Durante décadas, a televisão foi construída sobre uma experiência coletiva. Todos assistiam à mesma programação, nos mesmos horários e seguindo uma grade determinada por emissoras.

A chegada do streaming transformou essa lógica. O usuário passou a escolher o que assistir, quando assistir e em qual dispositivo. Entretanto, essa liberdade criou um novo problema: catálogos cada vez maiores e interfaces incapazes de orientar adequadamente cada pessoa.

Em muitos aplicativos, o usuário abre a tela inicial e encontra dezenas de fileiras:

• lançamentos;
• mais assistidos;
• recomendados;
• filmes;
• séries;
• documentários;
• notícias;
• esportes;
• conteúdos infantis.

Mesmo com todas essas opções, ele pode não encontrar rapidamente algo interessante.

A inteligência artificial surge como uma camada capaz de organizar a experiência conforme os interesses, o contexto e as interações do usuário.

Ela pode ajudar o aplicativo a decidir:

• quais conteúdos mostrar primeiro;
• quais fileiras devem aparecer;
• que imagem de capa utilizar;
• onde o usuário pode continuar assistindo;
• qual resultado entregar em uma busca;
• quando recomendar uma transmissão ao vivo;
• como adaptar a interface para diferentes perfis;
• quando evitar repetir o mesmo tipo de conteúdo.

O objetivo não é transformar a televisão em uma máquina que toma todas as decisões. O objetivo é reduzir o esforço necessário para encontrar algo relevante.

A melhor personalização é aquela que ajuda o usuário sem fazer com que ele se sinta observado ou manipulado.

---

🧠 O que é personalização em uma Smart TV?

Personalização é o processo de adaptar conteúdo, navegação, ofertas e recursos conforme informações disponíveis sobre uma sessão, perfil ou contexto.

Ela pode ocorrer em diferentes níveis.

Personalização editorial

A equipe do aplicativo define experiências para grupos amplos.

Exemplos:

• conteúdo infantil pela manhã;
• notícias no início da noite;
• esportes durante campeonatos;
• programação regional;
• conteúdos especiais em datas comemorativas.

Esse modelo não precisa conhecer profundamente cada usuário.

---

Personalização baseada em regras

O aplicativo utiliza condições previamente configuradas.

Exemplo:

Se o usuário assistiu a três documentários:
mostrar uma fileira de documentários relacionados.

Outro exemplo:

Se o último episódio não foi concluído:
mostrar “Continuar assistindo” no início da página.

Esse sistema é relativamente simples, previsível e fácil de explicar.

---

Personalização baseada em aprendizado de máquina

O sistema aprende padrões a partir de interações.

Pode considerar:

• conteúdos iniciados;
• conteúdos concluídos;
• tempo assistido;
• gêneros;
• atores;
• diretores;
• idioma;
• horário;
• dispositivo;
• abandono;
• avaliações;
• buscas.

Os materiais oficiais do Google sobre sistemas de recomendação descrevem uma arquitetura comum composta por três etapas: geração de candidatos, pontuação e reordenação. Primeiro, o sistema reduz um catálogo amplo para um conjunto menor; depois atribui relevância; por fim ajusta o resultado considerando fatores como diversidade e atualidade.

---

Personalização generativa

A IA generativa pode criar respostas, resumos e agrupamentos sob demanda.

Exemplos:

• “Encontre algo leve para assistir em família.”
• “Mostre vídeos sobre inteligência artificial com menos de 20 minutos.”
• “Resuma este documentário antes de eu continuar.”
• “Quais episódios preciso assistir para entender a temporada?”

Essa abordagem permite que a navegação seja guiada por intenção, e não apenas por categorias fixas.

---

🎯 Qual problema a personalização deve resolver?

Antes de contratar APIs ou desenvolver modelos, a equipe precisa identificar um problema mensurável.

Alguns problemas frequentes são:

• usuários demoram para iniciar um vídeo;
• muitas buscas não retornam resultados;
• conteúdos relevantes permanecem escondidos;
• a página inicial parece repetitiva;
• usuários abandonam o aplicativo rapidamente;
• perfis da mesma residência recebem recomendações misturadas;
• crianças encontram conteúdos inadequados;
• o catálogo possui metadados insuficientes;
• conteúdos novos não ganham visibilidade;
• o sistema recomenda apenas itens populares.

A personalização deve começar com uma hipótese.

Exemplo:

“Se colocarmos a fileira ‘Continuar assistindo’ na primeira posição, aumentaremos a retomada de conteúdos.”

Outro exemplo:

“Se a busca entender linguagem natural, reduziremos as pesquisas sem resultado.”

Uma hipótese permite testar o recurso. Sem ela, a empresa corre o risco de implementar inteligência artificial apenas porque a tecnologia está em evidência.

---

👤 O perfil é o centro da experiência personalizada

Em uma residência, a mesma televisão pode ser usada por várias pessoas.

Um único histórico pode misturar:

• desenhos infantis;
• futebol;
• novelas;
• notícias;
• filmes de terror;
• documentários;
• programas religiosos.

Se o sistema tratar tudo como um único usuário, as recomendações perdem precisão.

Perfis individuais

O aplicativo pode permitir:

• escolha de nome;
• avatar;
• idioma;
• faixa etária;
• preferências iniciais;
• perfil infantil;
• configurações de acessibilidade.

No início de cada sessão, o usuário escolhe o perfil. Essa ação simples melhora consideravelmente a qualidade dos dados.

Perfil da residência

Nem todos desejam selecionar um perfil. Nesse caso, pode existir uma experiência compartilhada, identificada como “Sala” ou “Família”.

O sistema deve reconhecer que esse perfil representa várias pessoas e evitar conclusões excessivamente específicas.

Perfis temporários

Uma opção “Convidado” impede que visitas alterem o histórico principal.

Também pode ser útil para:

• hotéis;
• hospitais;
• clínicas;
• apartamentos por temporada;
• ambientes corporativos.

Ao encerrar a sessão, os dados temporários podem ser descartados conforme a política do serviço.

---

📊 Quais dados podem melhorar a personalização?

Os dados mais úteis nem sempre são os mais invasivos.

Dados de interação

• clique;
• foco;
• reprodução;
• pausa;
• conclusão;
• abandono;
• busca;
• inclusão em favoritos;
• remoção de uma recomendação.

Dados do conteúdo

• gênero;
• tema;
• duração;
• idioma;
• elenco;
• diretor;
• classificação;
• data;
• região;
• palavras-chave;
• nível de dificuldade, em conteúdos educacionais.

Dados contextuais

• horário;
• dia da semana;
• tipo de perfil;
• idioma configurado;
• conectividade;
• modelo do dispositivo;
• disponibilidade regional.

Dados explícitos

São preferências informadas pelo usuário:

• gêneros favoritos;
• idiomas;
• temas;
• conteúdos que não deseja ver;
• ativação de legendas;
• preferência por áudio;
• restrições parentais.

Dados explícitos são particularmente valiosos porque reduzem a necessidade de inferir tudo pelo comportamento.

Perguntar “Do que você gosta?” pode ser mais transparente do que tentar descobrir silenciosamente.

---

🧩 Como funciona um sistema de recomendação

Um sistema profissional não precisa comparar todos os conteúdos a cada solicitação.

Ele pode ser dividido em etapas.

1. Geração de candidatos

O sistema seleciona centenas de itens entre milhares.

Os candidatos podem vir de:

• conteúdos semelhantes;
• preferências do perfil;
• popularidade regional;
• tendências;
• lançamentos;
• histórico;
• curadoria editorial.

2. Pontuação

Cada conteúdo recebe uma pontuação.

Um modelo ilustrativo poderia considerar:

afinidade com o gênero
+ probabilidade de conclusão
+ atualidade
+ qualidade editorial
+ adequação ao perfil
− repetição excessiva

3. Reordenação

O resultado é ajustado para evitar uma página formada por conteúdos quase idênticos.

A reordenação pode considerar:

• diversidade;
• novidade;
• direitos territoriais;
• classificação etária;
• disponibilidade;
• campanhas;
• continuidade;
• conteúdos já recusados.

Essa terceira etapa é essencial. Uma previsão matematicamente relevante pode produzir uma experiência ruim quando exibe vinte títulos muito parecidos.

---

🏠 Como personalizar a página inicial

A tela inicial é o espaço mais valioso do aplicativo.

Ela pode ser composta dinamicamente.

Fileiras essenciais

Algumas fileiras atendem funções diferentes:

Continuar assistindo

Reduz o esforço para retomar uma sessão.

Recomendados para você

Apresenta itens calculados com base no perfil.

Porque você assistiu a…

Explica a origem da recomendação.

Novidades

Evita que o algoritmo esconda lançamentos.

Seleção da equipe

Mantém a curadoria humana.

Em alta

Mostra o que está ganhando relevância.

Para assistir em poucos minutos

Considera disponibilidade de tempo.

Conteúdos diferentes do habitual

Ajuda a ampliar a descoberta.

O sistema não precisa personalizar todas as fileiras. Uma combinação entre curadoria e automação costuma ser mais equilibrada.

---

🖼️ Personalização de capas

O mesmo conteúdo pode possuir diferentes artes.

Um documentário de viagem, por exemplo, pode ser apresentado com:

• paisagem;
• apresentador;
• animais;
• gastronomia;
• monumento.

A escolha da capa pode levar em conta o interesse do perfil. Entretanto, ela não deve distorcer o conteúdo.

Se o usuário gosta de animais, não é correto destacar um animal que aparece apenas por alguns segundos, criando uma expectativa falsa.

A imagem personalizada precisa continuar representando honestamente a obra.

---

🔎 Busca inteligente para Smart TVs

A busca tradicional depende de correspondência exata.

O usuário escreve:

filme espaço

E recebe conteúdos que possuem essas palavras no título ou na descrição.

Uma busca semântica interpreta significado.

Ela pode entender:

filmes sobre astronautas presos longe da Terra

mesmo que essas palavras não estejam exatamente nos metadados.

Arquitetura de busca semântica

1. o catálogo recebe metadados estruturados;
2. textos são transformados em representações vetoriais;
3. a consulta do usuário passa pelo mesmo processo;
4. o sistema procura itens semanticamente próximos;
5. regras editoriais filtram os resultados;
6. a TV recebe uma lista curta.

A interface de televisão deve apresentar poucos resultados bem organizados. Exibir centenas de opções transfere novamente o problema ao usuário.

---

🎙️ Busca por voz

Digitar em uma televisão é mais lento do que em um celular.

Na Samsung, as diretrizes de navegação determinam que as telas sejam controláveis com as setas direcionais e o botão de seleção. O Smart Remote possui um conjunto reduzido de teclas físicas, o que reforça a importância de minimizar entradas complexas.

No ecossistema LG, o Magic Remote combina navegação tradicional de cinco direções, apontamento e recursos de voz, oferecendo mais de uma forma de interação.

Uma pesquisa por voz pode aceitar comandos como:

• “Mostrar filmes brasileiros.”
• “Continuar a série que eu estava vendo.”
• “Procurar programas infantis educativos.”
• “Encontrar uma aula de programação para iniciantes.”

O reconhecimento de voz deve ser transformado em intenção no backend. A aplicação não precisa enviar gravações completas por tempo indeterminado. Quando possível, trabalhe com a transcrição necessária e uma política clara de retenção.

---

📺 Personalização em Samsung Tizen

Aplicativos Tizen precisam atender televisores de diferentes gerações.

A documentação atual da Samsung relaciona o Tizen 10.0 aos modelos de 2026, mas mantém tabelas de compatibilidade desde modelos de 2015. Recursos de navegador e CSS variam significativamente entre versões.

Isso cria uma regra importante:

A inteligência pode estar no backend, mas a apresentação precisa respeitar o aparelho mais antigo suportado.

Estratégia recomendada

No Tizen:

• renderizar a interface;
• controlar foco;
• reproduzir mídia;
• armazenar cache leve;
• registrar interações;
• comunicar-se com APIs.

No servidor:

• gerar recomendações;
• interpretar buscas;
• aplicar regras;
• gerenciar perfis;
• controlar direitos;
• armazenar histórico;
• realizar testes de experimentos.

A API de entrada da Samsung garante como teclas obrigatórias as setas, Enter e Back; teclas adicionais podem depender do dispositivo.

Consequentemente, uma experiência personalizada não pode depender exclusivamente de botões especiais do controle.

---

📺 Personalização em LG webOS

No webOS, é necessário considerar o ciclo de vida da aplicação.

O sistema pode suspender o aplicativo em segundo plano e depois restaurá-lo por eventos como webOSRelaunch ou visibilityChange. Uma experiência personalizada deve salvar o estado necessário para evitar que o usuário perca sua posição ou volte a uma tela genérica.

O arquivo appinfo.json concentra metadados usados pelo sistema para identificar, instalar e executar a aplicação.

A plataforma também oferece APIs específicas por meio da biblioteca webOSTV.js, cuja documentação recomenda utilizar apenas métodos suportados para televisão.

Cuidados práticos

• preservar o perfil ativo;
• restaurar o conteúdo selecionado;
• tratar retorno do segundo plano;
• suportar controle convencional;
• testar apontamento do Magic Remote;
• evitar reconstruir toda a página a cada foco;
• limitar animações pesadas;
• manter respostas rápidas da API.

---

📺 Personalização em Roku

Na Roku, uma aplicação personalizada pode ser criada com o SDK, incluindo interface própria, autenticação, DRM, cobrança e integração com analytics de terceiros.

A plataforma também disponibiliza relatórios oficiais de engajamento.

O App Engagement Report reúne indicadores como atividade de streaming, base instalada, taxa de rejeição e minutos assistidos.

Os relatórios de analytics incluem ainda:

• visitas;
• engajamento;
• saúde do aplicativo;
• falhas em BrightScript;
• buffering;
• estabilidade por modelo de dispositivo;
• transações em aplicativos SVOD ou TVOD.

Essas informações podem ajudar a avaliar a personalização, mas os relatórios agregados não substituem um modelo de eventos desenhado para seu produto.

Eventos úteis em Roku

• home_loaded;
• row_focused;
• item_selected;
• play_started;
• play_completed;
• search_submitted;
• recommendation_clicked;
• recommendation_hidden;
• profile_changed.

Evite enviar um evento para cada movimento de foco sem necessidade. Isso gera volume, custo e ruído.

---

⚙️ Arquitetura técnica recomendada

Uma solução pode ser organizada em seis camadas.

1. Aplicativo de Smart TV

Responsável por:

• interface;
• foco;
• controle remoto;
• reprodução;
• cache;
• sessão;
• eventos.

2. API de perfis

Gerencia:

• contas;
• perfis;
• preferências;
• histórico;
• controles parentais;
• configurações.

3. Catálogo e metadados

Mantém:

• títulos;
• descrições;
• imagens;
• direitos;
• idiomas;
• classificação;
• disponibilidade.

4. Serviço de recomendação

Executa:

• geração de candidatos;
• pontuação;
• reordenação;
• testes;
• explicações.

5. Busca semântica

Combina:

• busca textual;
• vetores;
• filtros;
• regras;
• intenção.

6. Analytics e experimentação

Mede:

• cliques;
• tempo para iniciar;
• conclusão;
• retorno;
• abandono;
• desempenho;
• custo da IA.

A televisão deve receber respostas prontas e leves.

Exemplo:

{
  "profileId": "perfil-42",
  "rows": [
    {
      "id": "continue-watching",
      "title": "Continuar assistindo",
      "items": []
    },
    {
      "id": "recommended",
      "title": "Recomendados para você",
      "items": []
    }
  ]
}

A lógica de recomendação não precisa estar embutida na aplicação.

---

⚡ Desempenho: personalização não pode deixar a TV lenta

Uma recomendação perfeita entregue depois de dez segundos é uma recomendação ruim.

Estratégias de desempenho

Cache da página inicial

O backend pode gerar antecipadamente as fileiras mais prováveis.

Resposta progressiva

Carregue primeiro:

• continuar assistindo;
• conteúdo em destaque;
• uma fileira recomendada.

As demais fileiras entram depois.

Imagens adaptadas

Não envie imagens 4K para miniaturas pequenas.

Limite de itens

Carregar centenas de cards aumenta memória e tempo de renderização.

Fallback editorial

Quando a IA estiver indisponível, mostre:

• novidades;
• conteúdos em alta;
• seleção da equipe.

A experiência nunca deve ficar vazia porque um serviço de IA falhou.

Timeout

Se a recomendação ultrapassar um limite, entregue a versão em cache.

---

🧪 Como testar se a personalização funciona

A equipe pode realizar testes A/B.

Grupo A

Recebe página inicial editorial.

Grupo B

Recebe página personalizada.

Compare:

• tempo até a primeira reprodução;
• taxa de clique;
• conteúdos iniciados;
• conclusão;
• retorno;
• diversidade;
• cancelamento;
• erros.

Não use apenas “tempo assistido” como objetivo.

Um aplicativo pode aumentar minutos exibindo conteúdos longos, sem melhorar a satisfação.

Métricas importantes

CTR da recomendação

Cliques em itens recomendados
÷
Impressões desses itens
× 100

Taxa de início

Percentual de sessões em que algum conteúdo foi reproduzido.

Tempo para reprodução

Tempo entre abertura do aplicativo e início do vídeo.

Cobertura do catálogo

Percentual de títulos que receberam alguma exposição.

Diversidade

Variedade de gêneros, temas e produtores apresentados.

Taxa de rejeição

Percentual de recomendações ocultadas ou ignoradas repetidamente.

---

🧭 Evite a bolha de conteúdo

Um sistema pode aprender que o usuário gosta de comédia e mostrar apenas comédias.

No curto prazo, isso parece relevante. No longo prazo, reduz descoberta.

Inclua mecanismos de exploração:

• uma porcentagem de novidades;
• curadoria humana;
• gêneros próximos;
• tendências regionais;
• conteúdos inesperados;
• botão “Mostrar algo diferente”.

O usuário também deve poder corrigir o sistema.

Exemplos:

• “Não tenho interesse.”
• “Já assisti.”
• “Não recomendar este tema.”
• “Este conteúdo não é para mim.”
• “Redefinir preferências.”

Esses controles tornam a personalização mais transparente e melhoram os dados.

---

🧒 Perfis infantis exigem regras próprias

Em perfis infantis, a prioridade não deve ser maximizar tempo de tela.

A experiência precisa considerar:

• classificação;
• controles parentais;
• limites configuráveis;
• ausência de temas inadequados;
• interface simples;
• proteção de compras;
• coleta mínima de dados.

Não dependa exclusivamente de IA para classificar conteúdos. A classificação editorial e as regras de segurança devem prevalecer.

Uma recomendação inadequada para uma criança não pode ser tratada apenas como “erro do algoritmo”.

---

🔐 Privacidade e LGPD

A personalização pode envolver dados pessoais e criação de perfis de consumo.

A Lei Geral de Proteção de Dados se aplica ao tratamento de dados pessoais em meios digitais e estabelece princípios relacionados à finalidade, necessidade, transparência, segurança e direitos do titular.

O artigo 20 assegura o direito de solicitar revisão de decisões tomadas unicamente com base em tratamento automatizado que afetem interesses, incluindo decisões destinadas a definir perfil de consumo.

Práticas recomendadas

• explicar quais dados são coletados;
• informar a finalidade;
• usar a base legal adequada;
• coletar apenas o necessário;
• oferecer controles de personalização;
• permitir exclusão do histórico;
• limitar retenção;
• proteger APIs;
• separar dados identificáveis e analíticos;
• revisar fornecedores de IA;
• manter canal para o titular.

A ANPD é a autoridade responsável por zelar pela proteção de dados pessoais e fiscalizar o cumprimento das regras no Brasil.

Personalização sem login

É possível oferecer uma experiência limitada com um identificador anônimo ou armazenamento local.

Exemplo:

• continuar assistindo no aparelho;
• idioma;
• legenda;
• últimos conteúdos;
• preferências básicas.

Ainda assim, a empresa deve avaliar se o identificador pode ser relacionado a uma pessoa ou residência. “Anônimo” não deve ser apenas um rótulo técnico.

---

🤖 Onde usar IA generativa

A IA generativa pode enriquecer a experiência, mas precisa de limites.

Assistente de descoberta

O usuário descreve o que deseja e recebe sugestões do catálogo.

O modelo não deve inventar títulos. Ele deve responder a partir de conteúdos realmente disponíveis.

Uma arquitetura segura utiliza:

1. consulta do usuário;
2. busca no catálogo;
3. seleção de títulos válidos;
4. resposta gerada com base nesses resultados;
5. links diretos para reprodução.

Resumos

Pode resumir:

• episódios anteriores;
• sinopses longas;
• aulas;
• notícias;
• eventos esportivos.

Conteúdos sensíveis precisam de revisão e fontes confiáveis.

Organização de coleções

A IA pode sugerir fileiras como:

• “Filmes para uma noite tranquila”;
• “Tecnologia explicada de forma simples”;
• “Documentários curtos sobre natureza”.

A equipe editorial deve aprovar essas coleções.

Tradução e acessibilidade

Pode auxiliar na criação de:

• legendas;
• traduções;
• descrições;
• simplificação textual;
• identificação de capítulos.

A saída automática deve passar por controle de qualidade antes da publicação.

---

⚠️ Erros comuns

1. Personalizar antes de organizar o catálogo

Sem metadados corretos, o sistema aprende com informações ruins.

2. Confundir popularidade com preferência

O conteúdo mais assistido não é necessariamente o mais relevante para cada perfil.

3. Mostrar sempre a mesma coisa

Repetição reduz descoberta.

4. Executar processamento pesado na TV

Modelos e buscas complexas normalmente pertencem ao backend.

5. Ignorar aparelhos antigos

Aplicações precisam considerar diferenças de navegador, memória e desempenho.

6. Criar páginas imprevisíveis

A interface não deve mudar completamente a cada acesso. O usuário precisa reconhecer a estrutura.

7. Coletar dados sem finalidade

Cada evento deve responder a uma pergunta de produto.

8. Não oferecer controle

O usuário deve poder corrigir recomendações.

9. Não criar fallback

A indisponibilidade da IA não pode interromper o aplicativo.

10. Otimizar apenas receita ou tempo de uso

Confiança e satisfação são ativos de longo prazo.

---

🗓️ Plano de implementação em 12 semanas

Semanas 1 e 2 — Diagnóstico

• analisar comportamento;
• mapear catálogo;
• definir problema;
• escolher métricas;
• revisar privacidade.

Semanas 3 e 4 — Dados

• padronizar eventos;
• revisar metadados;
• criar perfis;
• definir histórico;
• estruturar consentimentos.

Semanas 5 e 6 — Primeira personalização

Comece com:

• continuar assistindo;
• favoritos;
• recomendações por gênero;
• fileiras contextuais.

Semanas 7 e 8 — Modelo inteligente

• gerar candidatos;
• pontuar;
• aplicar diversidade;
• criar fallback;
• medir latência.

Semanas 9 e 10 — Integração multiplataforma

• testar Tizen;
• testar webOS;
• testar Roku;
• corrigir foco;
• otimizar imagens;
• restaurar estado.

Semanas 11 e 12 — Experimentos

• executar teste A/B;
• comparar métricas;
• ouvir usuários;
• revisar privacidade;
• ajustar o modelo.

---

🌟 Exemplos de experiências personalizadas

Streaming de notícias

• região do usuário;
• assuntos acompanhados;
• duração disponível;
• alertas escolhidos;
• resumo diário.

Educação

• progresso;
• nível;
• aulas concluídas;
• dificuldades;
• trilha sugerida.

Fitness

• objetivo;
• tempo disponível;
• nível de intensidade;
• histórico;
• equipamentos disponíveis.

Hospitalidade

• idioma do hóspede;
• serviços do hotel;
• informações locais;
• duração da estadia;
• conteúdo institucional.

Saúde conectada

• lembretes autorizados;
• conteúdos educativos;
• acessibilidade;
• rotina configurada;
• integração segura com serviços externos.

Canais FAST

• recomendação de canal;
• programas em exibição;
• alertas;
• programação contextual;
• retomada de conteúdos sob demanda.

Criar uma experiência personalizada em Smart TVs usando inteligência artificial não significa substituir toda a interface por um algoritmo.

A melhor solução combina:

• perfis;
• curadoria editorial;
• histórico;
• recomendações;
• busca semântica;
• regras de segurança;
• contexto;
• controle do usuário.

A inteligência artificial pode melhorar a descoberta de conteúdo, reduzir o tempo até a reprodução e tornar catálogos extensos mais acessíveis. Entretanto, ela precisa ser implementada dentro das limitações técnicas das televisões.

Samsung Tizen, LG webOS e Roku possuem modelos diferentes de navegação, ciclo de vida, desempenho e analytics. A camada inteligente deve, preferencialmente, permanecer no backend, enquanto a aplicação de TV recebe respostas leves e prontas para renderização.

Também é necessário respeitar a privacidade.

O usuário deve compreender:

• por que está vendo uma recomendação;
• como suas interações são utilizadas;
• como desativar personalização;
• como corrigir o sistema;
• como excluir seus dados.

Portanto, o objetivo não é criar uma televisão que “saiba tudo” sobre a pessoa.

O objetivo é criar uma experiência que:

• encontre conteúdos mais rapidamente;
• respeite escolhas;
• preserve diversidade;
• funcione em diferentes aparelhos;
• permaneça rápida;
• seja transparente.

A personalização bem-sucedida não chama atenção para o algoritmo. Ela faz o usuário sentir que o aplicativo é simples, útil e relevante.