چگونه یادگیری ماشینی علایق شما را در شبکه‌های اجتماعی پیش‌بینی می‌کند

هرچه میزان محتوای موجود در شبکه‌های اجتماعی بیشتر شود، فیلتر کردن و نمایش دادن محتوای مرتبط برای هر کاربر نیز دشوارتر می‌شود. در یک پنل خبری در کنفرانس ام‌بی ۲۰۱۷، مهندسانی از اینستاگرام و لینکدین در مورد این مسئله که چگونه یادگیری ماشینی به آسان‌سازی انجام عمل یادشده یاری می‌رساند، به بحث و تبادل نظر پرداختند.

توماس دیمسون یکی از مهندسان داده در اینستاگرام، می‌گوید:

سال گذشته، اینستاگرام نحوه‌ی نمایش محتوا در فید خود را از حالتی با ترتیب تاریخی به حالتی با شخصی‌سازی بیشتر تغییر داد و از یادگیری ماشینی برای پیش‌بینی آنچه کاربران می‌پسندند و به اشتراک می‌گذارند، استفاده کرد. این شرکت با ردگیری و دنبال کردن فعالیت کاربران، نظیر لایک‌ها و اشتراک‌گذاری‌ها، به یادگیری نحوه‌ی رفتار کاربران و یافتن محتوای مورد علاقه‌ی آن‌ها پرداخت.

در همین زمان لینکدین نیز به اتکا بر داده‌های موجود در پروفایل‌ها، نظیر علایقی که کاربران برای شخصی‌سازی فید خبری خود ذکر کرده‌اند پرداخت.

ارن برگر، معاون مهندسی لینکدین، می‌گوید:

هر زمان که کاربری به لینکدین بازمی‌گردد و فید خبری خود را چک می‌کند، تمام تلاش ما در جهت ساختن فهرستی از مرتبط‌ترین محتوای موجود برای او، در آن زمان به‌خصوص قرار دارد.زمانی که وظیفه‌ی خود را در مرتبط ساختن محتوای کاربران با علایق آن‌ها انجام می‌دهید، درگیر کردن آن‌ها [با محتوا] را بهبود می‌بخشید.

هردوی این شرکت‌ها پیچیدگی‌های داده‌های کاربران را در مقیاس بسیار بزرگ مدیریت می‌کنند. این عمل زمانی که نیاز به پردازش برخی از داده‌ها در زمان واقعی وجود دارد به‌مراتب دشوارتر می‌شود.

دیمسن افزود:

نمایش دادن محتوای مرتبط به کاربران علاوه بر اینکه کار بسیار بزرگی محسوب می‌شود، وظیفه‌ای سنگین نیز به شمار می‌رود. ما تلاش می‌کنیم رضایت کاربران را به معیارهای مشخص تبدیل نماییم.بدون شک در مورد استفاده‌ی تجاری از یادگیری ماشینی اشتیاق و هیجان بالایی وجود دارد؛ اما نوع فناوری‌هایی که یادگیری ماشینی می‌تواند در آن‌ها به کار رود، به‌شدت متحیرکننده است. به لطف ابداعاتی نظیر یادگیری عمیق، برخی از دشوارترین مشکلات موجود در هوش مصنوعی در حال برطرف شدن هستند. این مسئله استفاده‌ی مردم از هوش مصنوعی را آسان‌تر و فراگیرتر ساخته و من فکر می‌کنم که این اتفاق خوبی است.