LinkedIn vient d’annoncer des avancées majeures dans l’utilisation de l’intelligence artificielle pour améliorer la pertinence de son fil d’actualité. En rendant compte des dernières tendances dans cet espace, LinkedIn est en mesure d’offrir à ses membres une expérience plus personnalisée et plus engageante. Lisez cet article pour en savoir plus sur cette dernière déclaration.
Ce que l’IA apporte à LinkedIn
L’utilisation de l’intelligence artificielle est essentielle pour améliorer la pertinence de la chronologie de LinkedIn.
- LinkedIn utilise « l’intégration » pour convertir des identifiants clairsemés en espace d’intégration. Cela permet de capturer les relations et modèles importants entre les données tout en réduisant la complexité informatique.
- LinkedIn a considérablement augmenté la taille du modèle, permettant une personnalisation plus fine et une meilleure prise en compte des interactions complexes.
- L’utilisation de la parallélisation des modèles a considérablement amélioré l’efficacité de la formation, permettant de former des modèles avec des milliards de paramètres dans un laps de temps raisonnable.
- LinkedIn est passé d’un modèle de service externe à un service en mémoire, permettant aux modélisateurs de fournir des fonctionnalités plus rapidement et avec plus de flexibilité.
Voici comment LinkedIn a investi dans l’IA dans sa plateforme
En réponse à la recherche d’amélioration continue, LinkedIn a récemment apporté des améliorations significatives à son architecture. Ces améliorations sont conçues pour optimiser l’efficacité des processus tout en maintenant des performances supérieures.
Le but de cette modernisation est d’améliorer la qualité de nos services et de faciliter la mise en œuvre d’autres innovations à grande échelle au sein de la plateforme. C’est donc là-dessus que se concentrera cet article. Le rôle de l’IA dans cette quête d’amélioration
L’IA est au cœur de la stratégie de pertinence du fil d’actualité de LinkedIn. La plateforme utilise l’apprentissage profond pour examiner de très grands ensembles de données afin de :
- Découvrir des modèles complexes
- Identifier les relations pertinentes
- Fournir un contenu plus ciblé et significatif à chaque membre
Intégration personnalisée
Pour transformer des identifiants rares en espaces d’intégration, LinkedIn a adopté une approche presque innovante. Ces zones intégrées enregistrent des informations importantes telles que les préférences de chaque membre et les interactions précédentes.
Cette technique permet de simplifier les calculs tout en conservant la richesse des informations. Résultat? Personnalisation avancée et recommandations plus précises.
Ces intégrations personnalisées permettent à LinkedIn de recommander du contenu pertinent et engageant à chaque membre. Basé sur les interactions, les préférences et les relations professionnelles antérieures, le fil d’actualité devient une source précieuse de contenu répondant aux besoins spécifiques de chaque utilisateur.
Présentation du parallélisme des modèles et modification de l’infrastructure de service
LinkedIn a optimisé l’efficacité de la formation des modèles en parallélisant le modèle d’apprentissage. Cette approche a considérablement réduit le temps nécessaire pour entraîner un modèle avec des milliards de paramètres tout en garantissant des résultats de haute qualité.
LinkedIn a également apporté des modifications à son infrastructure, passant d’un modèle de service externe à un modèle de service en mémoire, permettant une fourniture de fonctionnalités plus rapide et plus flexibles. Cette transition a non seulement accru l’efficacité opérationnelle, mais a également renforcé la capacité d’innovation des modélisateurs.
Bonus : Correction du problème de « démarrage à froid »
Le grand défi de LinkedIn réside dans les « démarrages à froid ». Il est donc difficile de recommander du contenu pertinent et des articles récemment ajoutés aux nouveaux membres.
Avec ces changements, en particulier les intégrations personnalisées, LinkedIn a trouvé une solution à ce problème en associant de nouveaux éléments aux espaces d’intégration existants, permettant ainsi d’établir des relations et des similitudes même avec moins d’informations.
Avantages des grands modèles
L’augmentation significative de la taille des modèles au sein de l’écosystème LinkedIn joue un rôle clé dans l’amélioration de la pertinence du contenu fourni aux membres. Cette augmentation de la capacité des modèles à traiter de grandes quantités de données et à capturer des informations complexes a eu un impact direct sur la personnalisation proposée aux utilisateurs. En augmentant sa portée, le modèle est désormais capable d’analyser des interactions plus subtiles et des modèles et nuances plus profonds qui pourraient être évités avec une modélisation moins complète. Cette personnalisation plus fine et détaillée a donc logiquement conduit à une augmentation significative de la qualité des recommandations aux membres. Le fil d’actualité LinkedIn offre désormais une meilleure compréhension des intérêts, préférences et habitudes de travail spécifiques de chaque utilisateur.
