Halo, Alan Lovers! Pada tahun 2019 lalu, muncul sebuah artikel yang ditulis oleh Ivan Medvedev (Software Engineer), Haotian Wu, dan Taylor Gordon (Research Scientist). Artikel tersebut memberikan insight bagaimana artificial intelligence Instagram untuk explore page bekerja.
Dalam artikel ini, kita akan membahas bagaimana artificial intelligence Instagram tersebut bekerja, khususnya di explore page. Mengapa explore page? Karena laman tersebut mampu memberikan hingga ribuan rekomendasi mengenai postingan apa yang kita sukai.
Fondasi Membangun Explore Page Instagram
Iterasi Cepat Menggunakan IGQL
Membangun algoritma dan teknik rekomendasi optimal menjadi bahan penelitian yang terus berkembang dalam komunitas ML (Machine Learning). Satu algoritma mungkin efektif dalam mengidentifikasi minat jangka panjang, yang lain mungkin lebih baik dalam mengidentifikasi rekomendasi berdasarkan konten terbaru.
Untuk memecahkan masalah ini, mereka menciptakan dan mengirimkan IGQL, bahasa domain khusus yang dioptimalkan untuk menyeleksi kandidat dalam sistem rekomendasi. Eksekusinya dioptimalkan dalam C++, yang membantu meminimalkan latensi dan sumber daya komputasi.
Dalam contoh kode di atas, kalian dapat melihat bagaimana IGQL memberikan kemudahan readability yang tinggi bahkan bagi engineer yang belum banyak bekerja dengan bahasa tersebut. IGQL membantu menggabungkan beberapa tahapan rekomendasi dan algoritma dengan cara yang sistematis
Hal ini memudahkan pelaksanaan tugas-tugas yang umum dalam sistem rekomendasi kompleks, seperti membangun pohon bertingkat dari aturan penggabung. IGQL memungkinkan engineer berfokus pada logika ML dan bisnis di balik rekomendasi.
Misalnya, menerapkan ranker hanya membutuhkan aturan satu baris dalam query IGQL. Sangat mudah untuk menambahkannya di beberapa tempat, seperti meranking akun dan meranking media yang diposting oleh akun-akun tersebut.
Account Embedding Untuk Personalisasi
Orang-orang secara publik membagikan miliaran konten media berkualitas tinggi di Instagram yang menjadi “gudang” untuk laman Explore. Instagram memiliki banyak akun yang fokus pada minat dengan tema tertentu, seperti kucing ataupun bola. Oleh karenanya mereka mengambil keputusannya dengan fokus pada informasi pada akun daripada media.
Dengan membangun pembedaan akun, mereka dapat mengidentifikasi dengan lebih efisien akun-akun yang serupa dalam hal topik. Mereka menyimpulkan pembedaan akun menggunakan ig2vec. Biasanya, kerangka pembedaan word2vec mempelajari representasi sebuah kata berdasarkan konteksnya di dalam kalimat-kalimat.
Dengan menerapkan teknik yang sama dari word2vec, mereka dapat memprediksi akun-akun yang kemungkinan akan diinteraksi oleh seseorang dalam aplikasi Instagram. Jika seseorang berinteraksi dengan urutan akun dalam sesi yang sama, kemungkinan urutan tersebut lebih koheren secara topik dibandingkan dengan urutan acak dari beragam akun Instagram.
Memilih Kandidat yang Relevan Menggunakan Model Distilasi
Setelah menggunakan ig2vec untuk mengidentifikasi akun-akun yang paling relevan berdasarkan minat individu, selanjutnya dibutuhkan cara untuk mengurutkan akun. Hal ini memerlukan prediksi media yang paling relevan untuk setiap orang setiap kali seseorang membuka halaman Explore.
Untuk dapat memaksimalkan jumlah media untuk setiap request pengurutan, mereka memperkenalkan model distilasi peringkat. Pendekatannya adalah melatih model yang sangat ringan yang belajar dari dan mencoba mendekati model peringkat utama kami sebanyak mungkin. Mereka merekam calon input dengan fitur-fitur, serta keluaran dari model peringkat yang lebih kompleks kami.
Model distilasi kemudian dilatih dengan menggunakan data yang direkam ini dengan sekumpulan fitur terbatas dan struktur model jaringan yang lebih sederhana untuk mereplikasi hasilnya. Fungsi tujuan dari model ini adalah untuk mengoptimalkan kerugian peringkat NDCG (sebuah ukuran kualitas peringkat) dari keluaran model peringkat utama.
Bagaimana Caranya Membuat Fitur Explore?
Setelah membuat fondasi kunci yang diperlukan untuk melakukan eksperimen dengan mudah, mengidentifikasi minat orang dengan efektif, dan menghasilkan prediksi yang efisien dan relevan. Selanjutnya harus menggabungkan sistem-sistem ini bersama-sama. Dengan memanfaatkan IGQL, pembedaan akun, dan teknik distilasi, dapat membagi sistem rekomendasi Explore menjadi dua tahap utama: tahap generate (juga dikenal sebagai tahap sumber) dan tahap ranking.
Generating
Pertama, manfaatkan akun-akun yang pernah diinteraksi oleh orang-orang sebelumnya (misalnya, menyukai atau menyimpan media dari sebuah akun) di Instagram untuk mengidentifikasi akun-akun lain yang mungkin menarik bagi seseorang.
Akun-akun acuan ini biasanya hanya sebagian kecil dari akun-akun di Instagram yang berkaitan dengan minat yang serupa atau sama. Kemudian, mereka menggunakan teknik pembedaan akun untuk mengidentifikasi akun-akun yang serupa dengan akun-akun acuan.
Akhirnya, berdasarkan akun-akun ini, dapat ditermuka media yang diposting atau diinteraksi oleh akun-akun tersebut.
Ranking
Dengan tersedia 500 calon untuk peringkat, kami menggunakan infrastruktur peringkat tiga tahap untuk membantu menyeimbangkan kompromi antara relevansi peringkat dan efisiensi komputasi. Tiga tahap peringkat yang kami miliki adalah sebagai berikut:
Tahap pertama: model distilasi meniru kombinasi dua tahap lainnya, dengan fitur minimal; memilih 150 calon terbaik dan paling relevan dari 500 calon.
Tahap kedua: model jaringan ringan dengan set lengkap fitur padat. Memilih 50 calon terbaik dan paling relevan.
Tahap akhir: model jaringan mendalam dengan set lengkap fitur padat dan renggang. Memilih 25 calon terbaik dan paling relevan (untuk halaman pertama grid Explore).
Tertarik untuk mendapatkan artikel unik lainnya? Ikuti terus Alan Creative. Bukan hanya artikel unik, tetapi kalian juga bisa mendapatkan artikel informatif seputar teknologi hingga digital marketing.
Cari semua kebutuhan konten digital hingga teknologi untuk bisnis dan pemerintah hanya di Alan Creative! Termasuk pembuatan website profesional dengan harga terjangkau!
