X a ouvert son algorithme de recommandation, et le plus impressionnant est : zéro caractéristique manuelle. Les systèmes de recommandation traditionnels nécessitent une équipe pour écrire l'ingénierie des caractéristiques, comme "le classement de l'activité des utilisateurs", "le quantile du nombre de fans de l'auteur", "le coefficient de déclin de la popularité des publications". Modifier une caractéristique peut prendre trois mois, et une fois en ligne, cela peut échouer. X a directement permis à Grok Transformer d'apprendre de bout en bout, éliminant ainsi tout cela. Pourquoi est-ce si important ? L'ingénierie des caractéristiques est la plus grande dette technique des systèmes de recommandation. Les caractéristiques écrites par des humains doivent être maintenues, et les personnes peuvent partir, entraînant une perte de connaissances. J'ai vu trop d'entreprises où la logique des caractéristiques clés n'est comprise que par une seule personne ; si cette personne part, tout le système devient une boîte noire. Le modèle peut découvrir des motifs que les humains ne peuvent pas imaginer. Vous pensez que "l'heure de publication" est importante, mais le modèle peut découvrir que "le troisième caractère est un emoji" est encore plus important. La capacité d'induction du cerveau humain est une blague face à des données de l'ordre du milliard. Lorsque le comportement change, le modèle s'adapte automatiquement. Pas besoin d'attendre que le PM formule une demande, pas besoin de planifier, pas besoin de faire des tests A/B pendant un an. Lorsque les utilisateurs changent, le modèle évolue avec eux. Un autre détail que beaucoup de gens n'ont pas remarqué : ils prédisent simultanément 15 types de comportements. Les likes, les partages et les réponses sont des signaux positifs, avec un poids positif. Les blocages, les mises en sourdine et les signalements sont des signaux négatifs, avec un poids négatif. La note finale = probabilité positive × poids positif + probabilité négative × poids négatif. Ce n'est pas maximiser le taux de clics, mais maximiser "le fait que les utilisateurs ne détestent pas". C'est la véritable optimisation de l'expérience utilisateur, et non pas de vous tromper pour que vous cliquiez et que vous regrettiez ensuite. Un autre point fort de l'ingénierie : l'isolement des candidats. Lors de l'inférence, les publications candidates ne peuvent pas se voir mutuellement, elles ne peuvent voir que le contexte de l'utilisateur. L'avantage est que les scores sont stables, peuvent être mis en cache, et ne changent pas en fonction d'autres publications dans le même lot. Cette architecture utilise un double tour pour le rappel, un Transformer pour le classement précis, et des règles pour le filtrage, avec des responsabilités clairement définies. Rust est utilisé pour les parties sensibles à la performance, Python pour le modèle, et le choix technologique est également très pragmatique....