The Pulse

Meta illustra i controlli basati sull’IA per le raccomandazioni su Facebook

Lo strumento di Meta per Facebook consente alle persone di aggiungere, rimuovere e spostare gli interessi usati per definire le raccomandazioni nel Feed e nei Reels. I modelli linguistici aiutano a interpretare le preferenze e a verificare

AI.info Team · Scritto con l’IA · verificato · 2026-11-10

Interessi modificabili per Feed e Reels

Il blog di ingegneria di Meta ha pubblicato il 10 novembre i dettagli di un sistema basato sull’IA che offre alle persone modi per orientare le raccomandazioni su Facebook. L’azienda chiama il sistema Your algorithm e afferma che è progettato per rendere le raccomandazioni più trasparenti e controllabili.

Gli strumenti consentono alle persone di descrivere con parole proprie ciò che vogliono vedere nel Feed e nei Reels. Il post contrappone questo approccio ai sistemi di raccomandazione che tradizionalmente hanno appreso dai segnali impliciti di coinvolgimento e che, secondo Meta, possono adattarsi lentamente e cogliere poche sfumature.

L’interfaccia si apre con un breve «Riepilogo recente» dell’attività di visualizzazione, seguito dagli elenchi «Interessa» e «Non interessa». Il primo è precompilato con interessi dedotti dall’attività passata, mentre il secondo include argomenti che le persone hanno contrassegnato come indesiderati, nascosto o rimosso.

Le persone possono aggiungere interessi in linguaggio naturale, spostarli da un elenco all’altro o rimuoverli. Le modifiche si applicano sia al Feed sia ai Reels e possono essere ulteriormente aggiornate attraverso i feedback sui singoli post.

Come le preferenze influenzano le raccomandazioni

Il sistema comprende diversi componenti che gestiscono una preferenza dalla sua creazione iniziale fino al ranking e alla distribuzione. La generazione del profilo crea un profilo iniziale degli interessi, la gestione delle preferenze verifica e memorizza le modifiche, il ranking applica i due elenchi e l’ottimizzazione della distribuzione, che secondo Meta serve a rendere effettive le modifiche più rapidamente, gestisce la distribuzione.

Per un nuovo interesse, il sistema usa quattro fonti di recupero per trovare potenziali raccomandazioni. Due cercano direttamente contenuti corrispondenti, mentre altre due cercano materiale correlato attraverso le connessioni tra contenuti e la somiglianza tra singoli elementi; i candidati che superano una verifica di pertinenza possono poi ricevere una spinta nelle fasi successive del ranking.

Secondo Meta, il sistema punta a dare visibilità a un nuovo interesse senza lasciare che domini le raccomandazioni. Il sistema distanzia gli elementi relativi allo stesso interesse, limita il contributo giornaliero di ciascun interesse e recupera candidati per un solo interesse a ogni richiesta; i nuovi interessi ricevono un peso aggiuntivo per un periodo limitato.

Per gli argomenti presenti nell’elenco «Non interessa», il sistema filtra o declassa i contenuti corrispondenti in più punti del processo di raccomandazione. Le richieste relative a caratteristiche come il materiale generato dall’IA o sessualmente allusivo utilizzano segnali di declassamento dedicati, mentre i contenuti di un creator specificato vengono filtrati direttamente.

Modelli linguistici e verifiche sulla distribuzione

I grandi modelli linguistici aiutano a creare il profilo iniziale, convalidare le modifiche e verificare che le raccomandazioni non riguardino interessi indesiderati. Per le modifiche, un modello verifica se una frase identifica un argomento coerente, individua i duplicati e la associa a un nome standardizzato per l’argomento; il sistema esegue anche controlli separati di integrità e sicurezza.

Un modello linguistico sottoposto a fine-tuning esamina le raccomandazioni ordinate per verificare, come controllo finale, la presenza di contenuti relativi a interessi indesiderati aggiunti di recente. Meta afferma di aver riscontrato che un piccolo modello addestrato a identificare gli elementi da rimuovere era più rapido e affidabile di un modello generico che valutava ogni elemento singolarmente.

Il sistema include anche modalità per far sì che le modifiche alle preferenze incidano sui contenuti già in fase di recupero o memorizzati su un dispositivo. L’aggiunta di un interesse può attivare una richiesta supplementare di raccomandazioni al di fuori del normale ciclo di recupero; l’aggiunta di un interesse indesiderato induce il client a rimuovere gli elementi corrispondenti già presenti nella cache prima che vengano mostrati.

Un modello separato valuta i risultati rispetto al comportamento previsto, verificando tra l’altro se i riepiloghi sono accurati e se le raccomandazioni indesiderate vengono rimosse. Meta afferma che sta ancora lavorando per interpretare più efficacemente gli input ambigui e sta esplorando altri punti in cui le persone potrebbero modificare le preferenze.