Wie ich einen YouTube-Feedback-Loop gebaut habe

Ich betreibe einen automatisierten YouTube-Kanal. Jeden Tag generiert eine Pipeline Skripte und rendert Videos.

Monatelang arbeitete das System im luftleeren Raum. Der Skript-Generator erstellte Inhalte, ohne zu wissen, was funktionierte oder was scheiterte. Ich hatte keinen Feedback-Loop.

Letzte Woche habe ich das mit einem 330 Zeilen langen Python-Skript behoben. Es schafft einen geschlossenen Kreislauf zwischen Performance und Kreation.

So funktioniert es:

• Datenerfassung: Das Skript nutzt die YouTube Data API v3, um die letzten 30 Videos auszulesen. • Klassifizierung: Es verwendet einen Median-basierten Schwellenwert, um Videos zu bewerten.

  • HOCH: Videos mit Aufrufen über dem 1,5-fachen des Medians.
  • NIEDRIG: Videos mit Aufrufen unter dem 0,6-fachen des Medians (nur wenn sie älter als 72 Stunden sind).
  • Alles andere wird ignoriert, um Rauschen zu vermeiden. • Mustererkennung: Das Skript verknüpft die Performance mit „Archetypen“ wie Tutorials oder Vergleichen, indem es Titelwörter abgleicht. • Hook-Analyse: Es prüft das erste Wort eines Skripts, um zu sehen, ob es eine Frage, eine Zahl oder eine persönliche Aussage ist. • Automatisierte Updates: Die Ergebnisse schreiben „Bias-Hinweise“ in eine Markdown-Datei.

Der Skript-Generator liest diese Datei, bevor er das nächste Skript schreibt. Er sieht, welche Muster gewinnen und welche verlieren. Er nutzt diesen Kontext, um bessere Entscheidungen für morgen zu treffen.

Warum ich diesen Ansatz gewählt habe:

  • Median statt Mittelwert: Ein einzelnes virales Video kann den arithmetischen Mittelwert ruinieren. Der Median bleibt stabil.
  • Die 72-Stunden-Regel: Neue Videos brauchen Zeit. Ich stufe ein Video nicht als Fehlschlag ein, nur weil es erst einen Tag alt ist.
  • Einfache Heuristiken: Ich verwende vorerst eine Erkennung des ersten Wortes anstelle von teuren LLM-Aufrufen. Das ist schnell und kostengünstig.

Das ist keine Magie. Es ist ein System, das aus seinen eigenen Daten lernt.

Das Ziel ist nicht, menschliches Urteilsvermögen zu ersetzen, sondern dem Generator einen besseren Kontext zu geben. Ich baue ein System, das alle 24 Stunden intelligenter wird.

Quelle: https://dev.to/morinaga/how-i-built-a-youtube-performance-classifier-that-adjusts-tomorrows-video-script-bias-19ba

Optionale Lern-Community: https://t.me/GyaanSetuAi