Menulis: KarenZ, Foresight News
Apakah Elon Musk mengubah sistem rekomendasi Twitter dari “aturan yang dibangun secara manual dan sebagian besar algoritma heuristik” menjadi “murni berdasarkan prediksi AI besar model”?
Pada 20 Januari, Twitter (X) secara resmi mengungkapkan algoritma rekomendasi baru, yaitu logika di balik garis waktu “Rekomendasi untukmu” di beranda Twitter.
Secara sederhana, algoritma saat ini adalah: menggabungkan “konten dari orang yang kamu ikuti” dan “konten yang mungkin sesuai dengan selera kamu di seluruh internet”, mengurutkannya berdasarkan daya tariknya terhadapmu dari serangkaian tindakan seperti like, komentar, dan lainnya yang kamu lakukan sebelumnya di X, melalui dua tahap penyaringan, dan akhirnya menjadi aliran rekomendasi yang kamu lihat.
Berikut adalah inti logika yang diterjemahkan dengan bahasa sederhana:
Membangun Profil
Sistem pertama-tama mengumpulkan informasi konteks pengguna untuk membangun “profil” untuk rekomendasi selanjutnya:
Rangkaian perilaku pengguna: Riwayat interaksi (like, retweet, durasi tinggal, dll).
Karakteristik pengguna: Daftar mengikuti, pengaturan preferensi pribadi, dll.
Dari mana konten berasal?
Setiap kali kamu menyegarkan garis waktu “Rekomendasi untukmu”, algoritma akan mencari konten dari dua sumber berikut:
Lingkaran orang yang dikenal (Thunder): Tweet dari orang yang kamu ikuti.
Lingkaran orang asing (Phoenix): Kamu tidak mengikuti mereka, tetapi AI akan mencari berdasarkan selera kamu, dan mengambil postingan yang mungkin menarik perhatianmu dari lautan manusia (bahkan jika kamu tidak mengikuti pembuatnya).
Kedua kumpulan konten ini akan dicampur menjadi satu, yaitu kandidat tweet.
Pengisian data dan penyaringan awal
Setelah mengumpulkan ribuan postingan, sistem akan mengambil metadata lengkap dari postingan tersebut (informasi pembuat, file media, teks utama), proses ini disebut Hydration. Kemudian dilakukan penyaringan cepat untuk menghapus konten duplikat, posting lama, posting yang dibuat sendiri pengguna, konten dari pembuat yang telah diblokir, atau kata kunci yang diblokir.
Langkah ini bertujuan menghemat sumber daya komputasi dan mencegah konten yang tidak relevan masuk ke tahap penilaian utama.
Bagaimana cara memberi skor?
Ini adalah bagian paling penting. Model Transformer berbasis Phoenix Grok akan memeriksa setiap kandidat postingan yang telah disaring, dan menghitung kemungkinan kamu melakukan berbagai tindakan terhadapnya. Ini adalah permainan penambahan dan pengurangan poin:
Elemen penambah poin (umpan balik positif): AI memperkirakan kamu mungkin akan menyukai, membagikan, membalas, mengklik gambar, atau mengunjungi profil.
Elemen pengurang poin (umpan balik negatif): AI memperkirakan kamu mungkin akan memblokir pembuat, mute, melaporkan.
Skor akhir = (kemungkinan like × bobot) + (kemungkinan balas × bobot) - (kemungkinan blokir × bobot)…
Perlu dicatat bahwa dalam algoritma rekomendasi baru, Author Diversity Scorer (penilai keberagaman penulis) biasanya akan masuk setelah AI menghitung skor akhir. Ketika terdeteksi bahwa dalam satu kelompok kandidat terdapat beberapa posting dari penulis yang sama, alat ini akan secara otomatis “menurunkan” skor postingan selanjutnya dari penulis tersebut, sehingga kamu akan melihat lebih banyak variasi penulis.
Akhirnya, berdasarkan urutan skor tertinggi, dipilihlah kelompok postingan dengan skor tertinggi.
Penyaringan kedua
Sistem akan memeriksa kembali sejumlah postingan dengan skor tertinggi, dan menyaring yang melanggar aturan (misalnya spam, konten kekerasan), menghapus duplikasi dari beberapa cabang thread yang sama, lalu mengurutkan dari skor tertinggi ke terendah, menjadi aliran informasi yang kamu lihat.
Ringkasan
X telah menghapus semua fungsi yang dirancang secara manual dan sebagian besar algoritma heuristik dari sistem rekomendasinya. Kemajuan utama dari algoritma baru ini adalah “membiarkan AI belajar preferensi pengguna secara mandiri”, mewujudkan lompatan dari “mengajari mesin apa yang harus dilakukan” ke “membiarkan mesin belajar sendiri apa yang harus dilakukan”.
Pertama, rekomendasi menjadi lebih akurat, dengan “prediksi multi-dimensi” yang lebih sesuai dengan kebutuhan nyata. Algoritma baru mengandalkan model besar Grok untuk memprediksi berbagai perilaku pengguna — tidak hanya menghitung “apakah akan menyukai / membagikan”, tetapi juga “apakah akan mengklik tautan”, “bagaimana durasi tinggal”, “apakah akan mengikuti pembuat”, bahkan memprediksi “apakah akan melaporkan / memblokir”. Pendekatan yang sangat rinci ini meningkatkan tingkat kecocokan antara konten rekomendasi dan kebutuhan bawah sadar pengguna ke tingkat yang belum pernah terjadi sebelumnya.
Kedua, mekanisme algoritma relatif lebih adil, dan dalam batas tertentu dapat memecah “monopoli akun besar”, memberi peluang lebih besar kepada akun baru dan kecil: algoritma heuristik sebelumnya memiliki masalah fatal: akun besar mendapatkan eksposur tinggi berkat interaksi tinggi di masa lalu, apa pun kontennya. Akun baru, meskipun kontennya berkualitas, sering terbenam karena “kurangnya data”. Mekanisme isolasi kandidat memungkinkan setiap postingan dinilai secara independen, tidak bergantung pada apakah konten lain dalam batch tersebut viral. Selain itu, Author Diversity Scorer juga akan mengurangi fenomena spam dari satu penulis yang sama dalam satu batch.
Bagi perusahaan X: Ini adalah langkah pengurangan biaya dan peningkatan efisiensi, mengganti tenaga manusia dengan kekuatan komputasi, dan AI untuk meningkatkan retensi pengguna. Bagi pengguna, kita menghadapi “otak super” yang selalu memahami hati nurani manusia. Semakin dia memahami kita, semakin kita bergantung padanya, tetapi juga karena dia sangat memahami kita, kita akan semakin terjebak dalam “rumah kaca” informasi yang dibangun algoritma, dan lebih rentan menjadi objek penangkapan konten emosional secara tepat.
