سفارش الگورتھم کیسے کام کرتے ہیں: وہ AI جو آپ کے فیڈ کو شکل دیتی ہے

جب بھی کوئی YouTube، TikTok یا اسی طرح کی کسی اور ایپ کھولتا ہے، سافٹویئر ہزاروں ممکنہ ویڈیوز، گانے یا پوسٹس کو ایک سیکنڈ کے حصے میں درجہ بندی کرتا ہے اور فیصلہ کرتا ہے کہ کون سی چند اہم دکھانی ہیں۔ یہ ایک سفارش کا نظام ہے: الگورتھم کا ایک مجموعہ جو اس بات کی پیشین گوئی کرنے کے لیے ڈیزائن کیا گیا ہے کہ کوئی مخصوص صارف کس چیز کو سب سے زیادہ چاہتا ہے، ایک کیٹلاگ سے جو کسی بھی شخص کے لیے دستی طور پر براؤز کرنے کے لیے بہت بڑا ہے۔

ہر سفارش کار کے پیچھے دو بنیادی خیالیں

NVIDIA کی سفارش کے نظام پر تکنیکی فرہنگ کے مطابق، زیادہ تر انجن دو بنیادی طریقے کو یکجا کرتے ہیں۔ تعاون پر مبنی فلٹرنگ یہ فرض کرتی ہے کہ اگر لوگوں نے ماضی میں اسی طرح کے انتخاب کیے ہیں، تو وہ مستقبل میں بھی متفق ہوں گے، لہذا نظام مماثل رویے کے نمونے والے صارفین کو تلاش کرتا ہے اور سفارش کرتا ہے کہ ان صارفین نے کیا پسند کیا۔ مواد پر مبنی فلٹرنگ اس کے بجائے خود اشیاء کی خصوصیات کو دیکھتی ہے — نوع، اداکار، آڈیو کی خصوصیات، ٹیگز — اور اسی طرح کی اشیاء کی تجویز کرتی ہے جو ایک صارف نے پہلے سے شامل ہو۔

NVIDIA کی فرہنگ ایک تیسری تہہ شامل کرتی ہے جو کچھ پلیٹ فارمز استعمال کرتے ہیں: سیاق و سباق فلٹرنگ، جو حالات کی تفصیلات کو شامل کرتی ہے جیسے ڈیوائس کی قسم، دن کا وقت یا مقام۔ ایک مثال کے طور پر، یہ Netflix کے طریقے کا حوالہ دیتی ہے جو ملک، ڈیوائس، تاریخ اور وقت کو وزن دیتی ہے جب کوئی عنوان دیکھا گیا تھا، دیکھنے کے ساتھ ساتھ۔

جدید نظام تیزی سے ان طریقوں کو بدل یا شامل کرتے ہیں گہری سیکھ کے ساتھ۔ NVIDIA نیورل تعاون پر مبنی فلٹرنگ جیسے طریقوں کی تفصیل کرتی ہے، جو صارفین اور اشیاء کے درمیان غیر خطی تعلقات کو حاصل کرنے کے لیے میٹرکس فیکٹرائزیشن کو کثیر پرت اعصابی نیٹ ورکس کے ساتھ جوڑتی ہے، اور ترتیب پر مبنی ماڈل جو دوہری نیٹ ورکس یا ٹرانسفارمرز استعمال کرتے ہیں صارف کے دیکھنے یا سننے کی ترتیب میں نمونوں کو سیکھنے کے لیے۔

پلیٹ فارمز اپنے الگورتھم کی بہتریوں کے بارے میں کیا کہتے ہیں

کمپنیاں شاذ و نادر اپنا مکمل درجہ بندی کوڈ شائع کرتی ہیں، لیکن کچھ اس کے پیچھے کے اہداف اور سگنلز کو بیان کرتی ہیں۔ TikTok کا نیوز روم بتاتا ہے کہ اس کا For You فیڈ ویڈیوز کو تین سگنل زمرہ جات کا استعمال کرتے ہوئے درجہ بندی کرتا ہے: صارف کی تعاملات (پسند، حصہ، پیروی، تبصرے، اور جو کوئی شخص بناتا ہے)، ویڈیو کی معلومات (تفصیل، آواز، ہیشٹیگز) اور ڈیوائس یا اکاؤنٹ کی ترتیبات (زبان، ملک، ڈیوائس کی قسم)۔ TikTok کہتا ہے کہ یہ سگنلز مختلف طریقوں سے وزن میں آتے ہیں — ایک مضبوط سگنل، جیسے کسی ویڈیو کو مکمل کرنے تک دیکھنا، ایک کمزور سے زیادہ کا حساب دیتا ہے، جیسے دوسرے ناظرین کے ساتھ عام جغرافیہ کا اشتراک۔

TikTok واضح طور پر کہتا ہے کہ پیروکاروں کی تعداد اور کسی تخلیق کار کی اعلیٰ کارکردگی والی ویڈیوز کی تاریخ براہ راست عامل نہیں ہے کہ آیا کسی دی گئی ویڈیو کو سفارش دی جائے۔ کمپنی یہ بھی کہتی ہے کہ یہ جان بوجھ کر صارف کی ظاہر کی گئی دلچسپیوں سے باہر کا مواد شامل کرتی ہے اور ایک ہی تخلیق کار سے یا ایک ہی آواز استعمال کرتے ہوئے پی ٹو پی ویڈیوز دکھانے سے بچتی ہے، اس کو لوگوں کو "نئے مواد کے زمرہ جات میں ٹھوکر کھانے کے اضافی مواقع" دینے کے طریقے کے طور پر بیان کرتے ہوئے بجائے ایک تنگ فیڈ تک محدود ہونے کے۔

YouTube کا سرکاری "How YouTube Works" سائٹ اپنے سفارش کے نظام کے مقصد کو اس طریقے میں بیان کرتا ہے کہ سمجھو کہ ایک ناظر کو کیا چاہیے اور ایک دیکھنے کا تجربہ فراہم کرو جو انہیں مطمئن چھوڑے، بجائے محض دیکھنے کے وقت میں اضافہ کرنے کے۔ یہ سفارشات کو کھلاتا ہے ان کے بیان کردہ طریقوں کو: دیکھنے کے رویے اور دیکھنے کی تاریخ، واضح تعاملات جیسے پسند اور ناپسند، رکنیت اور براہ راست تاریخ، چینل کی شہرت اور معیار، اور وسیع رجحانات وسیع تر سامعین میں، صرف ایک شخص کی تاریخ نہیں۔ YouTube کہتا ہے کہ یہ رویہ کی ڈیٹا کو اطمینان کے سروے اور بیرونی تشخیص کاروں کی ٹیموں کے ساتھ شامل کرتا ہے کہ آیا سفارش شدہ مواد واقعی اعلیٰ معیار کا ہے، اور حساس موضوعات جیسے خبریں، مالیات، صحت یا سائنس کے لیے یہ قابل اختیار ذرائع پر اضافی وزن رکھتا ہے۔

کیوں دونوں لوگ ایک جیسا فیڈ نہیں دیکھتے

کیونکہ تعاون پر مبنی فلٹرنگ ایک صارف کے رویے کا موازنہ دوسرے صارفین سے کرتی ہے، اور مواد فلٹرنگ کسی شخص کی اپنی تاریخ سے اشیاء کا موازنہ کرتی ہے، کوئی بھی دونوں اکاؤنٹس میں سگنلز کا ایک جیسا مکس نہیں ہے — مختلف دیکھنے کی تاریخ، مختلف پابندیاں، مختلف ڈیوائسز اور مقامات۔ TikTok براہ راست کہتا ہے کہ کوئی بھی دونوں صارفین اپنے For You فیڈ پر ویڈیوز کا ایک جیسا امتزاج نہیں دیکھیں گے۔ YouTube اور TikTok دونوں یہ بھی کہتے ہیں کہ نظام ہر نئی تعامل کے ساتھ اپ ڈیٹ رہتا ہے، تو ایک فیڈ جو صبح میں دیکھا جائے وہ شام تک پہلے سے مختلف نظر آسکتا ہے اس بات پر منحصر ہے کہ ایسا کیا دیکھا گیا، چھوڑا گیا یا "دلچسپ نہیں" نشان زد کیا گیا۔

لوگ سوچتے ہیں کہ یہ نظام کتنے درست ہیں

لوگ الگورتھم کی ذاتی نوعیت کو کیسے دیکھتے ہیں اس میں تحقیق انجینئرنگ ادب سے کہیں محدود ہے۔ ایک Pew Research Center سروے 16 جنوری 2019 کو شائع ہوا، Facebook صارفین سے پوچھا کہ پلیٹ فارم نے انہیں اشتہار کی نشان دہی کے لیے جو دلچسپی اور خصوصیت کے زمرہ جات تفویض کیے تھے۔ یہ پایا گیا کہ 74 فی صد صارفین اس فہرست کی موجودگی سے لاتعلق تھے جب تک سروے نے انہیں اس کی طرف اشارہ نہیں کیا، اور صرف 12 فی صد اس کے بارے میں پہلے سے آگاہ تھے۔ اپنے اپنے زمرہ جات کو دیکھنے کے بعد، 59 فی صد نے کہا کہ لیبل ان کی حقیقی زندگی کی دلچسپیوں کو معقول یا بہت درست طریقے سے ظاہر کرتے ہیں، جبکہ 27 فی صد نے اختلاف کیا؛ 51 فی صد نے کہا کہ وہ پلیٹ فارم کے اس طرح کی فہرستوں کو تیار کرنے سے بے چین محسوس کرتے ہیں یہاں تک کہ جب انہوں نے انہیں درست سمجھا۔ سروے نے 963 امریکی Facebook صارفین کو شامل کیا، 18 سال اور اس سے زیادہ عمر کے، 4 ستمبر سے 1 اکتوبر 2018 تک سروے کیے گئے۔

کیا صارفین الگورتھم کو متاثر یا محدود کر سکتے ہیں

دونوں کمپنیاں صارف کے سامنے کنٹرول کی تفصیل کرتی ہیں۔ YouTube کا سرکاری صفحہ نوٹ کرتا ہے کہ سائن ان شدہ صارفین کسی بھی وقت اپنے تلاش اور دیکھنے کی تاریخ کو روک، ترمیم یا حذف کر سکتے ہیں، جو سیدھے الگورتھم کے نظام میں جاتی ہے۔ TikTok کہتا ہے کہ پسند، پیروی، تبصرے، ہیشٹیگ کی تلاش اور واضح "Not Interested" ٹیپ تمام مستقبل کی سفارشات کو صارف کی دلچسپی کے زمرہ جات کے علاوہ ترمیم کرتے ہیں جو کوئی اپنے اکاؤنٹ کو پہلے سیٹ اپ کرتے وقت منتخب کر سکتا ہے۔