شرکت متا در راستای سیاست‌های جدید خود برای شفافیت و افزایش قدرت کنترل کاربران بر تجربه کاربری، قابلیت «Your Algorithm» را به پلتفرم فیس‌بوک اضافه کرد. این ابزار به کاربران اجازه می‌دهد تا به صورت مستقیم بر نحوه عملکرد سیستم توصیه‌گر هوش مصنوعی در فید اصلی و بخش Reels نظارت داشته و آن را بهینه‌سازی کنند.
مهندسی کنترل بر محتوا: سیستم پیشنهادی چگونه عمل می‌کند؟
قابلیت جدید فیس‌بوک، یک لایه تعاملی بین کاربر و مدل‌های یادگیری ماشین (Machine Learning) پلتفرم ایجاد می‌کند. پیش از این، الگوریتم‌های متا بر اساس سیگنال‌های پنهان نظیر نرخ کلیک (CTR)، مدت زمان تماشا (Watch Time) و واکنش‌های قبلی، محتوا را به کاربر تحمیل می‌کردند. اکنون با معرفی «Your Algorithm»، کاربر می‌تواند اولویت‌های موضوعی خود را به صورت صریح به مدل‌های آموزشی تزریق کند. وقتی کاربر گزینه‌های «علاقه‌مندم» (Interested) یا «علاقه‌مند نیستم» (Not Interested) را انتخاب می‌کند، این داده‌ها به عنوان ورودی‌های جدید به موتور تحلیل محتوا ارسال شده و بردارهای وزنی در گراف دانش متا در لحظه به‌روزرسانی می‌شوند.
تجربه کاربری و دسترسی به تنظیمات
این ویژگی که در پاییز ۱۴۰۳ برای کاربران جهانی فیس‌بوک در حال عرضه است، دسترسی به تنظیمات الگوریتم را تسهیل کرده است. کاربران می‌توانند از طریق منوی سه نقطه (Triple Dot Menu) در هر پست، مستقیماً به تنظیمات الگوریتم دسترسی پیدا کنند. برخلاف روش‌های سنتی که نیاز به مراجعه به منوهای پیچیده تنظیمات داشت، این ابزار به صورت Context-aware طراحی شده است تا کاربر در همان لحظه مواجهه با محتوای نامرتبط، بازخورد خود را به مدل هوش مصنوعی ارسال کند.
تکامل در اکوسیستم متا: از اینستاگرام تا تردز
متا پیش‌تر این فناوری را در اینستاگرام آزمایش کرده و بازخوردهای مثبتی دریافت کرده بود. همچنین ابزار مشابهی تحت عنوان «Dear Algo» در پلتفرم تردز (Threads) معرفی شده است. یکسان‌سازی این تجربه در سراسر پلتفرم‌های متا نشان‌دهنده تغییر استراتژی این شرکت از «جعبه سیاه الگوریتمی» به سمت «مدل‌های هوش مصنوعی شفاف و کنترل‌پذیر» است که با هدف کاهش خستگی دیجیتال (Digital Fatigue) و افزایش نرخ تعامل با کیفیت پیاده‌سازی شده است.
مشخصات فنی و ویژگی‌ها
- نوع سیستم: موتور توصیه‌گر مبتنی بر بازخورد صریح (Explicit Feedback Loop)
- بخش‌های تحت پوشش: فید اصلی (News Feed) و فیس‌بوک ریلز (Reels)
- قابلیت تعاملی: دکمه‌های «Interested» و «Not Interested» برای اصلاح فوری وزن‌های مدل
- دسترسی: منوی سه‌نقطه در پست‌ها و تنظیمات اختصاصی الگوریتم
- زمان عرضه: فاز انتشار تدریجی در نیمه دوم سال ۲۰۲۴ میلادی
تحلیل معماری: چرا این تغییر اهمیت دارد؟
از نگاه مهندسی داده، سیستم‌های توصیه‌گر (Recommender Systems) همواره با مشکل «Cold Start» یا «Over-fitting» بر اساس علایق قدیمی مواجه هستند. با اضافه شدن این لایه کنترلی، داده‌های ترجیحی کاربر (Preference Data) به صورت دینامیک وزن‌دهی می‌شوند. این یعنی هوش مصنوعی متا به جای تکیه صرف بر رفتارهای تاریخی، به داده‌های لحظه‌ای (Real-time Intent) اولویت می‌دهد که باعث افزایش دقت در نمایش محتوای مرتبط (Relevance) و کاهش نویز در فید کاربری می‌شود.
