεις ότι δεν σε ενδιαφέρει κάτι.
Σύμφωνα με πρόσφατη ερευνητική δημοσίευση στο συνέδριο CHI 2025, χρήστες ανέφεραν ότι ακόμα και αφού προσπαθούσαν ενεργά να αφαιρέσουν ανεπιθύμητο περιεχόμενο, ο αλγόριθμος συνέχιζε να τους το προτείνει — ένα φαινόμενο που ονομάστηκε «αλγοριθμική εμμονή» (algorithmic persistence).
Τι μαθηματικά χρειάζεσαι στ’ αλήθεια;
Τα μαθηματικά πίσω από τον αλγόριθμο του TikTok δεν είναι εξωγήινα. Οι βασικοί κλάδοι που εμπλέκονται είναι αυτοί που ήδη μαθαίνεις ή θα μάθεις:
📐 Γραμμική Άλγεβρα — πίνακες, διανύσματα, πολλαπλασιασμός πινάκων
🎲 Πιθανότητες & Στατιστική — δεσμευμένη πιθανότητα, κατανομές, Bayesian ανάλυση
📈 Ανάλυση — παράγωγοι, βελτιστοποίηση συναρτήσεων (ελαχιστοποίηση σφάλματος)
💻 Αριθμητικές Μέθοδοι — προσεγγιστικοί αλγόριθμοι, gradient descent
Ο αλγόριθμος του TikTok χρησιμοποιεί gradient descent — μια μέθοδο βελτιστοποίησης που βασίζεται στις παραγώγους. Ελαχιστοποιεί το «σφάλμα» μεταξύ αυτού που προβλέπει ότι θα κάνεις και αυτού που πραγματικά κάνεις. Κάθε φορά που κάνεις swipe, ο αλγόριθμος παραγωγίζει!
Κριτική Σκέψη: Εσύ ελέγχεις τον αλγόριθμο;
Η κατανόηση των μαθηματικών πίσω από τα social media δεν είναι απλά ακαδημαϊκή. Σε βοηθά να αναγνωρίσεις πώς μια πλατφόρμα μπορεί να επηρεάσει τις προτιμήσεις σου, τον χρόνο σου, ακόμα και τη διάθεσή σου.
Κάποιες ερωτήσεις που αξίζει να κάνεις στον εαυτό σου:
→ Γιατί μου δείχνει αυτό το βίντεο; Τι ενέργεια έκανα που «πάτησε τη σκανδάλη»;
→ Βλέπω μόνο πράγματα που μου αρέσουν ή βλέπω και διαφορετικές απόψεις;
→ Πόσο χρόνο περνάω χωρίς να το καταλάβω;
→ Τι θα άλλαζε αν ο αλγόριθμος δεν ήξερε τίποτα για μένα;
Τα μαθηματικά είναι παντού 🌍
Την επόμενη φορά που θα ανοίξεις το TikTok, θυμήσου: πίσω από κάθε βίντεο στη σελίδα «Για Σένα» υπάρχουν πίνακες που πολλαπλασιάζονται, πιθανότητες που υπολογίζονται και παράγωγοι που ελαχιστοποιούν σφάλματα. Τα μαθηματικά δεν ζουν μόνο στα σχολικά βιβλία — ζουν στην οθόνη σου.
Γειά σας , είμαι ο
Related Posts
25 Μαρτίου 1821
Ψηφιοποίηση Αναγγελίας Διδασκαλίας σε Φροντιστήρια & ΚΞΓ – Νέα Πλατφόρμα 2026
