Elon Musk’ın duyurduğu adım hayata geçti. X, “Sana Özel” akışını belirleyen öneri algoritmasını açık kaynak yaptı.
X, kullanıcıların ana ekranda gördüğü “For You / Sana Özel” akışını belirleyen öneri algoritmasını açık kaynak olarak paylaştı. Geçtiğimiz hafta bu yönde açıklama yapan Elon Musk, sözünü tuttu. Kodlar artık GitHub üzerinde herkesin erişimine açık. Musk, algoritmanın her ay düzenli olarak güncelleneceğini de vurgulamıştı.
Bu hamleyle birlikte X’in içerik sıralama mantığı ilk kez bu kadar net biçimde görünür hâle geldi. Paylaşılan depo, platformun öneri sisteminin teknik omurgasını adım adım ortaya koyuyor.
Açık kaynak kodlara göre sistemin merkezinde, xAI tarafından geliştirilen Grok yer alıyor. Öneri algoritması, Grok-1’in açık kaynak sürümündeki transformer mimarisinden uyarlanmış durumda. Dikkat çeken nokta şu: Elle tanımlanmış kurallar ve klasik “şu olursa bunu göster” mantığı neredeyse tamamen terk edilmiş.
Yani içeriklerin kime gösterileceğine artık sabit etiketler değil, modelin kullanıcı davranışlarını nasıl okuduğu karar veriyor. Beğeniler, okumalar, izlemeler… Hepsi modelin beslendiği sinyaller.
X’in ana akışı iki farklı kaynaktan besleniyor. Bunlardan ilki, kullanıcının takip ettiği hesaplardan gelen gönderileri kapsayan ve sistem içinde “Thunder” olarak adlandırılan ağ içi kaynak. İkinci kaynak ise, tüm platform genelinden makine öğrenmesiyle keşfedilen gönderileri toplayan “Phoenix Retrieval”.
Bu iki havuzdan gelen içerikler, Grok tabanlı transformer modelde buluşturuluyor. Model, her gönderi için “bu kullanıcı bunu beğenir mi, yanıt verir mi, izler mi?” gibi sorulara ayrı ayrı olasılık hesapları yapıyor.
Merkezdeki bileşen ise “Home Mixer”. Kullanıcı bağlamını topluyor, aday gönderileri bir araya getiriyor, gerekli verilerle zenginleştiriyor, uygun olmayanları eliyor ve en yüksek puanı alan içerikleri akışa sokuyor.
Thunder, X’in ağ içi içeriklerini yöneten, gerçek zamanlı çalışan bir yapı. Kafka üzerinden gelen gönderi oluşturma ve silme olaylarını izliyor. Takip edilen hesaplardan gelen içerikler, harici bir veritabanına ihtiyaç duyulmadan bellekte tutuluyor. Yanıt süreleri milisaniyenin altında. Eski gönderiler ise belirlenen sürenin sonunda otomatik olarak siliniyor.
Phoenix tarafında ise işin makine öğrenmesi boyutu ağır basıyor. İlk aşamada “two-tower” modeliyle kullanıcılar ve gönderiler vektörlere dönüştürülüyor. Bu sayede, kullanıcıya ilgi çekmesi muhtemel ağ dışı gönderiler benzerlik üzerinden seçiliyor. Ardından Grok tabanlı model devreye giriyor ve her aday gönderi için çok sayıda etkileşim türünün olasılığı ayrı ayrı hesaplanıyor.
Phoenix modeli, her gönderi için tek bir “alakalı” puan üretmiyor. Beğeni, yanıt, yeniden paylaşım, alıntı, tıklama, profil ziyareti, video izleme, fotoğraf büyütme gibi aksiyonların her biri için ayrı tahminler yapılıyor. Olumlu etkileşimler pozitif, engelleme, sessize alma ve şikâyet gibi sinyaller ise negatif ağırlıklarla hesaba katılıyor.
Son sıralama, bu olasılıkların ağırlıklı toplamı alınarak belirleniyor. Yani çok etkileşim almak kadar, ne tür bir etkileşim alındığı da belirleyici.
Aday gönderiler, “candidate-pipeline” adı verilen ortak bir çerçeve üzerinden işleniyor. Bu yapı, içeriklerin farklı kaynaklardan paralel biçimde toplanmasına ve filtrelenmesine imkân tanıyor. Yinelenen gönderiler, çok eski içerikler, engellenmiş ya da sessize alınmış hesaplardan gelen paylaşımlar, daha önce görülmüş gönderiler ve erişilemeyen abonelik içerikleri bu aşamada eleniyor.
Akışın sonuna gelindiğinde ise silinmiş, spam olarak işaretlenmiş ya da platform politikalarına aykırı içerikler ek kontrollerle sistem dışına çıkarılıyor.
Paylaşılan kodlar, X’in öneri sisteminin büyük ölçüde yapay zekâ tarafından yönetildiğini açıkça gösteriyor. İçerikler sabit kategorilere göre değil, kullanıcı davranışları ve benzer ilgi profillerine sahip kişilerin tepkileri üzerinden eşleştiriliyor. Bu da akışın sürekli, gerçek zamanlı olarak yeniden şekillenmesi anlamına geliyor.
Negatif geri bildirimlerin etkisi de oldukça güçlü. Engelleme, sessize alma ve şikâyet gibi aksiyonlar, ilgili içeriğin görünürlüğünü hızla aşağı çekebiliyor. Sistem, “ucuz etkileşim” üreten içerikleri daha kısa sürede geri plana itebilecek şekilde kurgulanmış.
X algoritmasının temel hedefi değişmiş değil: kullanıcıyı platformda tutmak. Ancak artık dikkat süresi çok daha merkezi bir sinyal. Bir gönderide durulması, okunması ya da videonun izlenmeye devam edilmesi kalite göstergesi olarak algılanıyor. Son günlerde sürekli karşınıza çıkan zincir gönderiler ya da merak uyandıran hikâye anlatımları da biraz bunun sonucu.
Birkaç cümle yazıp hemen dış bağlantı vermek ise erişim açısından pek avantajlı görünmüyor. Çünkü bu, kullanıcıyı platform dışına çıkarmak anlamına geliyor. Ayrıca sistem, aynı hesabın gönderilerini art arda göstermemek için bilinçli bir çeşitlilik mekanizması da uyguluyor. Takipçi sayısı tek başına belirleyici olmaktan çıkmış durumda; iyi performans gösteren bir gönderi, hesabın büyüklüğünden bağımsız olarak test sürecine alınabiliyor.
Google Play
App Store