X algoritması açık kaynak oldu: Önemli detaylar ortaya çıktı

Metin Akpınar

Teknoloji Editörü

X algoritması açık kaynak oldu: Önemli detaylar ortaya çıktı — X, kullanıcıların “**For You**” yani “**Sana Özel**” akışını belirleyen öneri algoritmasını **açık kaynak** olarak yayımladı. Elon Musk’ın geçtiğimiz hafta duyurduğu bu gelişme, platformun içerik sıralama mekanizmasının artık herkese açık şekilde incelenebilmesini sağlıyor. Musk ayrıca algoritmanın her ay düzenli olarak güncelleneceğini açıklamıştı. **GitHub** üzerinden paylaşılan depo, X’in öneri sisteminin teknik altyapısını ayrıntılı biçimde ortaya koyuyor.

Grok mimarinin merkezinde

Açık kaynak olarak paylaşılan algoritma, xAI tarafından geliştirilen Grok modelinde kullanılan transformer mimarisi temel alınarak oluşturulmuş durumda. X, bu yapıyı Grok-1’in açık kaynak sürümünden uyarlayarak öneri sistemlerine özel hale getirdi. Paylaşılan kodlara göre sistemde elle tanımlanmış özellikler ve klasik sezgisel kurallar neredeyse tamamen kaldırıldı. İçeriklerin kime gösterileceğine dair kararların büyük bölümü, modelin kullanıcı davranışlarını anlamasına dayanıyor.

X akışı nasıl çalışıyor?

“Sana Özel” akışı, iki ana kaynaktan gelen gönderilerin bir araya getirilmesiyle oluşturuluyor. Bunlardan ilki, kullanıcının takip ettiği hesaplardan gelen içerikleri kapsayan ve sistem içinde “Thunder” olarak adlandırılan ağ içi kaynak. İkinci kaynak ise, tüm platform genelinden makine öğrenmesiyle keşfedilen gönderileri içeren ve “Phoenix Retrieval” adı verilen ağ dışı sistem. Bu iki kaynaktan gelen içerikler, Grok tabanlı transformer model tarafından birlikte sıralanıyor ve her gönderi için etkileşim olasılıkları hesaplanıyor.

Bahsettiğimiz gibi Thunder ise X’in ağ içi içerikleri yöneten bileşeni olarak konumlanıyor. Gerçek zamanlı çalışan bu sistem, Kafka üzerinden gelen gönderi oluşturma ve silme olaylarını takip ediyor. Kullanıcı bazında gönderileri bellekte tutan Thunder, harici bir veritabanına ihtiyaç duymadan milisaniyenin altında yanıt süreleriyle takip edilen hesaplardan gelen içerikleri sağlayabiliyor. Eski gönderiler ise belirlenen saklama süresi sonunda otomatik olarak sistemden çıkarılıyor.

Öte yandan Phoenix ise makine öğrenmesi tarafındaki ana bileşen olarak iki farklı işlevi yerine getiriyor. İlk aşamada, “two-tower” olarak bilinen model yapısıyla kullanıcının etkileşim geçmişini ve platformdaki tüm gönderileri vektör temsillerine dönüştürüyor. Bu sayede, kullanıcıya en alakalı olabilecek ağ dışı gönderiler benzerlik hesaplamalarıyla seçiliyor. İkinci aşamada ise Grok tabanlı transformer modeli devreye girerek her bir aday gönderi için beğeni, yanıt, paylaşım, tıklama ve izleme gibi çok sayıda etkileşim türünün olasılığını ayrı ayrı tahmin ediyor.

Aday gönderiler, sistem genelinde yeniden kullanılabilir bir yapı sunan “candidate-pipeline” çerçevesi üzerinden işleniyor. Bu yapı, içeriklerin farklı kaynaklardan paralel şekilde toplanmasına, zenginleştirilmesine ve filtrelenmesine olanak tanıyor. Filtreleme aşamasında yinelenen gönderiler, çok eski içerikler, kullanıcının engellediği veya sessize aldığı hesaplardan gelen paylaşımlar, daha önce görülmüş gönderiler ve erişilemeyen abonelik içerikleri sistemden çıkarılıyor. Akışın son aşamasında ise silinmiş, spam olarak işaretlenmiş veya platform politikalarına aykırı içerikler ek kontrollerle eleniyor.

Phoenix modeli, her gönderi için tek bir “alakalı” puanı üretmek yerine çok sayıda etkileşim türü için ayrı olasılık değerleri hesaplıyor. Beğeni, yanıt, yeniden paylaşım, alıntı, tıklama, profil ziyareti, video izleme, fotoğraf büyütme ve paylaşım gibi olumlu etkileşimler pozitif ağırlıklarla değerlendiriliyor. Engelleme, sessize alma ve şikâyet gibi olumsuz aksiyonlar negatif ağırlıklarla hesaba katılıyor. Nihai sıralama puanı, bu olasılıkların ağırlıklı toplamı alınarak belirleniyor.

Algoritma artık neredeyse tamamen yapay zeka odaklı

X’in paylaştığı açık kaynak kodlar, öneri sisteminin büyük ölçüde tamamen yapay zeka tarafından yönetildiğini ortaya koyuyor. İçerikler sabit kategori etiketlerine göre değil, kullanıcı davranışları ve benzer ilgi profillerine sahip diğer kullanıcıların tepkileri üzerinden eşleştiriliyor. Bu yapı, akışın gerçek zamanlı olarak sürekli yeniden şekillenmesine olanak tanıyor.

Modelin çoklu aksiyon tahmin yapısı, negatif geri bildirimlerin etkisini de daha görünür hale getiriyor. Engelleme, sessize alma ve şikâyet gibi aksiyonlar, teknik olarak negatif ağırlıklarla hesaba katılıyor ve bu tür tepkiler alan içeriklerin görünürlüğü hızla düşürülebiliyor.

Akışta öne çıkmak için ne yapmak gerekiyor?

Bu yapı, dikkat süresini algoritmanın merkezine yerleştiriyor. Kullanıcının bir gönderide durması, içeriği gerçekten okuması veya videoyu izlemeye devam etmesi sistem tarafından kalite sinyali olarak algılanıyor. Birkaç gündür “Hayatınızdaki tüm sorunları 1 günde nasıl çözebilirsiniz?” başlıklı makaleyi sürekli görme nedeniniz de bu. Dolayısıyla zincir gönderileri, hikaye anlatımı, merak unsuru taşıyan içerikler ve okunurluğu yüksek içeriklerin daha sık öne çıktığı görülüyor. Algoritma, içeriğin tamamlanma davranışını ödüllendiren bir yapıya doğru evrilmiş durumda.

Açık kaynak kodlarda görülen içerik üretici çeşitliliği mekanizması da görünürlük açısından belirleyici. Sistem, aynı hesabın gönderilerini art arda ve yoğun biçimde göstermeyi bilinçli olarak baskılıyor. Bu durum, takipçi sayısının tek başına belirleyici olma etkisini azaltıyor. Bir gönderi performans gösterdiğinde, paylaşan hesabın büyüklüğünden bağımsız olarak test sürecine dahil edilebiliyor.

Ancak bu yaklaşımın bir bedeli de var. Negatif geri bildirimler, sistemde güçlü bir bastırma etkisine sahip. Engelleme, sessize alma ve şikâyet gibi sinyaller, içeriklerin erişimini hızlı biçimde aşağı çekebiliyor. Açık kaynak mimari, düşük kaliteli, yanıltıcı veya yalnızca kışkırtmaya dayalı içeriklerin sistem içinde daha kısa sürede geri plana itilmesini teknik olarak mümkün kılıyor. Bu da “ucuz etkileşim” yerine gerçek değer üretmenin daha belirleyici hale geldiğini gösteriyor.