هوش مصنوعی
Meta با F3 Lightning انتشار قابلیت‌های تبلیغاتی را در مقیاس بزرگ هدف گرفته است
چارچوب F3 محاسبات مشترک میان ویژگی‌های مدل‌های رتبه‌بندی تبلیغات را در یک گراف ادغام می‌کند؛ اما یک تعریف معیوب می‌تواند انتشار همهٔ ویژگی‌های آن گراف را متوقف کند.
Meta در مطلبی دربارهٔ F3 Lightning از چالشی در انتشار ویژگی‌های یادگیری ماشین برای رتبه‌بندی تبلیغات می‌گوید. این سامانه‌ها پیش از آنکه مدل پیش‌بینی کند، باید داده‌هایی مانند رویدادهای ثبت‌شده را بخوانند، بازهٔ زمانی را اعمال کنند و مقادیری را بشمارند یا با هم ترکیب کنند. به‌گفتهٔ Meta، یک درخواست ممکن است به بیش از ۲۰ هزار ویژگی نیاز داشته باشد.
چارچوب Facebook Feature Framework یا F3، ویژگی‌ها را در قالب یک گراف جهت‌دار بدون دور (DAG) نمایش می‌دهد. مهندسان هر ویژگی را جداگانه تعریف می‌کنند و کامپایلر F3 تعریف‌ها را به گراف تبدیل می‌کند؛ سپس گراف‌ها را ادغام می‌کند و محاسبات تکراری را به یک گره مشترک کاهش می‌دهد. برای مثال، اگر شمارش کلیک و نمایش به دادهٔ رویداد و فیلتر هفت‌روزهٔ یکسان نیاز داشته باشند، فیلتر فقط یک‌بار اجرا می‌شود. خروجی گراف، همان مقادیری است که مدل مصرف می‌کند.
اما ادغام، انتشار را نیز به هم گره می‌زند: اگر یکی از تعریف‌ها خطا داشته باشد، ساخت گراف کامل شکست می‌خورد و ویژگی‌های سالم هم منتشر نمی‌شوند. در نمونهٔ ارائه‌شده، دو خطای مستقل باعث می‌شوند ساخت در دو نوبت پیاپی متوقف شود؛ تنها پس از اصلاح هر دو، گراف کامل به تولید می‌رسد. Meta می‌گوید با افزایش مقیاس F3، که ابتدا چندصد ویژگی را سرویس می‌داد، این نوع شکست‌ها بیشتر شد. اطلاعات موجود دربارهٔ F3 Lightning در این بخش از مطلب به جزئیات راهکار تازه نمی‌پردازد.
این گزارش به کمک هوش مصنوعی تهیه شده است. مطالب براساس منابع درج‌شده تنظیم شده‌اند؛ صحت مستقل همه ادعاها تضمین نمی‌شود.
منبع: Meta Engineering — مشاهده منبع اصلی ↗
رد این داستان در رادار
خبرهای مرتبط از آرشیو منتشرشده