ميتا تستعرض آليات تطوير خوارزميات توصية مقاطع ريلز

البنية التحتية لنظام الذكاء الاصطناعي المحدث

كشفت شركة ميتا عن تفاصيل فنية دقيقة حول تحديث البنية التحتية لنظام التوصيات الخاص بمقاطع ريلز. يهدف هذا الإعلان إلى توضيح النقلة النوعية في كيفية معالجة الخوارزميات للبيانات الضخمة للتنبؤ بالمحتوى الأكثر ملاءمة لكل مستخدم. تم الانتقال من النماذج التقليدية إلى أنظمة تعلم عميق أكثر تعقيداً وكفاءة.

يركز النظام المحدث على استيعاب تريليونات من نقاط البيانات والإشارات السلوكية في وقت قياسي. يعتمد هذا النهج على نماذج التوصية متعددة المراحل التي تضمن دقة عالية في الاستهداف، مما يساهم في زيادة فترات الجلسات النشطة للمستخدمين وتقليل معدلات الارتداد عن المحتوى المقترح.

مرحلة استرجاع وتصفية المرشحات الأولية

تبدأ دورة حياة التوصية مرحلة الاسترجاع (Retrieval)، حيث تقوم الخوارزميات بمسح المليارات من المقاطع المتاحة لتضييق النطاق إلى مجموعة مرشحة قابلة للإدارة. تعتمد هذه العملية على تقنيات التصفية التعاونية والبحث الدلالي لربط المحتوى بسجل مشاهدات المستخدم السابق واهتماماته المعلنة.

تستخدم ميتا في هذه المرحلة شبكات عصبية متخصصة لاستبعاد المحتوى المخالف أو منخفض الجودة فورياً. يتم التركيز هنا على السرعة والكفاءة الحسابية لضمان تدفق مستمر من الخيارات المتنوعة قبل تمريرها إلى مرحلة الترتيب النهائي، مع مراعاة التنوع الجغرافي واللغوي للمحتوى.

مرحلة الترتيب الدقيق وتوقع التفاعل

تخضع المجموعة المرشحة لعملية ترتيب (Ranking) دقيقة تعتمد على حساب احتمالات التفاعل المحتملة. يتم تخصيص “مجموع نقاط” لكل مقطع بناءً على مئات المتغيرات، مثل احتمالية إكمال المشاهدة، أو إجراء مشاركة، أو زيارة الملف الشخصي لصانع المحتوى.

تعمل خوارزميات الترتيب الحديثة بنظام التعلم متعدد المهام (Multi-task Learning)، حيث يحاول النموذج التنبؤ بعدة نتائج في آن واحد. يضمن ذلك عدم التحيز لنوع واحد من التفاعل، مثل الإعجابات فقط، بل يسعى لتحقيق توازن شامل يعكس جودة تجربة المستخدم ورضاه الفعلي عن المحتوى.

تحسين الإشارات السلوكية والتغذية الراجعة

تعتبر إشارات التفاعل السلبية بنفس أهمية الإشارات الإيجابية في تدريب النماذج الجديدة. يتم تحليل التمرير السريع بعيداً عن المقطع كإشارة قوية لعدم الملاءمة، مما يدفع النظام لتعديل التوصيات المستقبلية وتقليل ظهور الأنماط المشابهة للمحتوى المرفوض.

أدخلت ميتا تحسينات جوهرية لفهم السياق الزمني لتفاعل المستخدم. يعني هذا أن النظام أصبح أكثر قدرة على التمييز بين الاهتمامات اللحظية والاهتمامات طويلة الأمد، مما يساعد في تقديم مزيج متوازن بين المحتوى الرائج (Viral) والمحتوى المتخصص (Niche) الذي يفضله المستخدم.