چگونه هوش مصنوعی بر آنچه در فیس بوک و اینستاگرام می بینید تأثیر می گذارد
میلیاردها نفر هر روز از فیس بوک و اینستاگرام برای به اشتراک گذاشتن فراز و نشیب های زندگی، ارتباط با افرادی که علایق مشترک دارند و کشف محتوای مورد علاقه خود استفاده می کنند. برای اینکه تجربه همه در برنامههایمان منحصربهفرد و برای آنها شخصیسازی شود، از سیستمهای هوش مصنوعی استفاده میکنیم تا با انتخابهایی که انجام میدهند، تصمیم بگیریم چه محتوایی ظاهر شود.
قبلاً در مورد رابطه بین شما و الگوریتمهایی نوشتم که متا برای شکل دادن به آنچه در فیسبوک و اینستاگرام میبینید، و برای به چالش کشیدن این افسانه که الگوریتمها افراد را نسبت به محتوایی که میبینند ناتوان میگذارند، نوشتم. در آن قطعه، من نوشتم که ما باید در مورد نحوه عملکرد این رابطه صریح تر باشیم و به شما کنترل بیشتری بر آنچه می بینید بدهید.
امروز، ما با شفافتر شدن در مورد چندین سیستم هوش مصنوعی که بازخورد شما را برای رتبهبندی محتوا در فیسبوک و اینستاگرام ترکیب میکنند، بر این تعهد بنا میکنیم. این سیستم ها این احتمال را افزایش می دهند که پست هایی که می بینید برای شما مرتبط و جالب باشند. ما همچنین روشنتر میکنیم که چگونه میتوانید آنچه را در برنامههای ما میبینید بهتر کنترل کنید، همچنین کنترلهای جدید را آزمایش کرده و دیگران را در دسترستر میکنیم. و ما اطلاعات دقیق تری را در اختیار کارشناسان قرار می دهیم تا بتوانند سیستم های ما را بهتر درک و تجزیه و تحلیل کنند.
این بخشی از اخلاق گسترده تر از باز بودن، شفافیت و پاسخگویی است. با پیشرفت های سریع فناوری های قدرتمندی مانند هوش مصنوعی مولد، قابل درک است که مردم هم از احتمالات هیجان زده هستند و هم نگران خطرات هستند. ما معتقدیم که بهترین راه برای پاسخ به این نگرانیها، صراحت است. به طور کلی، ما بر این باوریم که با توسعه این فناوریها، شرکتها باید در مورد نحوه عملکرد سیستمهایشان بازتر باشند و به طور آشکار در صنعت، دولت و جامعه مدنی همکاری کنند تا اطمینان حاصل شود که آنها به طور مسئولانه توسعه مییابند. این با ارائه بینش و کنترل بیشتر در مورد محتوایی که می بینید شروع می شود.
چگونه پیش بینی های هوش مصنوعی بر مطالب پیشنهادی تأثیر می گذارد
سیستمهای هوش مصنوعی ما پیشبینی میکنند که یک محتوا چقدر برای شما ارزشمند است، بنابراین میتوانیم آن را زودتر به شما نشان دهیم. به عنوان مثال، اشتراکگذاری یک پست اغلب نشاندهنده جالب بودن آن پست است، بنابراین پیشبینی اینکه یک پست را به اشتراک میگذارید یکی از عواملی است که سیستمهای ما در نظر میگیرند. همانطور که ممکن است تصور کنید، هیچ پیشبینی واحدی نمیتواند معیاری برای سنجش ارزش یک پست برای شما باشد. بنابراین ما از طیف گسترده ای از پیش بینی ها به صورت ترکیبی استفاده می کنیم تا تا حد امکان به محتوای مناسب نزدیک شویم، از جمله برخی بر اساس رفتار و برخی بر اساس بازخورد کاربران دریافت شده از طریق نظرسنجی ها.
ما میخواهیم در مورد نحوه عملکرد این روش شفاف تر باشیم. مدلی از شفافیت که متا مدتی است توسعه داده و از آن حمایت کرده است، انتشار کارتهای سیستمی است که به مردم بینشی در مورد نحوه عملکرد سیستمهای ما به شیوهای قابل دسترس برای کسانی که دانش فنی عمیقی ندارند، میدهد. امروز 22 کارت سیستم را برای فیس بوک و اینستاگرام منتشر می کنیم. آنها اطلاعاتی درباره نحوه رتبهبندی محتوا توسط سیستمهای هوش مصنوعی، برخی از پیشبینیهایی که هر سیستم انجام میدهد تا تعیین کند چه محتوایی ممکن است به شما مرتبط باشد، و همچنین کنترلهایی که میتوانید برای کمک به سفارشیسازی تجربه خود استفاده کنید، ارائه میدهند. آنها Feed، Stories، Reels و سطوح دیگری را پوشش می دهند که افراد برای یافتن محتوا از حساب ها یا افرادی که دنبال می کنند به آنجا می روند. کارتهای سیستم همچنین سیستمهای هوش مصنوعی را پوشش میدهند که محتوای «غیرمتصل» را از افراد، گروهها یا حسابهایی که دنبال نمیکنند توصیه میکنند. در اینجا میتوانید توضیح دقیقتری درباره هوش مصنوعی پشت توصیههای محتوا پیدا کنید.
برای ارائه سطح بیشتری از جزئیات فراتر از آنچه در کارتهای سیستم منتشر شده است، انواع ورودیها – معروف به سیگنالها – و همچنین مدلهای پیشبینی این سیگنالها را به اشتراک میگذاریم که به تعیین محتوای مرتبطتر از شبکه خود در فیسبوک کمک میکند. دستهبندی سیگنالهایی که ما منتشر میکنیم، نشاندهنده اکثریت قریب به اتفاق سیگنالهایی است که در حال حاضر در رتبهبندی فید فیسبوک برای این محتوا استفاده میشوند. میتوانید این سیگنالها و پیشبینیها را به همراه تعداد دفعات استفاده از آنها در فرآیند رتبهبندی کلی پیدا کنید.
ما همچنین از سیگنالهایی برای کمک به شناسایی محتوای مضر استفاده میکنیم که با آگاهی از آن حذف میکنیم و همچنین برای کمک به کاهش توزیع انواع دیگر محتوای مشکلزا یا با کیفیت پایین مطابق با دستورالعملهای توزیع محتوا. ما چند نمونه از سیگنال هایی را که برای انجام این کار استفاده می کنیم، اضافه می کنیم. اما محدودیتی برای مواردی که می توانیم با خیال راحت فاش کنیم وجود دارد. در حالی که میخواهیم در مورد نحوه تلاش برای دور نگه داشتن محتوای بد از فیدهای افراد شفاف باشیم، همچنین باید مراقب باشیم که سیگنالهایی را فاش نکنیم که ممکن است دور زدن دفاعیات ما را برای افراد آسانتر کند.
البته، همه اطلاعات را فقط به این دلیل که ما آن را در وب سایت خود منتشر می کنیم، پیدا نمی کنند. به همین دلیل است که ما این امکان را میدهیم که مستقیماً جزئیاتی را در برنامههایمان ببینیم که چرا سیستمهای ما محتوای مرتبط با شما را پیشبینی کردهاند و انواع فعالیتها و ورودیهایی که ممکن است منجر به این پیشبینی شده باشد. ما در حال گسترش "چرا این را می بینم؟" پس از اینکه قبلاً برای برخی از محتوای Feed و همه تبلیغات در فیس بوک و اینستاگرام راه اندازی شده بود، در تب Reels اینستاگرام و Explore و فیس بوک Reels در هفته های آینده قابل استفاده است. میتوانید روی یک حلقه تکی کلیک کنید تا اطلاعات بیشتری در مورد اینکه چگونه فعالیت قبلیتان ممکن است به مدلهای یادگیری ماشینی که حلقههایی را که میبینید شکل میدهند و تحویل میدهند، اطلاع داده باشد.
گسترش ابزارهایی برای شخصی سازی تجربه شما
با استفاده از ابزارهای موجود، میتوانید تجربیات خود را در برنامههای ما شکل دهید تا بیشتر محتوایی را که میخواهید ببینید و محتوایی را که نمیبینید کمتر میبینید. برای آسانتر کردن این کار، مکانهای متمرکزی را در فیسبوک و اینستاگرام ایجاد کردهایم که میتوانید کنترلهایی را سفارشی کنید که بر محتوایی که در هر برنامه میبینید تأثیر میگذارد. میتوانید از طریق منوی سه نقطه در پستهای مربوطه و همچنین از طریق تنظیمات، از تنظیمات برگزیده فید خود در فیسبوک و مرکز کنترل محتوای پیشنهادی در اینستاگرام دیدن کنید.
در اینستاگرام، ما در حال آزمایش ویژگی جدیدی هستیم که به شما امکان میدهد نشان دهید که به یک حلقه پیشنهادی در برگه Reels «علاقهمند» هستید، بنابراین میتوانیم موارد بیشتری را که دوست دارید به شما نشان دهیم. ویژگی «علاقهمند نیستم» از سال 2021 در دسترس است. میتوانید در اینجا درباره تأثیرگذاری بر آنچه در سراسر اینستاگرام میبینید اطلاعات بیشتری کسب کنید.
بنابراین میتوانید تجربه و محتوایی را که میبینید سفارشی کنید، ما همچنین یک ویژگی «نمایش بیشتر، نشان دادن کمتر» در فیسبوک داریم که در همه پستها در فید، ویدیو و حلقهها از طریق منوی سه نقطه در دسترس است. ما در حال کار بر روی راههایی برای برجستهتر کردن این ویژگی هستیم. و اگر نمیخواهید فید با رتبهبندی الگوریتمی داشته باشید – یا فقط میخواهید ببینید که فید شما بدون آن چگونه خواهد بود – میتوانید از برگه Feeds در فیسبوک استفاده کنید یا دنبال کردن در اینستاگرام را انتخاب کنید تا به فید زمانی تغییر دهید. همچنین میتوانید در فیسبوک و اینستاگرام افراد را به فهرست علاقهمندیهای خود اضافه کنید تا همیشه محتوای حسابهای مورد علاقه خود را ببینید.
ارائه ابزارهای بهتر برای محققان
ما همچنین معتقدیم که یک رویکرد باز به تحقیق و نوآوری - به ویژه وقتی صحبت از فناوریهای هوش مصنوعی میشود - بهتر از واگذاری دانش به دست تعداد کمی از شرکتهای بزرگ فناوری است. به همین دلیل است که ما بیش از 1000 مدل، کتابخانه و مجموعه دادههای هوش مصنوعی را در دهه گذشته برای محققان منتشر کردهایم تا آنها بتوانند از قدرت محاسباتی ما بهره ببرند و تحقیقات را آزادانه و ایمن دنبال کنند. جاه طلبی ما این است که همچنان شفاف باشیم زیرا مدلهای هوش مصنوعی بیشتری را در آینده به طور آشکار در دسترس قرار میدهیم.
در چند هفته آینده، ما شروع به عرضه مجموعه جدیدی از ابزارها برای محققان خواهیم کرد: Meta Content Library و API. این کتابخانه شامل دادههای پستها، صفحات، گروهها و رویدادهای عمومی در فیسبوک است. برای اینستاگرام، پستهای عمومی و دادههای حسابهای تولید کنندگان محتوا و تجاری را شامل میشود. دادههای کتابخانه را میتوان در یک رابط کاربری گرافیکی یا از طریق یک API برنامهای جستجو، کاوش و فیلتر کرد. محققان مؤسسات آکادمیک و تحقیقاتی واجد شرایطی که موضوعات تحقیقاتی علمی یا عمومی را دنبال میکنند، میتوانند از طریق شرکای دارای تخصص عمیق در زمینه به اشتراکگذاری دادههای ایمن برای تحقیق، از طریق کنسرسیوم بین دانشگاهی برای امور سیاسی و اجتماعی دانشگاه میشیگان، برای دسترسی به این ابزارها درخواست دهند. این ابزارها جامعترین دسترسی را به محتوای در دسترس عموم در فیسبوک و اینستاگرام در میان هر ابزار تحقیقاتی که تا به امروز ساختهایم فراهم میکند و همچنین به ما کمک میکند تا به تعهدات جدید اشتراکگذاری داده و رعایت شفافیت عمل کنیم.
امیدواریم با معرفی این محصولات به محققان در مراحل اولیه توسعه، بتوانیم بازخورد سازنده ای دریافت کنیم تا مطمئن شویم که بهترین ابزار ممکن را برای رفع نیازهای آنها می سازیم.