Pelancaran terbaru Monolith oleh ByteDance, sebuah rangka kerja pembelajaran mendalam untuk pemodelan cadangan berskala besar, telah mencetuskan perbincangan hangat dalam komuniti teknologi mengenai hubungannya dengan algoritma cadangan TikTok yang terkenal. Walau bagaimanapun, analisis teliti menunjukkan pelancaran sumber terbuka ini bukanlah teknologi teras di sebalik kejayaan viral TikTok.
Rangka Kerja vs. Algoritma
Walaupun Monolith menyediakan infrastruktur untuk menjalankan dan melatih model cadangan teragih, ia kelihatan lebih tertumpu kepada penyelesaian sistem cadangan komersial ByteDance, iaitu BytePlus, berbanding teknologi teras TikTok. Rangka kerja ini merangkumi ciri-ciri seperti jadual pembenaman bebas perlanggaran dan keupayaan latihan masa nyata, tetapi logik cadangan sebenar adalah terhad kepada pelaksanaan demo asas.
Ciri-ciri Utama Rangka Kerja:
- Jadual pembenaman tanpa perlanggaran
- Sokongan latihan masa nyata
- Dibina di atas platform TensorFlow
- Menyokong latihan kelompok/masa nyata dan penyampaian
- Sokongan pengkompilan untuk Linux sahaja
Konteks Undang-undang dan Strategik
Undang-undang China melarang pengeksportan sistem cadangan, menjadikan ia sangat tidak mungkin ByteDance akan melepaskan algoritma sebenar TikTok. Seperti yang dinyatakan oleh seorang ahli komuniti:
Ini pada asasnya adalah rangka kerja untuk melaksanakan sistem cadangan mereka tetapi bahagian sebenar yang menentukan cadangan adalah model yang dipanggil demo, jadi saya andaikan ia bukan model ML sebenar yang mereka gunakan dalam pengeluaran.
Kelebihan Sebenar TikTok
Analisis komuniti mendedahkan bahawa kejayaan TikTok berkemungkinan besar berpunca daripada pendekatan uniknya dalam pemodelan minat pengguna. Berbeza dengan cadangan berasaskan graf sosial Meta, TikTok memberi tumpuan kepada perwakilan temporal minat pengguna, menjejaki kandungan yang pengguna berinteraksi secara langsung berbanding bergantung pada hubungan sosial. Pendekatan ini, digabungkan dengan reka bentuk antara muka yang menjana isyarat penglibatan yang jelas, mewujudkan sistem cadangan yang lebih berkesan.
Faktor Kurasi Manusia
Di sebalik algoritma, pengedaran kandungan TikTok melibatkan kurasi manual yang signifikan. Elemen manusia ini membantu memastikan pengalaman pengguna yang berkualiti tetapi juga menimbulkan persoalan tentang promosi kandungan dan potensi manipulasi. Gabungan kurasi algoritma dan manusia mewujudkan sistem kompleks yang tidak boleh dikurangkan kepada satu rangka kerja sumber terbuka sahaja.
Kesimpulannya, walaupun Monolith menawarkan pandangan berharga tentang keupayaan teknikal ByteDance, ia hanya mewakili satu komponen dalam ekosistem cadangan yang lebih besar dan canggih. Kekuatan sebenar sistem cadangan TikTok berkemungkinan terletak pada gabungan algoritma termaju, reka bentuk interaksi pengguna, dan kurasi manusia, yang kebanyakannya masih proprietari.
Rujukan: Monolith: A Deep Learning Framework for Large Scale Recommendation Modeling