X algoritması açık kaynak oldu: Kıymetli ayrıntılar ortaya çıktı

X, kullanıcıların “For You” yani “Sana Özel” akışını belirleyen teklif algoritmasını açık kaynak olarak yayımladı. Elon Musk’ın geçtiğimiz hafta duyurduğu bu gelişme, platformun içerik sıralama sisteminin artık herkese açık halde incelenebilmesini sağlıyor. Musk ayrıyeten algoritmanın her ay tertipli olarak güncelleneceğini açıklamıştı. GitHub üzerinden paylaşılan depo, X’in teklif sisteminin teknik altyapısını detaylı biçimde ortaya koyuyor.

Grok mimarinin merkezinde

Açık kaynak olarak paylaşılan algoritma, xAI tarafından geliştirilen Grok modelinde kullanılan transformer mimarisi temel alınarak oluşturulmuş durumda. X, bu yapıyı Grok-1’in açık kaynak sürümünden uyarlayarak teklif sistemlerine özel hale getirdi. Paylaşılan kodlara nazaran sistemde elle tanımlanmış özellikler ve klasik sezgisel kurallar neredeyse büsbütün kaldırıldı. İçeriklerin kime gösterileceğine dair kararların büyük kısmı, modelin kullanıcı davranışlarını anlamasına dayanıyor.

X akışı nasıl çalışıyor?

“Sana Özel” akışı, iki ana kaynaktan gelen gönderilerin bir ortaya getirilmesiyle oluşturuluyor. Bunlardan birincisi, kullanıcının takip ettiği hesaplardan gelen içerikleri kapsayan ve sistem içinde “Thunder” olarak isimlendirilen ağ içi kaynak. İkinci kaynak ise, tüm platform genelinden makine öğrenmesiyle keşfedilen gönderileri içeren ve “Phoenix Retrieval” ismi verilen ağ dışı sistem. Bu iki kaynaktan gelen içerikler, Grok tabanlı transformer model tarafından birlikte sıralanıyor ve her gönderi için etkileşim olasılıkları hesaplanıyor.

“Sana Özel” akışının oluşturulmasında merkezi rol oynayan bileşen “Home Mixer” olarak tanımlanıyor. Bu katman, kullanıcı bağlamını toplayarak aday gönderileri bir ortaya getiriyor, gerekli datalarla zenginleştiriyor, uygun olmayan içerikleri eliyor ve son evrede en yüksek puana sahip gönderileri seçiyor.

Bahsettiğimiz üzere Thunder ise X’in ağ içi içerikleri yöneten bileşeni olarak konumlanıyor. Gerçek vakitli çalışan bu sistem, Kafka üzerinden gelen gönderi oluşturma ve silme olaylarını takip ediyor. Kullanıcı bazında gönderileri bellekte tutan Thunder, harici bir veritabanına muhtaçlık duymadan milisaniyenin altında karşılık müddetleriyle takip edilen hesaplardan gelen içerikleri sağlayabiliyor. Eski gönderiler ise belirlenen saklama mühleti sonunda otomatik olarak sistemden çıkarılıyor.

Öte yandan Phoenix ise makine öğrenmesi tarafındaki ana bileşen olarak iki farklı fonksiyonu yerine getiriyor. Birinci kademede, “two-tower” olarak bilinen model yapısıyla kullanıcının etkileşim geçmişini ve platformdaki tüm gönderileri vektör temsillerine dönüştürüyor. Bu sayede, kullanıcıya en alakalı olabilecek ağ dışı gönderiler benzerlik hesaplamalarıyla seçiliyor. İkinci basamakta ise Grok tabanlı transformer modeli devreye girerek her bir aday gönderi için beğeni, karşılık, paylaşım, tıklama ve izleme üzere çok sayıda etkileşim cinsinin mümkünlüğünü farklı ayrı varsayım ediyor.

Aday gönderiler, sistem genelinde tekrar kullanılabilir bir yapı sunan “candidate-pipeline” çerçevesi üzerinden işleniyor. Bu yapı, içeriklerin farklı kaynaklardan paralel formda toplanmasına, zenginleştirilmesine ve filtrelenmesine imkan tanıyor. Filtreleme kademesinde yinelenen gönderiler, çok eski içerikler, kullanıcının engellediği yahut sessize aldığı hesaplardan gelen paylaşımlar, daha evvel görülmüş gönderiler ve erişilemeyen abonelik içerikleri sistemden çıkarılıyor. Akışın son basamağında ise silinmiş, spam olarak işaretlenmiş yahut platform siyasetlerine muhalif içerikler ek denetimlerle eleniyor.

Phoenix modeli, her gönderi için tek bir “alakalı” puanı üretmek yerine çok sayıda etkileşim tipi için başka mümkünlük bedelleri hesaplıyor. Beğeni, cevap, yine paylaşım, alıntı, tıklama, profil ziyareti, görüntü izleme, fotoğraf büyütme ve paylaşım üzere olumlu etkileşimler müspet tartılarla bedellendiriliyor. Engelleme, sessize alma ve şikâyet üzere olumsuz aksiyonlar negatif yüklerle hesaba katılıyor. Nihai sıralama puanı, bu olasılıkların yüklü toplamı alınarak belirleniyor.

Algoritma artık neredeyse büsbütün yapay zeka odaklı

X’in paylaştığı açık kaynak kodlar, teklif sisteminin büyük ölçüde tamamen yapay zeka tarafından yönetildiğini ortaya koyuyor. İçerikler sabit kategori etiketlerine nazaran değil, kullanıcı davranışları ve benzeri ilgi profillerine sahip öteki kullanıcıların reaksiyonları üzerinden eşleştiriliyor. Bu yapı, akışın gerçek vakitli olarak daima tekrar şekillenmesine imkan tanıyor.

Modelin çoklu aksiyon kestirim yapısı, negatif geri bildirimlerin tesirini de daha görünür hale getiriyor. Engelleme, sessize alma ve şikâyet üzere aksiyonlar, teknik olarak negatif tartılarla hesaba katılıyor ve bu cins reaksiyonlar alan içeriklerin görünürlüğü süratle düşürülebiliyor.

Akışta öne çıkmak için ne yapmak gerekiyor?

X algoritması da öteki toplumsal medyalar üzere temelinde birebir şeyi hedefliyor; kullanıcıyı platformda tutmak. Algoritma, neredeyse tüm kullanıcı aksiyonlarını farklı ayrı modelliyor. Her bir aksiyonun farklı yüklere sahip olması, içeriğin sadece etkileşim almasının değil, nasıl bir etkileşim aldığının da belirleyici olmasına yol açıyor.

Bu yapı, dikkat mühletini algoritmanın merkezine yerleştiriyor. Kullanıcının bir gönderide durması, içeriği hakikaten okuması yahut görüntüyü izlemeye devam etmesi sistem tarafından kalite sinyali olarak algılanıyor. Birkaç gündür “Hayatınızdaki tüm meseleleri 1 günde nasıl çözebilirsiniz?” başlıklı makaleyi daima görme nedeniniz de bu. Münasebetiyle zincir gönderileri, kıssa anlatımı, merak ögesi taşıyan içerikler ve okunurluğu yüksek içeriklerin daha sık öne çıktığı görülüyor. Algoritma, içeriğin tamamlanma davranışını ödüllendiren bir yapıya hakikat evrilmiş durumda.

Birkaç cümlelik yazı ve sonra irtibat vermek üzere bir durum ise gönderilerin erişimi için yeterli değil. Zira sizin hedefiniz kullanıcıyı dışarıya çıkarmak.

Açık kaynak kodlarda görülen içerik üretici çeşitliliği sistemi da görünürlük açısından belirleyici. Sistem, birebir hesabın gönderilerini arka arda ve ağır biçimde göstermeyi şuurlu olarak baskılıyor. Bu durum, takipçi sayısının tek başına belirleyici olma tesirini azaltıyor. Bir gönderi performans gösterdiğinde, paylaşan hesabın büyüklüğünden bağımsız olarak test sürecine dahil edilebiliyor.

Ancak bu yaklaşımın bir bedeli de var. Negatif geri bildirimler, sistemde güçlü bir bastırma tesirine sahip. Engelleme, sessize alma ve şikâyet üzere sinyaller, içeriklerin erişimini süratli biçimde aşağı çekebiliyor. Açık kaynak mimari, düşük kaliteli, aldatıcı yahut sadece kışkırtmaya dayalı içeriklerin sistem içinde daha kısa müddette geri plana itilmesini teknik olarak mümkün kılıyor. Bu da “ucuz etkileşim” yerine gerçek kıymet üretmenin daha belirleyici hale geldiğini gösteriyor.

1. Dikkat mühletini artıran içerikler üretin
2. Güçlü girişler ve merak uyandıran başlangıçlar kullanın
3. Yanıt ve kaydetme davranışını tetikleyin
4. Okunabilirliği yüksek, kısa paragraflar tercih edin
5. Erken etkileşimi önemseyin
6. Negatif geri bildirimlerden kaçının
7. Dış irtibatları dikkatli kullanın
8. İnsan reaksiyonu üreten içeriklere odaklanın
9. Ucuz etkileşimden uzak durun
10. Takipçi sayısına güvenmeyin

Kaynak : Donanimhaber