Broken Code: Inside Facebook and the Fight to Expose Its Harmful Secrets

Несмотря на растущую сложность своего продукта и сбор данных о пользователях в невиданных доселе масштабах, Facebook все еще не знал о своих пользователях достаточно, чтобы показывать им релевантную рекламу. Брендам нравилось внимание и шум, которые они могли получить, создавая контент на Facebook, но они не находили платные предложения компании привлекательными. В мае 2012 года компания General Motors полностью свернула свой рекламный бюджет в Facebook. Один из известных специалистов по цифровой рекламе заявил, что объявления в Facebook "в корне одни из худших по эффективности рекламных блоков в Сети".

Устранение проблемы было поручено команде под руководством Хоакина Киньонеро Канделы. Испанец, выросший в Марокко, Киньонеро жил в Великобритании и работал над искусственным интеллектом в Microsoft в 2011 году, когда его друзья, разбросанные по Северной Африке, начали с воодушевлением рассказывать о протестах, вызванных социальными сетями. Методы машинного обучения, которые он использовал для оптимизации поисковой рекламы Bing, нашли свое применение в социальных сетях, с помощью которых люди свергли четыре автократических государства и едва не свергли еще несколько. Я присоединился к Facebook из-за "арабской весны", - говорит Киньонеро.

Киньонеро обнаружил, что способ создания продуктов Facebook был почти таким же революционным, как и их результаты. Приглашенный другом на экскурсию по кампусу в Менло-Парке, он был потрясен, заглянув через плечо инженера, вносившего существенные, но неконтролируемые обновления в код Facebook. Убедившись в том, что компания работает гораздо быстрее, чем Microsoft, Киньонеро через неделю получил предложение о работе в Facebook.

Киньонеро начал работать над рекламой, и его время вряд ли могло быть более удачным. Достижения в области машинного обучения и скорость вычислений позволили платформе не только распределять пользователей по демографическим нишам ("одинокая гетеросексуальная женщина в Сан-Франциско, около двадцати лет, интересуется кемпингом и танцами сальса"), но и выявлять корреляции между тем, на что они нажимают, а затем использовать эту информацию, чтобы угадать, какие объявления они сочтут релевантными. Начав с почти случайных предположений о том, как максимизировать шансы на клик, система училась на удачах и промахах, совершенствуя свою модель для предсказания того, какие объявления имеют наилучшие шансы на успех. Вряд ли она была всеведущей - рекомендованные объявления регулярно оказывались необъяснимыми. Но планка успеха в цифровой рекламе была низкой: если 2 процента пользователей нажимали на рекламу, это считалось триумфом. При миллиардах объявлений, просматриваемых каждый день, изменения в алгоритмах, дающие даже скромный выигрыш, могли принести десятки или сотни миллионов долларов дохода. И команда Киньонеро обнаружила, что может вносить такие изменения. "Я сказал своей команде работать быстро, выпускать продукцию каждую неделю", - говорит он.

Быстрые темпы имели смысл. ИИ команды улучшал не только доходы, но и отношение людей к платформе. Более точная нацеленность рекламы означала, что Facebook может зарабатывать больше денег на каждом пользователе, не увеличивая рекламную нагрузку , и не так уж много того, что могло пойти не так. Когда Facebook предлагал подросткам крем для зубных протезов, никто не умер.

Реклама стала плацдармом для машинного обучения в Facebook, и вскоре все захотели получить свой кусочек действия. Для руководителей, которым было поручено увеличить количество вступающих в группы Facebook, добавленных друзей и сделанных постов, привлекательность была очевидна. Если методы Киньонеро могли повысить частоту взаимодействия пользователей с рекламой, они могли повысить частоту взаимодействия пользователей со всем остальным на платформе.

Все команды, отвечающие за ранжирование или рекомендации контента, бросились переделывать свои системы так быстро, как только могли, что привело к взрывному росту сложности продукта Facebook. Сотрудники обнаружили, что самые большие успехи часто достигаются не в результате целенаправленных инициатив, а в результате простого возиться. Вместо того чтобы переделывать алгоритмы, что было медленно, инженеры добивались больших результатов с помощью быстрых и грязных экспериментов по машинному обучению, которые сводились к тому, что они бросали на стену сотни вариантов существующих алгоритмов и смотрели, какие из них прижились - какие лучше всего работают с пользователями. Они не обязательно знали, почему та или иная переменная имеет значение или как один алгоритм превосходит другой, например, в предсказании вероятности комментирования. Но они могли продолжать возиться, пока модель машинного обучения не создавала алгоритм, который статистически превосходил существующий, и это было достаточно хорошо.