Meta ha recentemente annunciato l’implementazione di un innovativo sistema di raccomandazione che combina l’intelligenza artificiale generativa con gli algoritmi tradizionali. Questo approccio ibrido mira a comprendere in modo più efficace le intenzioni degli utenti, migliorando la pertinenza dei contenuti suggeriti.
I tradizionali sistemi di raccomandazione operano convertendo le informazioni degli utenti e degli elementi in rappresentazioni numeriche, note come embedding. Queste rappresentazioni vengono poi confrontate per identificare somiglianze e proporre contenuti pertinenti. Tuttavia, con l’aumento esponenziale del numero di elementi, questi sistemi affrontano sfide significative in termini di spazio di archiviazione e capacità computazionali, dovendo conservare e analizzare una mole crescente di dati.
Per superare queste limitazioni, Meta ha sviluppato un sistema denominato “generative retrieval”. Questo metodo prevede l’utilizzo di modelli di intelligenza artificiale generativa per prevedere i contenuti più adatti agli utenti, basandosi sulle loro interazioni precedenti, senza la necessità di consultare direttamente un database esteso. Il cuore di questo sistema è rappresentato dalle “Semantic IDs” (SID), che incorporano informazioni contestuali su ciascun elemento. Durante la fase di addestramento, un modello encoder genera embedding unici per ogni elemento, che vengono poi utilizzati da un modello transformer per prevedere le SID più rilevanti per l’utente.
L’adozione del generative retrieval offre numerosi vantaggi, tra cui una maggiore efficienza computazionale e la capacità di cogliere relazioni semantiche più profonde tra gli elementi. Inoltre, consente di ampliare la varietà dei contenuti suggeriti, migliorando l’esperienza dell’utente. Tuttavia, presenta anche alcune sfide, come la tendenza a sovradattarsi agli elementi già noti durante l’addestramento, rendendo difficile l’inclusione di nuovi contenuti, un problema noto come “cold start”.
Per affrontare queste problematiche, Meta ha introdotto un sistema ibrido chiamato LIGER, che combina i punti di forza del generative retrieval con quelli dei metodi tradizionali. Durante l’addestramento, LIGER utilizza sia punteggi di similarità che previsioni di token successivi per migliorare la qualità delle raccomandazioni. In fase di inferenza, genera una serie di contenuti candidati attraverso meccanismi generativi e integra nuovi elementi per fornire suggerimenti più accurati e aggiornati.
Oltre a LIGER, Meta ha presentato “Mender”, un modello progettato per interpretare le preferenze degli utenti attraverso interazioni multimodali. Utilizzando modelli linguistici di grandi dimensioni (LLM), Mender traduce le interazioni degli utenti in preferenze esplicite, facilitando la comprensione delle loro inclinazioni e migliorando ulteriormente la pertinenza dei contenuti suggeriti.