تغییر تازه فید کاربران اینستاگرام با هوش مصنوعی متا

احتمالا متوجه شده‌اید که فید شما هم‌زمان هم عجیب‌تر شده و هم آشناتر. چهره‌های تازه. محبوب‌های قدیمی. فاصله کوتاه‌تر میان چیزهایی که دوست دارید و چیزهایی که نمایش داده می‌شوند. این تغییر اتفاقی نیست.

تغییرات کوچک در پشت‌صحنه، موج‌های بزرگ در رفتار کاربران

مارک زاکربرگ به سرمایه‌گذاران گفت که زمان سپری‌شده هر کاربر در اینستاگرام در سه‌ماهه دوم، نسبت به سال قبل رشدی دو رقمی داشته است. شرکت این جهش را نتیجه یک تحول آرام می‌داند: موتور پیشنهاد محتوا که با هوش مصنوعی تازه تنظیم شده، اکنون پردازش سریع‌تر را با بررسی عمیق‌تر سابقه فعالیت کاربران ترکیب می‌کند. نتیجه، فیدی است که شخصی‌تر، به‌موقع‌تر و مهم‌تر از همه، هماهنگ‌تر با چیزی به نظر می‌رسد که مردم واقعا می‌خواهند تماشا و بازنشر کنند.

این وضعیت را شبیه دی‌جی‌ای تصور کنید که نه‌تنها آهنگ‌های محبوب جمعیت را به خاطر دارد، بلکه خیلی سریع و دقیق حال‌وهوای فضا را هم می‌خواند. ریلز، قلب ویدئوهای کوتاه اینستاگرام، اکنون بر همین منطق تکیه دارد. استنتاج سریع‌تر. معماری بازطراحی‌شده. حافظه طولانی‌تر از رفتارهای گذشته. این تغییرات به سیستم اجازه می‌دهد علایق را با دقت بیشتری پیش‌بینی کند و ویدئوهایی را نمایش دهد که بیننده را به یک لمس دیگر ترغیب می‌کنند.

متا می‌گوید این بهبودها به افزایش تقریبی ۱۵ واحد پایه در تعداد نشست‌ها منجر شده است. این شاخص در ظاهر کوچک به نظر می‌رسد، اما می‌تواند خیلی سریع بزرگ شود: نشست‌های بیشتر یعنی بازنشرهای بیشتر، زمان تماشای طولانی‌تر و چرخه بزرگ‌تری از کشف محتوا و تعامل. برای پلتفرمی که بر پایه توجه ساخته شده، رشدهای کوچک در نهایت به جابه‌جایی‌های قابل‌مشاهده در رفتار مخاطب تبدیل می‌شوند.

متا دقیقا چطور این کار را انجام می‌دهد؟ به گفته زاکربرگ، این شرکت هر پست عمومی و هر کلیپ عمومی ریلز را از یک مدل زبانی بزرگ عبور می‌دهد تا موضوع و لحن آن تحلیل شود. این تحلیل، محتوا را در مقیاس وسیع برچسب‌گذاری می‌کند و به سیستم پیشنهاددهنده اجازه می‌دهد ظرافت‌هایی مانند حال‌وهوا، موضوع، نیت و سبک را با عادت‌های پیچیده کاربران تطبیق دهد. متا قصد دارد همین رویکرد را به بخش‌های بیشتری از فیس‌بوک نیز گسترش دهد و منطق مشابه شخصی‌سازی محتوا را در سراسر شبکه اجتماعی خود به کار بگیرد.

این یک تاکتیک کارآمد است. مدل‌های زبانی بزرگ نوعی لنز معنایی فراهم می‌کنند که دسته‌بندهای قدیمی فاقد آن بودند. در حالی که یک مدل سنتی ممکن بود کلیپی را صرفا «ورزشی» یا «کمدی» تشخیص دهد، یک مدل زبانی مدرن می‌تواند مشخص کند لحن آن طعنه‌آمیز، الهام‌بخش، آموزشی یا نوستالژیک است. همین زمینه معنایی تعیین می‌کند چه چیزی برای هر بیننده واقعا مرتبط محسوب می‌شود.

با این حال، ماجرا فقط فنی نیست.

نهادهای نظارتی و وکلا با دقت موضوع را دنبال می‌کنند. بیش از ۲۰ ایالت آمریکا متا را متهم کرده‌اند که محصولاتی طراحی کرده که کاربران جوان‌تر را درگیر و وابسته نگه می‌دارد. فشارهای حقوقی رو به افزایش است و مدیران خود متا نیز انتظار دارند این بررسی‌ها ادامه پیدا کند. سوزان لی، مدیر ارشد مالی متا، به سرمایه‌گذاران هشدار داد که چند پرونده مرتبط با استفاده نوجوانان فعال است و می‌تواند پیامدهای مالی به همراه داشته باشد. شرکت حدود ۲.۲ میلیارد یورو برای این دعاوی کنار گذاشته است.

این تنش اهمیت زیادی دارد. از یک سو، شخصی‌سازی مبتنی بر هوش مصنوعی می‌تواند کشف محتوا را آسان و خوشایند کند. از سوی دیگر، منتقدان می‌گویند همین سیستم‌ها ممکن است گروه‌های آسیب‌پذیر را به سمت استفاده افراطی سوق دهند. معماری‌ای که ارتباط محتوا را بهتر می‌کند، اگر محافظت‌های لازم در آن تعبیه نشده باشد، می‌تواند اثرات جانبی خود را هم تقویت کند.

فراتر از متا، صنعت با سرعت زیادی در حال حرکت است. اپل نسخه‌های توسعه‌دهندگان آی‌اواس ۱۸.۱ را عرضه می‌کند که قابلیت‌های هوش مصنوعی خود این شرکت را در سیستم‌عامل ادغام کرده‌اند؛ نشانه‌ای از اینکه هم مالکان پلتفرم‌ها و هم سازندگان اپلیکیشن‌ها به دنبال تجربه‌های متمایز هوش مصنوعی هستند. رقابت در فضای عمومی داغ‌تر می‌شود، اما مسابقه واقعی در مدل‌های خصوصی، بهینه‌سازی تأخیر و تصمیم‌های محصولی جریان دارد؛ تصمیم‌هایی درباره اینکه شخصی‌سازی کجا کمک می‌کند و کجا آسیب می‌زند.

پس کاربران در این میان کجا قرار می‌گیرند؟ فعلا بسیاری از آن‌ها صرفا فیدی را تجربه می‌کنند که اختصاصی‌تر به نظر می‌رسد. برای سیاست‌گذاران، پرسش این است که آیا اختصاصی بودن همان سودمند بودن است یا نه. برای تیم‌های محصول، چالش روشن است: تنظیم برای ارتباط بیشتر، بدون از دست دادن کنترل. برای سرمایه‌گذاران، نوسان‌های کوچک درصدی در زمان استفاده می‌تواند روایت رشد را تغییر دهد. و برای طراحان، وظیفه این است که این دستاوردها کمتر شبیه دست‌کاری رفتار و بیشتر شبیه خدمت به کاربر احساس شوند.

این لحظه کمتر درباره یک ترفند مهندسی واحد است و بیشتر از منطق عملیاتی تازه‌ای برای اپلیکیشن‌های اجتماعی خبر می‌دهد: مبتنی بر هوش مصنوعی، آگاه از رفتار کاربر و زیر فشار حقوقی برای اثبات مسئولانه ارزش خود.