يكشف Instagram عن الحقيقة وراء كيفية فرز الخوارزمية للمحتوى
نشر الفريق الهندسي في Instagram شرحًا يوضح كيفية عمل خوارزمية الذكاء الاصطناعي الخاصة بالمنصة ، باستخدام أنظمة استرداد المعلومات لتحديد المنشورات الجديدة المقترحة والموصى بها التي تظهر في خلاصات الوسائط الاجتماعية الخاصة بنا.
تراجع Instagram مؤخرًا عن عدد قليل من تحديثاته المخطط لها ، نتيجة تعرضه لإطلاق نار من المستخدمين غير السعداء (حتى مع اتخاذ Kardashians موقفًا) سئموا من رؤية الكثير من المنشورات المقترحة وليس بما يكفي من أصدقائهم.
• هل تبحث عن أفضل كاميرات Instagram؟ (يفتح في علامة تبويب جديدة)
لقد أبلغنا كثيرًا مؤخرًا عن كيف أن Instagram لم يعد مناسبًا للمصورين (يفتح في علامة تبويب جديدة)، مع النظام الأساسي الذي يوضح تمامًا أن محتوى الفيديو (المستوحى من TikTok) من Reels أصبح الآن على رأس أولوياته.
Instagram موجود أيضًا على جليد رقيق جدًا بعد تلقيه ضغطًا سيئًا لحظر cosplayer (يفتح في علامة تبويب جديدة)، وكذلك شرارة إنشاء Instagram Instagram مرة أخرى (يفتح في علامة تبويب جديدة) حركة ضمت مشاهير ومؤثرين اجتمعوا معًا ضد الخوارزمية. ربما يحتاج Instagram إلى تنظيف العلاقات العامة وسيستفيد من ورشة عمل حول كيفية عدم إثارة غضب المستخدمين – مع تحول الكثير إلى BeReal (يفتح في علامة تبويب جديدة) في حين أن.
نشر الفريق في Meta Engineering مؤخرًا مقالًا يشرح كيف يقترح Instagram محتوى جديدًا (يفتح في علامة تبويب جديدة)، يتطرق ذلك إلى بعض التفاصيل المتعمقة حول الأعمال الداخلية للذكاء الاصطناعي – والتي تعتمد على ما تسميه نظام ترتيب العلف المنزلي ونظام تصنيف الاستكشاف لفرز المشاركات من تلك التي تتابعها ، بالإضافة إلى المنشورات العامة الأخرى التي قد تكون ذات صلة وجذابة لك.
يقول Instagram إن المستخدمين الذين يظلون متفاعلين هم الأشخاص الذين يواصلون العثور على مصادر جديدة للاهتمامات لمتابعة ، وهذا يعمل عن طريق الخوارزمية ونماذج الترتيب التي تصدر أحكامًا بناءً على عوامل مثل المشاركة والأهمية والحداثة. تستخدم المنصة بشكل أساسي معلومات من المنشورات التي تعجبك أو تعلق عليها أو تحفظها أو تتفاعل معها لتحديد ما قد يثير اهتمامك ، وكذلك في بعض الحالات المنشورات التي يحبها أصدقاؤك ويتفاعلون معها أيضًا.
تم إطلاق ميزة المنشورات المقترحة في أغسطس 2020 لتحقيق الهدف المتمثل في عرض منشورات جديدة للمستخدمين من حسابات لا يتابعونها ، ومع ذلك ربما يشعرون أنهم اكتشفوا جميعًا بأنفسهم. هذه هي أنواع المنشورات التي تظهر حاليًا في نهاية خلاصاتنا ، بعد نفاد المحتوى من تلك التي نتابعها.
يقول أموغ ماهاباترا ، مهندس التعلم الآلي في Meta ومؤلف المقال المنشور: “التمرير خلال نهاية توصيات الخلاصة يجب أن يشعر وكأنه التمرير لأسفل امتدادًا لخلاصة Instagram الرئيسية”.
(يفتح في علامة تبويب جديدة)
هناك المزيد من التفاصيل الفنية لعملية استرجاع المعلومات هذه. يبدو أن النظام الذي يستخدمه للتوصية بالمشاركات له تصميم من خطوتين: إنشاء مرشح واختيار المرشح. المرشح هو إما شيء (منشور) أو شخص (مستخدم) يمكن أن يهتم به مستخدم آخر ، بناءً على نشاط Instagram الخاص به الذي يكشف عن اهتماماته الصريحة أو الضمنية ، وهذه المرحلة هي ما تسميه الشركة عملية استدعاء ثقيلة المسرح.
تتضمن المرحلة الثانية من اختيار المرشح خوارزمية ترتيب مرجحة أثقل عادةً ، واختيار أفضل مجموعة فرعية (نتيجة نهائية ، أو ملف ، أو منشور) من التحديد الذي يتم عرضه أخيرًا للمستخدم. ومع ذلك ، فإن تصميم نظام تصنيف المنشورات المقترحة مختلف قليلاً ، حيث تندرج توصيات المنشور تحت فئتين منفصلتين: متصلة أو غير متصلة. التوصيات المرتبطة هي منشورات من حسابات يتابعها المستخدم بالفعل ، مصنفة على أساس المشاركة.
توضح الشركة طريقة عمل هيكل التصميم هذا من خلال مخطط تدفق (أدناه) يوضح أن نظام التوصية غير المتصل ، مثل المنشورات المقترحة ، يستمد المصادر بناءً على نشاط المستخدم عبر Instagram بدلاً من المنشورات من المستخدمين المتابعين ، على الرغم من أنه يصنف المنشورات على أساس على عوامل مماثلة.
تقول المنصة: “تساعدنا أنشطة المستخدم على Instagram في بناء رسم بياني افتراضي لاهتماماتهم”. تساعد عمليات دمج الحسابات أيضًا النظام الأساسي في العثور على حسابات متشابهة موضوعيًا وموضوعيًا مع بعضها البعض.
(يفتح في علامة تبويب جديدة)
تصبح الأمور أكثر غموضًا عندما تبدأ المقالة في التواصل في الاستعارات باستخدام “البذور” لوصف ما هو المؤلف أو الوسائط التي تهم المستخدم. يمكن بعد ذلك أن تتطور بذور المصالح هذه إلى خطوط أنابيب K- الجار الأقرب (KNN) ، مما ينتج عنه محتوى مشابه للبذور الأصلية. يتم إنشاء “خطوط الأنابيب” هذه واستندت إلى مبدأين يشتملان على “تضمين حساب” متشابه ، يمكن مقارنته بموجهات تضمين الكلمات ، والتشابه القائم على “التواجد المشترك”.
بعبارات بسيطة ، يستخدم الذكاء الاصطناعي بيانات التنقيب عن الأنماط وتفاعل وسائط المستخدم مثل الإعجاب بمنشور من نوع معين ، في مبدأ التواجد المشترك ، للعثور على ترددات الوسائط (البذور) لتوليد توصيات مماثلة للمستخدمين.
حددت الشركة ما تسميه مشكلة البداية الباردة ، حيث قد لا يكون لدى بعض المستخدمين ما يكفي من المشاركة أو النشاط للاستفادة منه في إنشاء قائمة بالمرشحين (المنشورات) للاقتراحات. يتم التعامل مع هذا باستخدام نهج استكشاف الرسم البياني الاحتياطي من خلال تقييم اتصالات المستخدم – لذا فإن الحسابات التي يتبعها هذا الحساب في سلسلة ، للنظر فيها لاستخدامها كبداية.
الطريقة الثانية لحل البداية الباردة ، خاصة للمستخدمين الجدد للغاية للمنصة ، هي اقتراح منشورات وسائط شائعة عامة ، ثم تكييف المعلمات بناءً على استجابة المستخدمين لعناصر الوسائط الشائعة هذه للبناء منها. تتعمق المقالة في مزيد من التفاصيل حول المصطلحات الدقيقة والعمليات المستمرة من هذا ، لذلك من الأفضل قراءة قطعة Meta Engineering لفهم هذه المفاهيم تمامًا للمهتمين.
من المؤكد أن التفكير وفهم كيفية استخدام كل جانب من جوانب بياناتنا وما نقوم به على المنصات الاجتماعية لإنشاء ملف تعريف تسويق رقمي لنا – التحكم في كل شيء بدءًا من الإعلانات والمنشورات الدعائية والبكرات الموصى بها بناءً على ما يعتقد الذكاء الاصطناعي أننا نريد رؤيته.
• قد تكون مهتمًا أيضًا بتعلم كيفية استخدام Instagram Reels (يفتح في علامة تبويب جديدة)، أو ربما تحتاج إلى معرفة كيفية استخدام فلاتر Instagram (يفتح في علامة تبويب جديدة)، وفهم أفضل طريقة لتنظيم شبكتك (يفتح في علامة تبويب جديدة) بمحتوى مماثل.
المصدر : digitalcameraworld.
