نگاهی به هوش مصنوعی اینستاگرام در پیشنهادهای بخش اکسپلور

اینستاگرام مقاله‌ای جامع درباره‌ی جزئیات هوش مصنوعی خود منتشر کرد که وظیفه‌ی نمایش محتوای جذاب و جدید را در بخش Explore (آیکن مشهور ذره‌بین در اپلیکیشن) بر عهده دارد. مقاله‌ی غول شبکه‌های اجتماعی پیچیدگی‌ها و جزئیات فنی متعددی دارد که علاقه‌مندان می‌توانند با مراجعه به لینک منبع، آن را مطالعه کنند. به‌هرحال در ادامه‌ی این مطلب زومیت، پنج ویژگی اصلی هوش مصنوعی اینستاگرام در نمایش محتوا را شرح می‌دهیم.

فید خبری فیسبوک، یکی از جذاب‌ترین بخش‌های تجربه‌ی کاربری آن محسوب می‌شود. بسیاری از کاربران ترجیح می‌دهند تا محتوای موجود در آن را به ترتیب تاریخی مشاهده کنند. درمقابل، تب Explore در اینستاگرام، نیازمند پیچیدگی بیشتر است که با استفاده از الگوریتم‌های هوش مصنوعی محقق می‌شود. درک شیوه‌ی کار یک شبکه‌ی اجتماعی مبتنی بر تصویر و پیشنهاد محتوای جدید توسط آن، دشواری بالایی دارد و شاید حتی آسان‌تر از ساختن الگوریتم پیشنهاد نباشد.

محتوای بسیار زیادی در اینستاگرام منتشر می‌شود و قطعا ردگیری و بررسی هر تصویر به‌تنهایی و با هدف پیشنهاد بهتر به کاربران، دشواری‌های متعددی دارد. درمقابل، ردگیری حساب‌های کاربری، بازدهی و سادگی بیشتری دارد. به‌هرحال حساب‌های کاربری تم مشخص‌تری دارند و در موضوعات دسته‌بندی‌شده فعالیت می‌کنند. به‌عنوان مثال می‌توان حساب‌های کاربری را در دسته‌هایی همچون «سفر» که موضوعی کلی محسوب می‌شود تا موارد جزئی‌تر دسته‌بندی کرد.

لایک کردن یک تصویر در یک حساب کاربری، به‌معنای علاقه‌مند بودن به کل محتوای آن حساب کاربری نیست. ازطرفی این عمل نشان می‌دهد که شما حداقل به تم و موضوع حساب کاربری مذکور علاقه دارید. به‌عنوان مثال تصور کنید تصویر یک گربه را در یک حساب کاربری خاص لایک کرده‌اید. اگر حساب کاربری مذکور بیشتر شامل تصویر گربه‌ها باشد، یعنی شما به‌عنوان کاربر به این موضوع علاقه‌مند هستید.

اینستاگرام برای شناسایی ارتباط موضوعی حساب‌های کاربری، تنها محدود به مشخصات تصویری نمی‌شود. اگرچه چنین موردی را نیز می‌توان به‌راحتی توسط الگوریتم شناسایی کرد. به‌هرحال، برای درک بهتر ارتباط، رفتار کاربر نیز بررسی می‌شود. به‌عنوان مثال وقتی شما چند پست را پشت سر هم لایک می‌کنید، احتمالا ارتباطی با هم دارند، حتی با اینکه شاید الگوریتم اینستاگرام آن را درک نکند. در بخشی از مقاله‌ی شرکت می‌خوانیم:

اگر یک کاربر در یک بار استفاده از اپلیکیشن، به‌صورت متوالی با چند حساب کاربری تعامل داشته باشد، به‌احتمال زیاد آن‌ها از لحاظ موضوع با هم مرتبط هستند. درمقابل، رویکردی قرار می‌گیرد که کاربر ترتیبی تصادفی از محتوای حساب‌های کاربری را در دسته‌های گوناکون حساب کاربری اینستاگرام مشاهده می‌کند. ما با استفاده از همین رفتار، حساب‌های کاربری شبیه به هم از لحاظ موضوعی را شناسایی می‌کنیم.

کاربران عموما عملکردی شبیه به توضیح بالا دارند. آن‌ها مثلا از یک حساب کاربری متمرکز بر سفر، به حساب کاربری مشابه می‌روند و همین رفتار برای موضوع‌های دیگر هم انجام می‌شود. همه‌ی رفتارها برای پیداکردن شباهت در تصمیم‌های کاربر، توسط الگوریتم جذب و بررسی می‌شوند. البته فعالیت‌هایی همچون انتخاب گزینه‌ی «See fewer posts like this» یا مسدود کردن یک حساب کاربری، تأثیر زیادی روی عملکرد الگوریتم برای هر کاربر دارد.

انتخاب و نمایش چند ده تصویر از میان میلیاردها تصویر منتشرشده در اینستاگرام، دشواری زیادی به‌همراه دارد. الگوریتم برای کاهش پیچیدگی، تب Explore را به حساب‌های کاربری مشابه و حساب‌های کاربری محدود می‌کند که کاربر اخیرا پست‌هایی را در آن‌ها لایک یا سیو کرده است. چنین حساب‌های کاربری به‌نام seed accounts شناخته می‌شوند. معنای دانه برای این حساب‌های کاربری صحیح به‌نظر می‌رسد، چون سایر عملکرد الگوریتم از دل آن‌ها رشد می‌کند.

چگونگی نمایش حساب‌های کاربری و موضوعات آن‌ها در یک الگوریتم هوش مصنوعی، پیدا کردن چند صد حساب کاربری را برای آن آسان می‌کند. تصور کنید که می‌دانید یک نفر به پارچه‌ای با طرح خاص قرمز علاقه دارد. اگر بخواهید نمونه‌ی مشابهی برای او پیدا کنید، جست‌وجو در کمدی به‌هم‌ریخته از پارچه‌ها فایده‌ای نخواهد داشت. حتی اگر آن‌ها را روی زمین بریزید هم باز زمان قابل‌توجهی برای پیداکردن طرح مورد نظر نیاز است. درمقابل، اگر قبلا پارچه‌ها را به‌ترتیب رنگ مرتب کرده باشید، با سرعت بالایی پارچه‌ی قرمز را پیدا می‌کنید.

الگوریتم یادگیری ماشین برای پیداکردن نمونه‌های مشابه، روندی شبیه به مثال بالا را انجام می‌دهد. هر یک از حساب‌های کاربری، موقعیتی در یک فضای مجازی دارند و هرچه در آن فضا به هم نزدیک‌تر باشند، یعنی مرتبط‌تر هستند. باتوجه به توضیحات ارائه‌شده می‌دانیم که حساب‌های کاربری با دسته‌بندی صحیح، از میلیاردها عنوان برای بررسی، به چند صد عدد کاهش یافته‌اند. درنتیجه برای پیداکردن موارد مشابه، دشواری کمتری داریم. اینستاگرام پس از دسته‌بندی، با استفاده از شبکه‌ی عصبی سه مرحله را انجام می‌دهد تا به تصاویر نهایی برسد:

مرحله‌ی دوم شامل یک شبکه‌ی عصبی تقریبا ساده از لحاظ پردازشی می‌شود. شبکه‌ی مذکور از سیگنا‌ل‌های بسیار بیشتری نسبت به مرحله‌ی قبلی استفاده می‌کند. در این مرحله، لایک‌های تکی کاربران نقش خود را ایفا می‌کنند و همچنین داده‌های عمیق‌تر پیرامون حساب‌های کاربری نیز وارد عمل می‌شوند. به‌عنوان مثال شما براساس تاریخچه‌ی لایک‌ها به موضوع سفر و دسته‌ی جزئی‌تر، مثلا سفر خانوادگی علاقه‌‌مند هستید. پارامترهای دیگر مانند محبوبیت کلی یک پست یا تفاوت قابل‌توجه آن نسبت به پست‌های دیگر حاضر در دسته، نقش مهمی را در نمایش ایفا می‌کند. مرحله‌ی دوم، ۱۰۰ پیشنهاد دیگر را حذف می‌کند و تنها ۵۰ پیشنهاد باقی می‌ماند.

مرحله‌ی سوم شامل شبکه‌ی عصبی با نیاز پردازشی بیشتر و پیچیده‌تر است. در این مرحله، بین ۵۰ مورد باقی‌مانده بررسی انجام شده و نیمی از آن‌ها حذف می‌شوند. مشاهده‌ی دقیق‌تر محتوا و بررسی هزاران نقطه داده به‌جای صدها نقطه، انتخاب دقیق‌تر را در مرحله‌ی سوم ممکن می‌کند.

در بخشی از پست وبلاگی اینستاگرام می‌خوانیم:

ما باید مطمئن شویم که محتوای پیشنهادشده در بخش Explore، امن و مناسب برای جامعه‌ی جهانی با گستره‌ی سنی وسیع باشد. ما با استفاد از سیگنال‌های متنوع، محتوا را به‌نوعی فیلتر می‌کنیم که آن را نامناسب برای پیشنهاد بدانیم.

توضیح بالا، عملکرد اینستاگرام را برای حذف محتوای نامناسب از بخش Explore نشان می‌دهد.