Opcija predloženih video snimaka je samo jedan od razloga zbog kojih je YouTube danas vodeća platforma za deljenje video sadržaja. Ono što je za korisnike misterija je kako tačno funkcioniše ovaj sistem i koje parametre YouTube uzima u obzir pri predlaganju videa. Iako su detalji implementacije poznati samo zaposlenima u Guglu, javnosti je dostupno dovoljno informacija za stvaranje relativno jasne slike o funkcionisanju sistema.
YouTube predstavlja jedan od najvećih i najsofisticiranijih sistema za predloge u industriji. Prvi problem koji se javlja kod razvoja za mrežu poput YouTube-a jeste skaliranje; servis dnevno koristi na milione korisnika, a svi prethodni modeli su se pokazali neefikasnim na tom nivou rada. Ovo nije jedinstveno samo za YouTube. Mnoge velike kompanije razvijaju sopstvena rešenja prilagođavajući stara svojim potrebama ili gradeći nova od nule.
Pored praćenja korisničkih aktivnosti, mreža se nalazi pred velikim opterećenjem zbog konstantnog dodavanja novih video snimaka (nekoliko sati po sekundi). Sistem mora imati dovoljno dobar odziv i biti dinamičan kako bi izgradio model prikazivanja skorašnjeg sadržaja zajedno sa aktivnostima korisnika.
Glavne jedinice sistema predstavljaju veštačke neuralne mreže, vrste računarskih sistema inspirisanih biološkim neuralnim mrežama u mozgu životinja. Takvi sistemi uče uzimajući u obzir priložene primere. Recimo, sistem za prepoznavanje objekata na slici možemo naučiti da razlikuje slike na kojima se nalazi mačka ili ne, bez potrebe da on pre toga uopšte zna šta je uopšte mačka niti kako ona izgleda. To činimo tako što mreži dajemo primere označenih slika („mačka” i „nije mačka”), pri čemu on vremenom stvara sopstveni skup relevantnih karakteristika na osnovu uzoraka.
YouTube poseduje dva ovakva sistema; mrežu za stvaranje kandidata i mrežu za rangiranje. Mreža za stvaranje kandidata koristi događaje iz istorije aktivnosti korisnika kao ulazne podatke i vraća mali skup od oko stotinu videa koji su uopšteno relevantni za korisnika i to sa relativno visokom preciznošću. U delu sa predloženim video snimcima prikazuju se oni koji su u tom trenutku najrelevantniji za korisnika. Ovo se postiže dodeljivanjem poena svakom video snimku. Takav pristup na dva nivoa omogućava da se u isto vreme naprave predlozi od nekoliko miliona video snimaka i samo par, u tom trenutku najpovoljnijih predloga u predloženim video snimcima.
Parametri koji se koriste za rangiranje video snimaka su prosečno vreme gledanja, proporcija posetioca koji na stranicu stižu sa određenog linka (click-through rate) i mnogi drugi koji spadaju u oblast aktivnosti korisnika. Da bi povećali broj pregleda svojih video snimaka autori se koriste primamljivim naslovima i thumbnailovima, pa čak i lažnim pregledima koji se naknadno kupuju i dosta utiču na ceo proces, a protiv kojih je teško boriti se čak i kada je u pitanju servis poput YouTube-a.