พฤศจิกายน 28, 2019

ฟีเจอร์สำรวจของ Instagram ที่ใช้ AI ในการทำงาน

ผู้ใช้งาน Instagram สามารถเข้าใช้งานฟีเจอร์สำรวจของ Instagram ทุกเดือนได้ เพื่อค้นหาภาพถ่าย วิดีโอ และเรื่องราวใหม่ๆ ที่เกี่ยวข้องกับความสนใจของผู้ใช้ โดยจะมีการแนะนำเนื้อหาที่เกี่ยวข้องมากที่สุดในแบบเรียลไทม์ ซึ่ง Instagram จะจัดการกับความสิ่งเหล่านี้ โดยการสร้างชุดของภาษาคิวรีที่กำหนดเทคนิคการสร้างแบบจำลอง และเครื่องมือที่ใช้การทดลองความเร็วสูง ระบบเหล่านี้จะรองรับการสำรวจ ในขณะที่เพิ่มประสิทธิภาพโดยรวมแล้วโซลูชั่นเหล่านี้จะเป็นตัวแทนของระบบ AI

การพัฒนาโครงสร้างพื้นฐานของการสำรวจ

ก่อนที่ Instagram จะสามารถสร้างเครื่องมือแนะนำที่จัดการปริมาณภาพถ่าย และวิดีโอที่อัพโหลดทุกวันบน Instagram นั้น Instagram ต้องการความสามารถในการทำการทดลองอย่างรวดเร็ว โดย Instagram จำเป็นต้องได้รับสัญญาณที่แรงขึ้นตามความสนใจของผู้คน และต้องการวิธีที่มีประสิทธิภาพในการคำนวณ เพื่อให้แน่ใจว่าคำแนะนำนั้นมีคุณภาพ เทคนิคที่กำหนดเองเหล่านี้ จะเป็นกุญแจสำคัญในการทำให้บรรลุเป้าหมายด้วย

IGQL : ภาษาเฉพาะโดเมนใหม่

การสร้างอัลกอริทึมที่เหมาะสม และเทคนิคที่เป็นพื้นที่ต่อเนื่องของการวิจัยในชุมชน ML กระบวนการในการเลือกระบบที่เหมาะสมอาจแตกต่างกันไปตามงาน โดยทีมวิศวกรรมของ Instagram จะทำอัลกอริทึมที่แตกต่างกัน และต้องการวิธีที่จะลองใช้ความคิดใหม่ๆ อย่างมีประสิทธิภาพ และนำแนวคิดที่มีแนวโน้มไปใช้กับระบบขนาดใหญ่ได้อย่างง่ายดาย

Instagram ต้องการ meta-language เฉพาะโดเมนที่กำหนดเอง ซึ่งให้ระดับที่เหมาะสมของนามธรรมและรวบรวมอัลกอริทึมทั้งหมดไว้ในที่เดียว การดำเนินการถูกปรับให้เหมาะสมใน C ++ ซึ่งช่วยลดทั้งเวลาในการตอบสนอง และทรัพยากรในการคำนวณ นอกจากนี้ยังสามารถขยายได้ และใช้งานง่ายขึ้น วิศวกรสามารถเขียนอัลกอริทึมการแนะนำในลักษณะคล้าย Python และดำเนินการอย่างรวดเร็ว และมีประสิทธิภาพใน C ++

ในตัวอย่างโค้ดด้านบนผู้ใช้สามารถดูว่า IGQL ให้ความสามารถในการอ่านสูงได้อย่างไร สำหรับวิศวกรที่ไม่ได้ใช้ภาษาอย่างกว้างขวาง จะช่วยรวบรวมขั้นตอนการเสนอแนะ และอัลกอริทึมหลายขั้นตอนด้วยหลักการ IGQL ทำให้ง่ายต่อการปฏิบัติงานที่พบได้ทั่วไปในระบบที่ซับซ้อน

Instagram มีบัญชีที่เน้นความสนใจจำนวนมากตามธีมที่เฉพาะเจาะจง โดย Instagram จะสรุปการใช้งานบัญชีโดยใช้ ig2vec ซึ่งเป็นกรอบงานการฝังคำแบบ 2vec ด้วยการใช้เทคนิคเดียวกันจาก word2vec สามารถทำนายบัญชีที่บุคคลมีแนวโน้มที่จะโต้ตอบในเซสชั่นที่กำหนดภายในแอพ Instagram เมื่อเทียบกับบัญชีแบบสุ่มจากบัญชี Instagram หลากหลาย สิ่งนี้จะช่วยให้สามารถระบุบัญชีที่คล้ายคลึงกันได้

หลังจากที่ได้ใช้ ig2vec เพื่อระบุบัญชีที่เกี่ยวข้องมากที่สุดตามความสนใจของแต่ละบุคคล ซึ่ง Instagram จะต้องการวิธีการจัดอันดับบัญชีเหล่านี้ในแบบใหม่ และน่าสนใจสำหรับทุกคน การตั้งค่าพฤติกรรมการล้อเลียนของแบบจำลองจะลดความจำเป็นในการปรับแต่งพารามิเตอร์หลายตัว และรักษาหลายรุ่นในระยะการจัดอันดับที่แตกต่างกัน การใช้ประโยชน์จากเทคนิคนี้จะสามารถประเมินชุดสื่อที่มีขนาดใหญ่ขึ้นได้อย่างมีประสิทธิภาพ เพื่อค้นหาสื่อที่เกี่ยวข้องมากที่สุดในทุกการจัดอันดับ ในขณะที่รักษาทรัพยากรการคำนวณไว้ภายใต้การควบคุมได้อีกด้วย

วิธีที่ Instagram ใช้สร้างฟีเจอร์สำรวจ

Instagram จะแบ่งระบบสำรวจคำแนะนำออกเป็น 2 ขั้นตอนหลัก คือ

ขั้นตอนการสร้างผู้สมัคร

อันดับแรกจะใช้ประโยชน์จากบัญชีที่ผู้คนเคยมีปฏิสัมพันธ์มาก่อนบน Instagram เพื่อระบุว่าบัญชีอื่นๆ ที่คนอื่นๆ อาจสนใจ จะเป็นเพียงบัญชีใน Instagram ที่มีความคล้ายคลึงกัน หรือมีความสนใจเหมือนกัน จากนั้นใช้เทคนิคการจัดวางบัญชีเพื่อระบุบัญชีที่คล้ายคลึงกับบัญชีเริ่มต้น สุดท้ายตามบัญชีเหล่านี้จะสามารถหาสื่อที่บัญชีเหล่านี้โพสต์ หรือมีส่วนร่วมได้

แหล่งที่มาประเภทต่างๆ สามารถค้นหาได้นับหมื่นคนสำหรับบุคคลทั่วไป Instagram ต้องการให้แน่ใจว่าเนื้อหาที่แนะนำนั้นปลอดภัย และเหมาะสมสำหรับชุมชนหรือไม่ ด้วยการใช้สัญญาณที่หลากหลาย โดยจะกรองเนื้อหาที่สามารถระบุได้ว่าไม่มีสิทธิ์ได้รับการแนะนำ ก่อนที่จะสร้างคลังโฆษณาที่มีสิทธิ์สำหรับแต่ละคน จากนั้นสำหรับการร้องขอการจัดอันดับทุกครั้งจะระบุสื่อที่มีสิทธิ์นับพันรายการสำหรับคนทั่วไป ตัวอย่างผู้สมัคร 500 คนจากคลังโฆษณาที่มีสิทธิ์

ขั้นตอนการจัดอันดับ

จากจำนวน 500 ผู้สมัครที่มีอยู่สำหรับการจัดอันดับ Instagram จะใช้โครงสร้างพื้นฐานการจัดอันดับ 3 ขั้นตอน เพื่อช่วยปรับสมดุลการแลกเปลี่ยนระหว่างความเกี่ยวข้องการจัดอันดับ และประสิทธิภาพการคำนวณ

First pass : แบบจำลองการกลั่นจะเลียนแบบการรวมกันของสองขั้นตอนด้วยคุณสมบัติขั้นต่ำ โดยเลือกผู้สมัครที่มีคุณภาพสูงสุด 150 คน และผู้ที่เกี่ยวข้องมากที่สุดจาก 500 คน
รอบที่ 2 : โมเดลโครงข่ายประสาทเทียมที่มีน้ำหนักเบา พร้อมคุณสมบัติที่มีความหนาแน่นสูง เลือกผู้สมัครที่มีคุณภาพ และมีความเกี่ยวข้องสูงสุด 50 คน
Final pass : โมเดลโครงข่ายประสาทเทียมแบบลึก พร้อมชุดคุณสมบัติที่หนาแน่น และเต็มรูปแบบ เลือกผู้สมัครที่มีคุณภาพสูงสุด และเหมาะสมที่สุด 25 คน (สำหรับหน้าแรกของตารางสำรวจ)