¿Cómo ayuda la IA a las recomendaciones de contenidos en plataformas como Facebook e Instagram?
Ofrecer buenas recomendaciones de contenido es una parte importante del funcionamiento de redes como Facebook e Instagram. Los algoritmos de estas plataformas, como afirma la web de Meta, su matriz, muestran a las personas el contenido más relevante de sus conexiones particulares: los amigos, cuentas, grupos y páginas que han decidido seguir.
Pero la compañía también utiliza la IA para ofrecer recomendaciones altamente personalizadas a partir de las decenas de miles de millones de contenidos que se encuentran fuera de la red de conexiones de una persona en Facebook o Instagram. Las recomendaciones basadas en IA ayudan a las personas a profundizar en sus intereses y descubrir cosas nuevas, al tiempo que ayudan a los creadores a encontrar nuevos públicos para su trabajo.
Como señaló Mark Zuckerberg en la última conferencia de resultados de Meta, más del 20% del contenido de los feeds de Facebook e Instagram de una persona está ahora recomendado por la IA de personas, grupos o cuentas a las que no sigue.
Mostrar a la gente este tipo de recomendaciones de contenidos inconexos mejora su experiencia en Facebook e Instagram. Por ejemplo, como explican desde Meta, puede que a una persona le gusten habitualmente las publicaciones sobre ciclismo de montaña, o que forme parte de una comunidad que comparte rutas populares de ciclismo.
“Las recomendaciones podrían mostrarle una publicación sobre una ruta ciclista única de una página o un grupo que no siga. O podríamos sugerirles historias sobre carreras que baten récords o los Reels de los creadores de sus aventuras en bicicleta. También podríamos mostrar algo más (como recomendaciones fáciles de mezclas de senderos) que otros aficionados al ciclismo de montaña encontraron valiosas, con la hipótesis de que esta persona también podría encontrarlo interesante”, dicen desde la compañía.
Para hacer esto de forma eficaz a gran escala, el sistema de recomendación tiene que entender los intereses de las personas a medida que evolucionan con el tiempo, explican, y debe trabajar eficazmente con los matices que distinguen diferentes piezas de contenido.
“Alguien puede ser un ávido corredor durante un tiempo, pero luego desarrollar una pasión por el ciclismo de montaña, por ejemplo. A la hora de clasificar millones de entradas sobre ciclismo, el sistema debe ser capaz de saber si un carrete trata sobre ciclismo de carretera o de montaña, aunque el pie de foto no lo especifique”, dice la empresa matriz de Instagram y Facebook.
“Estas funciones tienen que funcionar en tiempo real y funcionar bien para los nuevos usuarios de nuestras plataformas, incluso cuando todavía no hay suficiente señal para que nuestros sistemas puedan predecir lo que les interesa”.
La IA detrás de Facebook e Instagram
En su blog, Meta comparte detalles sobre cómo ha creado las funciones de descubrimiento impulsadas por IA para Facebook e Instagram.
“Nuestro objetivo es mostrar a la gente las publicaciones más relevantes entre decenas de miles de millones de posibilidades. Esto es mucho más difícil que simplemente mostrar las recomendaciones adecuadas de la red de amigos de una persona en Facebook o de las cuentas que sigue en Instagram. Esto requiere un análisis profundo de cada contenido y de los intereses de cada persona”, apostillan.
A grandes rasgos, el sistema sigue los siguientes pasos para conseguirlo:
Comprensión del contenido: Meta AI se ha centrado en trabajos de investigación de vanguardia, como MViT, XLM-R/XLM-V y FLAVA/Omnivore, para comprender los significados semánticos del contenido de forma holística en diferentes modalidades (como imagen, texto, audio o vídeos). La empresa ha aplicado parte de lo aprendido en sus investigaciones para desarrollar mejores modelos de producción.
Estos modelos de producción ofrecen funciones como el reconocimiento visual, la detección de objetos, la extracción de texto y el reconocimiento de audio. También permiten realizar tareas más específicas de la aplicación, como la clasificación de temas y géneros, la predicción de hashtags, la comparación de similitudes y la agrupación.
Comprensión, recuperación y clasificación de preferencias: Desde Meta, afirman que han creado sistemas de recuperación que tardan sólo centésimas de segundo en reducir miles de millones de contenidos a miles y, a continuación, a unos pocos cientos que sean relevantes para los intereses de una persona concreta. “Nuestros sistemas de clasificación seleccionan los elementos finales basándose en predicciones puntuales y por listas. También ajustan las recomendaciones para ofrecer una mezcla equilibrada y atractiva, de modo que la gente pueda disfrutar de contenidos sobre una variedad de intereses, y una mezcla de publicaciones populares y de nicho puedan aparecer en los feeds de la gente”.
Estos sistemas comprenden las preferencias de comportamiento de las personas utilizando modelos de atención a muy gran escala, redes neuronales gráficas, aprendizaje de pocos puntos y otras técnicas. Entre las innovaciones clave más recientes se incluyen una nueva arquitectura de recuperación neuronal profunda jerárquica, que ha permitido superar significativamente varias líneas de base del estado del arte sin reducir la latencia de la inferencia, y una nueva arquitectura de conjunto que aprovecha los módulos de interacción heterogéneos para modelar mejor los factores relevantes para los intereses de las personas.
“Creemos que nuestros diversos avances en algoritmos de IA han contribuido al aumento del 15% del tiempo de visionado en el reproductor de vídeo Reels de Facebook el pasado otoño, al tiempo que han permitido a más personas conectar con los creadores que les gustan y reducir la insatisfacción, medida por la reducción de las tasas de omisión y ocultación”, añaden.
Incorporar los comentarios de la gente: Como señala Meta, es importante que las personas tengan la posibilidad de orientar los tipos de contenidos que ven. “Después de hacer una recomendación, nuestros sistemas de inteligencia artificial responden a los comentarios y perfeccionan la forma en que modelan las preferencias de cada persona, por ejemplo, si una persona ha visto un vídeo entero o le ha gustado un post”, declaran en su página.
También tienen en cuenta señales adicionales que muestran que alguien no está interesado, como ver un vídeo recomendado durante unos segundos antes de detenerlo o hacer clic. Además, incorpora comentarios explícitos a través de nuestra función Mostrar más / Mostrar menos, que permite a los usuarios indicar si desean ver más contenido como el que acaban de ver. “Nuestros sistemas tienen en cuenta estas señales y adaptan las futuras recomendaciones a las preferencias de la persona. También pueden utilizar otras opciones, como ocultar o poner en snooze explícitamente las publicaciones, si así lo desean”, dice la compañía.
Cualidades del sistema
Hacer coincidir de forma inteligente decenas de miles de millones de contenidos con los intereses de casi 3.000 millones de personas es un complejo reto de ingeniería. Para hacerlo con eficacia, cuentan que han creado un sistema que ha cumplido:
Escalabilidad: Para comprender en profundidad y modelizar las preferencias de las personas, los modelos de recomendación de Meta pueden tener decenas de billones de parámetros, órdenes de magnitud superiores incluso a los mayores modelos lingüísticos utilizados en la actualidad. Con la ayuda de superclusters de entrenamiento, bibliotecas avanzadas de paralelismo de modelos en PyTorch, dan un nuevo enfoque de paralelismo de modelos 4D para el entrenamiento eficiente de modelos con una cantidad masiva de parámetros, y técnicas de baja precisión/cuantización para reducir significativamente el tamaño del modelo y las necesidades computacionales. Estas y otras optimizaciones algorítmicas y del sistema garantizan que estos modelos de gran tamaño puedan entrenarse y desplegarse eficientemente a escala.
Capacidad de respuesta en tiempo real: La gente espera que las plataformas se adapten a sus preferencias cambiantes en tiempo real, lo que supone un reto dado el enorme tamaño de los sistemas y modelos. “Hemos incorporado protocolos de actualización asíncrona en nuestras pilas de formación y servicio sobre PyTorch para que estos modelos a escala de terabytes puedan actualizarse de forma incremental con una frescura al minuto. Estos cambios nos han ayudado a aumentar significativamente la participación significativa en nuestras plataformas”, dicen.
Arranque en frío: Cada día entran en nuestras plataformas nuevas personas y nuevos contenidos. Esto plantea lo que se conoce como problemas de arranque en frío, en los que aún no hay muchos datos de los que aprender. “Para hacer frente a este problema, hemos desarrollado un sistema de aprendizaje de pocos datos llamado Meta Interest Learner, que empareja con precisión los nuevos contenidos con las audiencias potenciales en función de sus intereses, incluso cuando hay muy pocas interacciones. También aprovechamos varios algoritmos de aprendizaje en línea para ayudar a distribuir mejor los nuevos contenidos, de modo que cada nueva pieza de contenido de alta calidad tenga la oportunidad de ser expuesta a un público amplio y relevante. Esto incentiva a los creadores a compartir publicaciones atractivas y útiles para que puedan encontrar su público y, potencialmente, conseguir su gran oportunidad”, explican.
Descubrimiento: Aunque el objetivo de Meta es que las recomendaciones de Facebook e Instagram permitan a las personas profundizar en sus intereses actuales, también pretende ayudarles a descubrir cosas nuevas de las que disfrutar. Para aprender cómo se relacionan los distintos intereses, utiliza métodos punteros de aprendizaje por incrustación y aprendizaje de grafos, y aprovecha el modelado de incertidumbre combinado con el aprendizaje por refuerzo. “Nuestro trabajo reciente incluye el desarrollo de una metodología personalizada para el control de la frecuencia de entrega con el fin de optimizar el valor del usuario a largo plazo, y el aprendizaje de políticas utilizando grandes modelos secuenciales para ayudar al descubrimiento de contenidos al tiempo que se reduce la prevalencia de contenidos clickbait en nuestras plataformas”, terminan desde la matriz.
Este tipo de sistemas de IA ofrecen experiencias adaptadas a cada persona a gran escala. En su desarrollo se han invertido importantes esfuerzos de investigación e ingeniería, pero en última instancia estos sistemas están en manos de quienes los utilizan y dedicados a ellos. “También estamos compartiendo detalles adicionales sobre cómo funcionan nuestros sistemas de IA con la publicación de 22 tarjetas de sistema que explican cómo las personas pueden personalizar y controlar las experiencias que tienen en Facebook e Instagram”.
“Las personas enseñan a nuestros algoritmos, a través de interacciones y comentarios, lo que quieren ver. Esto es algo que tenemos muy en cuenta a la hora de diseñar nuestros sistemas, para que realmente respondan a las necesidades de las personas y contribuyan a nuestra misión de acercar el mundo”, finalizan.
Fuente: Meta