по интересам. Поскольку развлечения, мемы и коммерция начали конкурировать с сообщениями друзей в ленте новостей, Facebook нужно было сделать так, чтобы пользователь, который только что вошел на сайт , увидел фотографии с помолвки лучшего друга раньше, чем популярный рецепт энчилады на кулинарной странице.

Первая попытка сортировки, получившая в итоге название "EdgeRank", представляла собой простую формулу, которая определяла приоритетность контента в зависимости от трех основных факторов: возраста сообщения, степени его вовлеченности и взаимосвязи между пользователем и автором. Как алгоритм, она не представляла собой ничего особенного - просто грубая попытка перевести вопросы "Это новое, популярное или от кого-то, кто вам дорог?" в математику.

В этом не было никакой темной магии, но пользователи снова восстали против того, чтобы Facebook накладывал свой отпечаток на то, что они видят. И снова показатели использования Facebook подскочили.

Рекомендательные системы платформы находились еще в зачаточном состоянии, но диссонанс между вокальным неодобрением пользователей и их активным использованием привел компанию к неизбежному выводу: мнение обычных людей о механизмах Facebook лучше игнорировать. Пользователи кричали "стоп", Facebook продолжал работать, и все шло как по маслу.

К 2010 году компания стремилась выйти за рамки грубой формулы EdgeRank и рекомендовать контент на основе машинного обучения - направления искусственного интеллекта, направленного на обучение компьютеров разработке собственных алгоритмов принятия решений. Вместо того чтобы программировать компьютеры Facebook на ранжирование контента в соответствии с простыми математическими вычислениями, инженеры будут программировать их на анализ поведения пользователей и разработку собственных формул ранжирования. То, что видели люди, было бы результатом постоянных экспериментов: платформа предлагала бы все, что, по ее прогнозам, с наибольшей вероятностью вызовет лайк у пользователя, и оценивала бы свои собственные результаты в режиме реального времени.

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.

Трудно представить себе подход к созданию систем, который в большей степени воплощал бы лозунг "Двигайся быстро и ломай вещи". Facebook хотел только большего. Цукерберг привлек Янна ЛеКуна, французского ученого-компьютерщика, специализирующегося на глубоком обучении, то есть на создании компьютерных систем, способных обрабатывать информацию способами, вдохновленными человеческим мышлением. Уже прославившийся созданием основополагающих методов искусственного интеллекта, благодаря которым стало возможным распознавание лиц, ЛеКун возглавил подразделение, которое должно было вывести Facebook в авангард фундаментальных исследований в области искусственного интеллекта.

После успеха с рекламой перед Киньонеро была поставлена не менее сложная задача: как можно