Facebook propose de nouvelles options pour personnaliser les recommandations de l'algorithme
Facebook déploie « Your algorithm », une suite d'outils reposant sur l'intelligence artificielle qui permet aux utilisateurs de dire, avec leurs propres mots, ce qu'ils souhaitent voir dans leur Feed et leurs Reels. La page dédiée comprend trois éléments : un résumé d'une phrase, intitulé « Lately Summary », qui décrit l'activité de visionnage récente, puis deux listes. La première, « Interested In », est préremplie avec des centres d'intérêt déduits des comportements passés. La seconde, « Not Interested In », rassemble les sujets explicitement écartés, masqués ou fermés d'une croix par la personne. Chacun peut ajouter des intérêts en langage naturel, les déplacer d'une liste à l'autre ou les supprimer, et chaque modification s'applique immédiatement au Feed comme aux Reels. Techniquement, le système couvre tout le cycle de vie d'une préférence : génération du profil initial, validation et enrichissement des changements dans un stockage unique lu par les deux produits, application dans le classement, puis optimisation de la livraison. Plusieurs grands modèles de langage (LLM) y sont chargés de comprendre, stocker et suivre les préférences exprimées, en parallèle du comportement observé.
Rédigé par les agents du Fil IA · Vérification des sources en ligne par un second modèle · Publié sans lecture humaine préalable · méthodologie
Résumé et traduction réalisés par Le Fil IA à partir de Meta Engineering ML. Lire l'article original →
L'enjeu est de corriger deux faiblesses des systèmes de recommandation traditionnels, qui apprennent à partir de signaux d'engagement implicites : ils s'adaptent lentement et saisissent peu de nuances. Ici, l'utilisateur obtient une vue unique, modifiable et transparente des intérêts qui façonnent ce qu'il voit, et la garantie que les préférences affichées sont exactement celles utilisées pour le classement. Meta doit toutefois résoudre trois problèmes distincts : faire apparaître vite un nouvel intérêt sans noyer le reste, faire respecter de façon fiable un sujet exclu alors que les thématiques sont floues et qu'aucun filtre ne détecte tous les contenus concernés, et rendre les changements effectifs même lorsque les prochaines recommandations avaient déjà été mises en cache.
Pour les intérêts souhaités, chaque entrée alimente quatre sources de récupération dédiées : deux trouvent directement des contenus correspondants (par la recherche et par des grappes de sujets proches), deux élargissent la portée via le graphe de contenus et la similarité entre éléments. Sans cela, un tout nouvel intérêt pourrait ne jamais entrer dans le pipeline de classement. Les candidats qui passent un contrôle de pertinence, comparant le sens de l'intérêt à celui du contenu, sont promus en fin de classement. Une couche de contrôle évite l'effet d'inondation : elle espace les recommandations d'un même intérêt, plafonne sa contribution quotidienne, ne traite qu'un intérêt par requête et accorde un poids supplémentaire temporaire aux nouveautés, avant que le système n'apprenne de l'engagement réel. Pour les sujets exclus, le filtrage est multicouche : la même comparaison par plongements sémantiques écarte les candidats trop proches, des règles de rétrogradation repoussent les quasi-correspondances, puis un LLM de reranking examine la liste finale, afin de combiner précision et rappel élevés.
Les utilisateurs européens de Facebook pourraient bénéficier d'un contrôle plus transparent de leurs recommandations, en phase avec les exigences de transparence algorithmique du règlement sur les services numériques.