Μέσα από ένα ολιγόλεπτο video το Facebook μας ενημέρωσε για τον τρόπο λειτουργίας του Αλγορίθμου που αφορά το News Feed!
[Στο τέλος του άρθρου υπάρχει ένας πολύ απλός ορισμός για το τι είναι ένας Αλγόριθμος και τι σημαίνει Machine Learning]
Έχουμε 3 άξονες που μας ενδιαφέρουν:
- Inventory: Όλα τα πιθανά posts που μπορούμε να δούμε και το Facebook αποθηκεύει σε αυτό το inventory.
Σε αυτά υπολογίζονται παράγονες (τα λεγόμενα Signals) που βοηθούν τον αλγόριθμο του Facebook να γνωρίζει:
- Ποιος/α έκανε μία ανάρτηση,
- Πως αλληλεπιδράσαμε με αυτό το άτομο στο παρελθόν,
- Τι είδους περιεχόμενο έχει η ανάρτηση (link, φωτογραφία, βίντεο, απλό κείμενο)
- Predictions: Βασίζονται στα παραπάνω Signals και ουσιαστικά παρέχουν πληροφορία στον αλγόριθμο για το αν ενδιαφερόμαστε για μία συγκεκριμένη ανάρτηση με βάση και ιστορικά στοιχεία.
- Score: Λαμβάνοντας υπόψη όλα τα παραπάνω και κυρίως τα Signals, κάθε ανάρτηση του inventory λαμβάνει ένα score.
Όσο μεγαλύτερο το score τόσο πιθανότερο να το δούμε στο News Feed (και αντίστοιχα να εμφανιστεί πιο ψηλά στις αναρτήσεις). Με το score το Facebook θεωρεί ότι μία ανάρτηση είναι πιθανό να σε ενδιαφέρει και αξίζει τον χρόνο σου να την δεις (χωρίς να προσδιορίζει βέβαια τι σημαίνει αυτή η γενικόλογη αξία!)
Ως χρήστες/ριες έχουμε τη δυνατότητα να «παρέμβουμε» στο News Feed του από τις Ρυθμίσεις -> News Feed Preferences όπου μπορούμε να διαλέξουμε τα Αγαπημένα/Favorites πρόσωπα ή σελίδες και να τα βλέπουμε πρώτα κάθε φορά στο Facebook feed (Επιλογή See First).
Αλγόριθμος εμφάνισης χορηγούμενων διαφημίσεων σε
Facebook και Instagram.
Πάμε τώρα σε έναν πιο σημαντικό αλγόριθμο, αυτόν που αφορά την εμφάνιση χορηγούμενων διαφημίσεων. Το Facebook/Instagram χρησιμοποιεί τεχνικές Machine Learning για το καλύτερο «σερβίρισμα»των διαφημίσεων.
Όπως πολύ πιθανόν γνωρίζετε, τα 3 βασικά στοιχεία για την αρχική κατηγοριοποίηση των διαφημίσεων στο σύστημα των Facebook Ads είναι:
1. Audience/Κοινό – Βασίζεται στα παρακάτω δεδομένα που οι χρήστες έχουν μοιραστεί στην πλατφόρμα:
- Interests/Ενδιαφέροντα
- Ηλικία
- Γεωγραφική περιοχή
- Φύλο
- Αλληλεπίδραση με σελίδες/αναρτήσεις/διαφημίσεις στο παρελθόν
- Αλληλεπίδραση με συγκεκριμένη επιχείρηση
- Επίσκεψη στον ιστότοπο μίας επιχείρησης
- Εγγραφή στην λίστα newsletter
- Προηγούμενη αγορά από την επιχείρηση
2. Business objective
Πρόκειται για τον στόχο που διαλέγει ο διαφημιστής κάθε φορά. Ενδεικτικά μπορεί να είναι:
- Απήχηση – Αύξηση Αναγνωρισιμότητας/Awareness
- Video Views
- Επισκεψιμότητα σε ένα site/e-shop
- Πραγματοποίηση αγοράς
- Αύξηση Engagement (Likes, Comments, Shares)
3. Bid
Αφορά το χρηματικό ποσό που είμαστε διατεθειμένοι να δαπανήσουμε για μία ενέργεια ως διαφημιστές.
Το «σύστημα του Facebook» έχει όλα τα παραπάνω στοιχεία προκειμένου να κατατάξει τις διαφημίσεις με βάση Machine Learning αλγορίθμους.
Πιο συγκεκριμένα, αναθέτει σε κάθε διαφήμιση ένα Total Value.
Αυτό εξαρτάται από την παρακάτω σχέση:
Total Value = Advertiser Bid x Estimated Action Rate + Ad Quality
To Estimated Action Rate απορρέει από τη συμπεριφορά κάθε χρήστη στην πλατφόρμα και το ιστορικό απόδοσης των διαφημίσεων της επιχείρησης (λαμβάνονται στοιχεία και από το Facebook Pixel).
Το Ad Quality πάλι εξάγεται με τεχνικές Μηχανικής Μάθησης. Σύμφωνα με όσα ξέρουμε από το Facebook, για κάθε διαφήμιση ελέγχει την αλληλεπίδραση των χρηστών και αναθέτει ένα score.
Στην αλληλεπίδραση αυτή φυσικά έχουν πολλοί παράγοντες σημασία. Από το αν κλικάραμε για να πάμε σε ένα site, αν σχολιάσαμε θετικά ή αρνητικά τη διαφήμιση μέχρι την ώρα της ημέρας που η αλληλεπίδραση αυτή έλαβε χώρα.
Όσο περισσότερα στοιχεία έχει το Facebook/Instagram για μία διαφήμιση τόσο καλύτερη πρόβλεψη μπορεί να κάνει.
Σε απλά ελληνικά, αν οι χρήστες αλληλεπιδρούν με θετικό τρόπο από την αρχή της διαφήμισης τότε είναι πιθανότερο το «σύστημα» να αντιληφθεί πως αυτή η διαφήμιση θεωρείται «καλή και ποιοτική» για τους users.
Eπομένως, θα την εμφανίσει σε περισσότερο κόσμο. Μάλιστα, λαμβάνονται υπόψη ποιοτικά στοιχεία των users που αλληλεπίδρασαν με τη διαφήμιση και έτσι ο αλγόριθμος Μηχανικής Μάθησης καταλαβαίνει ποια «χαρακτηριστικά» έχουν οι χρήστες που τους αρέσει μία διαφήμιση.
Έτσι, μπορεί να την εμφανίσει στο κατάλληλο κοινό ώστε να έχουμε καλά αποτελέσματα και εμείς ως διαφημιστές και οι χρήστες (αφού βλέπουν κάτι που τους αρέσει).
Αντί Επιλόγου
Σίγουρα, οι συνολικοί παράγοντες που επηρεάζουν το αν θα δούμε ένα post ή μία διαφήμιση στο Feed του Facebook ή το Instagram είναι πάρα πολλοί. Για αυτό τον λόγο άλλωστε το ίδιο το Facebook χρησιμοποιεί προηγμένους αλγορίθμους.
Παρόλα αυτά τα παραπάνω στοιχεία μας βοηθούν να έχουμε μία καλύτερη εικόνα για τον τρόπο λειτουργίας της διαφημιστικής πλατφόρμας.
Προβλέπεται στο μέλλον να αυξηθούν πολύ τα εργαλεία Τεχνητής Νοημοσύνης στην δημιουργία και παρακολούθηση των διαφημίσεων.
[Σημειώσεις]
Τι είναι ένας αλγόριθμος με απλά λόγια;
Ως αλγόριθμο ορίζουμε μία συγκεκριμένη διαδικασία βημάτων που επιλύει ένα πρόβλημα.
Τα χαρακτηριστικά που πρέπει να έχει ένας αλγόριθμός είναι τα εξής:
- Είσοδος δεδομένων
- Πρέπει να παράγει ένα αποτέλεσμα (output)
- Πρέπει να έχει σαφή και συγκεκριμένα βήματα για την παραγωγή του output.
- Να τελειώνει μετά από συγκεκριμένα βήματα (Περατότητα).
- Να είναι αποτελεσματικός – Κάθε εντολή/βήμα πρέπει να είναι απλή και εκτελέσιμη.
Το πιο απλό παράδειγμα για να καταλάβετε τη Μηχανική Μάθηση (Machine Learning).
Οι αλγόριθμοι και οι τεχνικές Μηχανικής Μάθησης αποτελούν τη βάση της Τεχνητής Νοημοσύνης (Artificial Intelligence).
Πρόκειται για αλγορίθμους που μαθαίνουν με βάση τα δεδομένα που συλλέγουν (ή που ένας άνθρωπος τους τροφοδοτεί). Η διαδικασία αυτή λέγεται training.
Όσο περισσότερα καλώς ορισμένα δεδομένα δέχεται ο αλγόριθμος τόσο καλύτερα μαθαίνει. Αποτέλεσμα αυτού να μπορεί να κάνει καλύτερες προβλέψεις.
Το πιο απλό παράδειγμα:
Η λειτουργία των Spam E-mails.
Αν λαμβάνετε ένα e-mail από την εταιρεία Χ και συνεχώς το διαγράφετε χωρίς να το διαβάσετε τότε το σύστημα αντιλαμβάνεται από τις ενέργειές σας ότι δε σας ενδιαφέρει.
Έτσι, από ένα σημείο και έπειτα μεταφέρει αυτομάτως τα e-mails από τον συγκεκριμένο αποστολέα στο φάκελο των Spam.
Αντίστοιχα, μεγάλοι mail servers (π.χ Gmail, Outlook) αντιλαμβάνονται εύκολα τις μαζικές αποστολές από Spam E-Mails και τα κατηγοριοποιούν ως τέτοια εξ’αρχής. Χωρίς δηλαδή να φτάσουν στο Inbox σας αλλά τα τοποθετούν απευθείας στο Spam Folder γιατί οι αλγόριθμοι παίρνουν input από χιλιάδες χρήστες που διέγραψαν ή επεσήμαναν ως Spam τα συγκεκριμένα mails.
Όπως αναφέραμε τα παραπάνω αποτελούν μία απλοϊκή προσέγγιση για τον ορισμό αλγορίθμων και μηχανικής μάθησης.
