Олег Лупиков
НЕ ПОКУПАЙ iPhone 17, пока не узнаешь это: 1. Тебе не нужен этот телефон, если ты не контентмейкер и не собираешься снимать видео в 8K + Pro-видео (ProRes RAW, Log 2, Dolby Vision 4K120, genlock…) 2. Не покупай, если ты не роняешь телефон — Ceramic Shield…
Почему кажется, что Apple уже не та и ничего революционного не происходит?
Например, из года в год внешний вид особо не меняется, а из функций только «процессор до 40% мощнее». Заметили же?
Но вот в чем прикол: это не потому что «у Apple закончились идеи».
Наоборот — идей и патентов у них вагон: гибкие дисплеи, подэкранные камеры, встроенные проекторы, безрамочные корпуса, очки смешанной реальности, управление жестам. Вы посмотрите, что Apple запатентовала за последние десять лет и продолжает подавать патенты почти каждый месяц.
Просто компания никогда не выкатывает все сразу.
Apple работает по дорожной карте на 5–10 лет вперед.
Каждое нововведение подготавливает рынок и пользователей к следующему шагу.
Сначала экраны 120 Гц → чтобы приложения и игры подтянулись. Потом их можно делать безрамочными. А потом гибкими.
В камере ночной режим → ProRAW и 8К → и только потом подэкранная камера.
Корпус держат несколько лет подряд → потому что на миллионах заводов и чехлов надо перестроить всю экосистему. А потом вставить туда более емкую батарею.
Это стратегия. Жесткая и выверенная.
И Тим Кук играет в долгую так же холодно, как Джобс в своё время — только без громких шоу и эмоций. Вообще, он не просто так CEO с 2011 года.
Стратегия у Apple гениальная и они могут позволить ее реализовывать 10 лет.
Теперь видите всю картинку целиком? 🔥
🍎 @founderit | навигация | дневник
Например, из года в год внешний вид особо не меняется, а из функций только «процессор до 40% мощнее». Заметили же?
Но вот в чем прикол: это не потому что «у Apple закончились идеи».
Наоборот — идей и патентов у них вагон: гибкие дисплеи, подэкранные камеры, встроенные проекторы, безрамочные корпуса, очки смешанной реальности, управление жестам. Вы посмотрите, что Apple запатентовала за последние десять лет и продолжает подавать патенты почти каждый месяц.
Просто компания никогда не выкатывает все сразу.
Apple работает по дорожной карте на 5–10 лет вперед.
Каждое нововведение подготавливает рынок и пользователей к следующему шагу.
Сначала экраны 120 Гц → чтобы приложения и игры подтянулись. Потом их можно делать безрамочными. А потом гибкими.
В камере ночной режим → ProRAW и 8К → и только потом подэкранная камера.
Корпус держат несколько лет подряд → потому что на миллионах заводов и чехлов надо перестроить всю экосистему. А потом вставить туда более емкую батарею.
Это стратегия. Жесткая и выверенная.
И Тим Кук играет в долгую так же холодно, как Джобс в своё время — только без громких шоу и эмоций. Вообще, он не просто так CEO с 2011 года.
Стратегия у Apple гениальная и они могут позволить ее реализовывать 10 лет.
Теперь видите всю картинку целиком? 🔥
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥6
Олег Лупиков
Сидели сегодня с Сережей (sinners.studio) в зуме 3 часа и раскручивали тему гипер-персонализации контента в рекламе. Про это в частности буду рассказывать на G8. Пришли к такой штуке: представь, что ты один раз сделал рекламный креатив. Например, это баннер…
Быстрый вопрос: хотите короткий трехдневный воркшоп по ИИ-агентам? 🤔
Научиться собирать простые и сложные пайплайны и связки для автоматизации всяких разных процессов (с графикой, видео, сбором информации).
Без записи, чистый лайв
Ткните реакцию или сразу напишите мне @lupikovoleg
Научиться собирать простые и сложные пайплайны и связки для автоматизации всяких разных процессов (с графикой, видео, сбором информации).
Без записи, чистый лайв
Ткните реакцию или сразу напишите мне @lupikovoleg
❤11👍8🔥3
Seedream 4.0 — ответ китайцев на весь западный хайп
ByteDance выкатили свою «игрушку» — модель Seedream 4.0. Оперативный ответ Nano Banana от Google.
Я уже все проверил, поэтому факты:
— Работает быстрее, чем Nano Banana (и вообще выглядит, будто они его просто обогнали по всем фронтам).
— Стоит $0.03 за генерацию
— Есть форматы 2К и 4К, возможность задавать соотношение сторон
— В Higgsfield.ai годовой безлимит на 2К-генерацию!
ByteDance своеобразно хайпуют. Сперва Seedance, теперь Seedream, во всех случаях оперативный ответ на американские модели.
Это прям демонстративная война в рынке ИИ 😂
Но есть один маленький нюанс. Первое фото — Seedance, второе — Nano Banana. Промт один и тот же, обратите внимание на детали и следование модели промту. Вот и делаем выводы 🤔
😂 @founderit | навигация | дневник
ByteDance выкатили свою «игрушку» — модель Seedream 4.0. Оперативный ответ Nano Banana от Google.
Я уже все проверил, поэтому факты:
— Работает быстрее, чем Nano Banana (и вообще выглядит, будто они его просто обогнали по всем фронтам).
— Стоит $0.03 за генерацию
— Есть форматы 2К и 4К, возможность задавать соотношение сторон
— В Higgsfield.ai годовой безлимит на 2К-генерацию!
ByteDance своеобразно хайпуют. Сперва Seedance, теперь Seedream, во всех случаях оперативный ответ на американские модели.
Это прям демонстративная война в рынке ИИ 😂
Но есть один маленький нюанс. Первое фото — Seedance, второе — Nano Banana. Промт один и тот же, обратите внимание на детали и следование модели промту. Вот и делаем выводы 🤔
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
❤2🔥2
Кажется, что Apple отстает в ИИ. Или нет?
На первый взгляд кажется, что Apple выпала из гонки. У Google есть Gemini, Microsoft встроила Copilot во все продукты, у Meta довольно популярная LLaMA. А Apple? Тишина.
Но за этой тишиной скрывается целая стратегия — Apple Intelligence. И да, кажется что стратегия, которую они презентовали еще год назад провалилась. Но самое интересное происходит за кулисами презентаций.
Что это значит на практике:
– У Apple есть свои foundation models — это те же нейросети, что у других, но оптимизированные под их устройства.
– Визуальные и мультимодальные модели уже работают прямо на iPhone и Mac без интернета, быстро и безопасно. Именно они распознают собачку и цветочки на ваших фотографиях, или позволяют их с фотографии стереть.
– Более сложные задачи отправляются в их собственное облако Private Cloud Compute, где всё завязано на приватность.
– В iOS и macOS уже есть первые фичи (которые доступны, если перевести устройство на английский язык):
Writing Tools — переписать или сократить текст в один клик.
Genmoji и Image Playground — генерация эмодзи и картинок по описанию.
Visual Intelligence — телефон понимает, что на экране, и сразу предлагает действия.
– А ещё Apple регулярно патентует вагон ИИ-технологий. Один из самых крутых примеров – «temporal reasoning» — это способность ИИ понимать время и события в последовательности, что было, что есть, и что будет – а не просто отвечать на вопросы.
Идея простая: вместо того чтобы продавать чат-бот, Apple делает ИИ частью каждой мелкой функции в экосистеме. Когда они решат показать это во всю мощь — конкуренты будут догонять. Так было с каждым рынком, на который компания заходила: телефоны, наушники, виртуальная реальность. Apple всегда молчит до последнего. Но если посмотреть на патенты — видно, что они готовят мощный заход в ИИ. Просто всему свое время.
И я жду 🔥
🍎 @founderit | навигация | дневник
На первый взгляд кажется, что Apple выпала из гонки. У Google есть Gemini, Microsoft встроила Copilot во все продукты, у Meta довольно популярная LLaMA. А Apple? Тишина.
Но за этой тишиной скрывается целая стратегия — Apple Intelligence. И да, кажется что стратегия, которую они презентовали еще год назад провалилась. Но самое интересное происходит за кулисами презентаций.
Что это значит на практике:
– У Apple есть свои foundation models — это те же нейросети, что у других, но оптимизированные под их устройства.
– Визуальные и мультимодальные модели уже работают прямо на iPhone и Mac без интернета, быстро и безопасно. Именно они распознают собачку и цветочки на ваших фотографиях, или позволяют их с фотографии стереть.
– Более сложные задачи отправляются в их собственное облако Private Cloud Compute, где всё завязано на приватность.
– В iOS и macOS уже есть первые фичи (которые доступны, если перевести устройство на английский язык):
Writing Tools — переписать или сократить текст в один клик.
Genmoji и Image Playground — генерация эмодзи и картинок по описанию.
Visual Intelligence — телефон понимает, что на экране, и сразу предлагает действия.
– А ещё Apple регулярно патентует вагон ИИ-технологий. Один из самых крутых примеров – «temporal reasoning» — это способность ИИ понимать время и события в последовательности, что было, что есть, и что будет – а не просто отвечать на вопросы.
Идея простая: вместо того чтобы продавать чат-бот, Apple делает ИИ частью каждой мелкой функции в экосистеме. Когда они решат показать это во всю мощь — конкуренты будут догонять. Так было с каждым рынком, на который компания заходила: телефоны, наушники, виртуальная реальность. Apple всегда молчит до последнего. Но если посмотреть на патенты — видно, что они готовят мощный заход в ИИ. Просто всему свое время.
И я жду 🔥
Please open Telegram to view this post
VIEW IN TELEGRAM
❤6😁1
Олег Лупиков
Ваш брат выступает на фестивале креативных индустрий G8. Буду рассказывать про то, как AI-агенты переворачивают календарь индустрию диджитал продакшена Пятница, 12 сентября. Покупайте билетики 🤌🏻
Может быть вам это не оч интересно будет, но я сегодня рассказывал про ИИ-агентов в диджитал бизнесе и креативной экономике. Как драматически стоимость продакшена может снижаться и все такое.
И успел с парой креативных директоров пары крупнейших брендов страны поболтать на эту тему, достаточно прямо говорят «сделайте такой продукт, мы бы попробовали у себя». И ещё идей накинули) хм
Энивей, если хотите то саму презентацию пришлю сюда
И успел с парой креативных директоров пары крупнейших брендов страны поболтать на эту тему, достаточно прямо говорят «сделайте такой продукт, мы бы попробовали у себя». И ещё идей накинули) хм
Энивей, если хотите то саму презентацию пришлю сюда
101❤14🔥5💅3
Олег Лупиков
Может быть вам это не оч интересно будет, но я сегодня рассказывал про ИИ-агентов в диджитал бизнесе и креативной экономике. Как драматически стоимость продакшена может снижаться и все такое. И успел с парой креативных директоров пары крупнейших брендов…
Презу забирайте тут, в ней основные тезисы
И если хотите на воркшоп по ИИ агентам, тыкайте сюда, проведем через неделю — три сессии, за которые вы научитесь быстро собирать любые пайплайны и связки для автоматизации почти чего угодно (а потом использовать у себя или продавать, whatever). Проведу один раз, максимум на 10 человек
И если хотите на воркшоп по ИИ агентам, тыкайте сюда, проведем через неделю — три сессии, за которые вы научитесь быстро собирать любые пайплайны и связки для автоматизации почти чего угодно (а потом использовать у себя или продавать, whatever). Проведу один раз, максимум на 10 человек
👍11
Олег Лупиков
1 сентября — в России запрет на рекламу в Instagram. А я именно сейчас решил стать блогером 😂 Три недели назад я решил всерьез заняться своим контентом в Инстаграме. Мне нравятся технологии, искусственный интеллект и я люблю сам процесс делиться чем-то. …
Я сел разбираться, почему мои reels набирают 10К а не 100К, и мое любопытство привело меня в блог инженеров Meta, их научные работы и даже патенты.
И теперь алгоритмы Instagram перестали для меня быть загадкой. Короче присаживайтесь, щя все расскажу! (пост поделю на две части, там много)
Дисклеймер: в основном, все пиздят когда говорят что знают, как работают «алгоритмы». Чтобы это знать, надо быть инженером (майндсет) и прочитать гору материалов плюс посмотреть выступления инженеров Meta.
Часть 1. Что происходит с видео после его загрузки.
Вот вам факт — внутри инстаграма более 1000 ML-моделей.
Когда вы загружаете видео, контент переводится в векторное представление. Ролик раскладывается на сотни признаков: длительность, динамика, цвет, объекты, лица, музыка, отдельные звуки, текст, даже шрифт текста.
— CV-модели распознают, кто и что в кадре: люди, предметы, сцены, эмоции
— Аудио-модели слушают музыку, речь, даже выделяют трендовые звуки
— OCR-система Rosetta читает текст прямо из видео, фиксирует совпадение текста и контекста
В итоге, у каждого ролика появляется гигантская карта параметров, цифровое описание того, что именно в нем.
— Рейтинг автора. Сет отдельных ML-систем скорит автора: частота публикаций, насколько его контент удерживает аудиторию, были ли страйки за нарушение правил. Если успешная серия — новому контенту дается буст, если контент дерьмо — алгоритм режет охваты. Работает это в виде «баллов».
— Предсказание успеха. Дальше вступают в игру сотни ML-моделей, которые смотрят ролик и делают ставку, будет ли он интересен. Причем они предсказывают не абстрактно «людям понравится», а конкретно — вот это видео досмотрят 67% зрителей, а вот тут будут перематывать, а в этом моменте будут тыкать лайк.
Почему ML это знает? Блядь, потому что так работает машинное обучение! Собери датасет из миллиарда единиц контента с детальной картой параметров (которые упоминал выше), наложи сверху поведение пользователей и тоже сможешь предсказывать. Science, bitch!
В след посте будет про то, как контент попадает к конкретному человеку в ленту.
📸 @founderit | навигация | дневник
И теперь алгоритмы Instagram перестали для меня быть загадкой. Короче присаживайтесь, щя все расскажу! (пост поделю на две части, там много)
Дисклеймер: в основном, все пиздят когда говорят что знают, как работают «алгоритмы». Чтобы это знать, надо быть инженером (майндсет) и прочитать гору материалов плюс посмотреть выступления инженеров Meta.
Часть 1. Что происходит с видео после его загрузки.
Вот вам факт — внутри инстаграма более 1000 ML-моделей.
Когда вы загружаете видео, контент переводится в векторное представление. Ролик раскладывается на сотни признаков: длительность, динамика, цвет, объекты, лица, музыка, отдельные звуки, текст, даже шрифт текста.
— CV-модели распознают, кто и что в кадре: люди, предметы, сцены, эмоции
— Аудио-модели слушают музыку, речь, даже выделяют трендовые звуки
— OCR-система Rosetta читает текст прямо из видео, фиксирует совпадение текста и контекста
В итоге, у каждого ролика появляется гигантская карта параметров, цифровое описание того, что именно в нем.
— Рейтинг автора. Сет отдельных ML-систем скорит автора: частота публикаций, насколько его контент удерживает аудиторию, были ли страйки за нарушение правил. Если успешная серия — новому контенту дается буст, если контент дерьмо — алгоритм режет охваты. Работает это в виде «баллов».
— Предсказание успеха. Дальше вступают в игру сотни ML-моделей, которые смотрят ролик и делают ставку, будет ли он интересен. Причем они предсказывают не абстрактно «людям понравится», а конкретно — вот это видео досмотрят 67% зрителей, а вот тут будут перематывать, а в этом моменте будут тыкать лайк.
Почему ML это знает? Блядь, потому что так работает машинное обучение! Собери датасет из миллиарда единиц контента с детальной картой параметров (которые упоминал выше), наложи сверху поведение пользователей и тоже сможешь предсказывать. Science, bitch!
В след посте будет про то, как контент попадает к конкретному человеку в ленту.
Please open Telegram to view this post
VIEW IN TELEGRAM
152🔥25❤5
Олег Лупиков
Я сел разбираться, почему мои reels набирают 10К а не 100К, и мое любопытство привело меня в блог инженеров Meta, их научные работы и даже патенты. И теперь алгоритмы Instagram перестали для меня быть загадкой. Короче присаживайтесь, щя все расскажу! (пост…
Прежде, чем двигаться дальше, вот список работ которые я прочитал (и советую прочитать всем, кто хочет реально разобраться в устройстве алгоритмов):
1. Scaling the Instagram Explore recommendations system - как работает ранжирование
2. Journey to 1000 models: Scaling Instagram’s recommendation system - как устроена оркестрация 1000 ML моделей
3. How Instagram suggests new content - как проектировали рекомендации
4. Faiss: A library for efficient similarity search - инженерный пост про Facebook AI similarity search, про векторный поиск на основе интересов
5. Inside Facebook’s video delivery system - как устроена доставка видео до пользователей
6. What is the Instagram Feed? - как формируется лента
7. Reels Chaining - как алгоритм ранжирует рилсы, которые мы видим
8. Explore - как устроен раздел «интересное»
9. Rosetta: Large-scale text recognition in images - OCR-система которая распознает текст в видео
10. DLRM: Deep Learning Recommendation Model - базовая архитектура рекомендательных моделей в Meta
11. How machine learning powers Facebook’s News Feed ranking algorithm - важный инженерный пост о предсказательных рейтингах
12. Matching and ranking content items - патент на методы сопоставления/ранжирования контента (в т.ч. с учётом трендов/поведения)
В целом, прочитав все это вы не только поймете примерное устройство алгоритмов, которые влияют на продвижение контента в инстаграме но и сможете построить свою рекомендательную систему (если вы умный инженер).
А завтра продолжим.
1. Scaling the Instagram Explore recommendations system - как работает ранжирование
2. Journey to 1000 models: Scaling Instagram’s recommendation system - как устроена оркестрация 1000 ML моделей
3. How Instagram suggests new content - как проектировали рекомендации
4. Faiss: A library for efficient similarity search - инженерный пост про Facebook AI similarity search, про векторный поиск на основе интересов
5. Inside Facebook’s video delivery system - как устроена доставка видео до пользователей
6. What is the Instagram Feed? - как формируется лента
7. Reels Chaining - как алгоритм ранжирует рилсы, которые мы видим
8. Explore - как устроен раздел «интересное»
9. Rosetta: Large-scale text recognition in images - OCR-система которая распознает текст в видео
10. DLRM: Deep Learning Recommendation Model - базовая архитектура рекомендательных моделей в Meta
11. How machine learning powers Facebook’s News Feed ranking algorithm - важный инженерный пост о предсказательных рейтингах
12. Matching and ranking content items - патент на методы сопоставления/ранжирования контента (в т.ч. с учётом трендов/поведения)
В целом, прочитав все это вы не только поймете примерное устройство алгоритмов, которые влияют на продвижение контента в инстаграме но и сможете построить свою рекомендательную систему (если вы умный инженер).
А завтра продолжим.
1🔥35❤13
Олег Лупиков
Я сел разбираться, почему мои reels набирают 10К а не 100К, и мое любопытство привело меня в блог инженеров Meta, их научные работы и даже патенты. И теперь алгоритмы Instagram перестали для меня быть загадкой. Короче присаживайтесь, щя все расскажу! (пост…
В первой части мы познакомились с Machine Learning и разобрали, что происходит с роликом после загрузки: нейросети анализируют видео, звук и текст, у автора есть рейтинг, а видео обрастает профилем параметров.
Теперь — самое интересное:
Часть 2. Как видео попадает именно к тебе в ленту.
– Retrieval — отбор кандидатов. Когда ты открываешь Reels, система показывает не случайные видео.
– У тебя есть вектор интересов — цифровое описание твоего поведения. Пример: «смотрю до конца ролики про Москву, пересматриваю мемы про негров, быстро скипаю мемы про бывшую».
– У каждого ролика тоже есть набор векторов, например «спорт + быстрый монтаж + текст в начале + мужской голос».
Каждый пользователь и каждое видео для алгоритма — это не «человек» или «рилс», а точка в многомерном пространстве.
Эта точка описывается числовым вектором. Наример:
Пользователь: [0.72 (спорт), 0.03 (танцы), 0.65 (технологии), 0.12 (коты), 0.88 (юмор)…]
Видео: [0.70 (спорт), 0.02 (танцы), 0.69 (технологии), 0.10 (коты), 0.85 (юмор)…]
У каждого ролика извлекаются сотни признаков:
Визуальные: лица, объекты, сцены, цветовая палитра, эмоции, темп.
Аудио: музыка, речь, настроение (веселое/грустное), громкость, трендовость.
Текст: субтитры, надписи в кадре, совпадение текста и картинки.
Метаданные: длительность, формат, язык, устройство загрузки.
А вектор пользователя строится из его поведения: какие ролики досматривает, где ставит лайки, какие темы комментирует, где задерживается даже без действий. И самое главное — вектор динамический: каждый скип, лайк или досмотр мгновенно чуть меняет профиль.
– Алгоритм ищет совпадения. Если векторы похожи (высокая косинусная близость), значит вероятность, что человек залипнет на рилсе, выше. Вот и мэтч. Из миллионов роликов остается несколько тысяч кандидатов, которые по мнению отдельной ML-ки могут зайти лично тебе.
– Ranking – первое ранжирование. Теперь эти тысячи кандидатов оценивают сотни ML-моделей. Их задача — предсказать поведение на каждом ролике: досмотрит до конца, пересмотрит, лайкнет, напишет комментарий, сделает репост, подпишется на автора.
Retrieval делает быстрый грубый мэтч (Two-Towers + векторный поиск), а ranking — тонкую донастройку предсказаний по каждому кандидату.
Дальше из этих вероятностей собирают общий скор — по сути, ожидаемую ценность показа:
Score = w₁·P_watchthrough + w₂·P_rewatch + w₃·P_follow + w₄·P_share + w₅·P_comment + w₆·P_like
У каждого действия свой вес. Подписка и пересмотр — самые сильные сигналы, лайк — минимальный.
Результат — прогноз твоего поведения под конкретным роликом.
– Re-ranking – второй слой. Теперь вступают дополнительные правила:
– разнообразие (чтобы тебе не показывали 10 одинаковых мемов подряд),
– свежесть (новый рилс может получить буст к охватам),
– рейтинг автора (стабильные авторы с высокой вовлеченностью получают буст),
– ограничения по безопасности и политике (например, за логотип TikTok охваты снижаются)
Видео могут чуть подвинуть вверх или вниз, даже если у них одинаковый базовый скор.
– Предсказание не равно истина. Важно: все эти расчеты — прогноз, а не гарантия. Поэтому каждое новое видео сначала показывают маленькой тестовой аудитории.
– Смотрят retention: досмотрели ли до конца, есть ли пересмотры.
– Проверяют реакции: комменты, репосты, подписки.
– Если показатели выше среднего то видео масштабируют.
Пример:
– У ролика 100 тестовых показов, 70 человек досмотрели, 15 пересмотрели, 5 подписались. Алгоритм масштабирует.
– У ролика 100 тестов, 30 человек скипнули на 2-й секунде. Видео умирает и дальше почти не показывается.
Поэтому:
– видео будет популярным, если его прогноз по сильным действиям (пересмотры, подписки) высокий;
– у зрителя в ленте всегда именно то, на чем он с максимальной вероятностью задержится.
Алгоритм заранее «знает», какие ролики взлетят, а какие умрут после первых 100 показов.
А в следующей серии я расскажу, какие правильные выводы из всего этого можно сделать и как применять в создании собственного контента.
С вас 🔥, комментарий или хоть что-нибудь позитивное 🫶🏻
📸 @founderit | навигация | дневник
Теперь — самое интересное:
Часть 2. Как видео попадает именно к тебе в ленту.
– Retrieval — отбор кандидатов. Когда ты открываешь Reels, система показывает не случайные видео.
– У тебя есть вектор интересов — цифровое описание твоего поведения. Пример: «смотрю до конца ролики про Москву, пересматриваю мемы про негров, быстро скипаю мемы про бывшую».
– У каждого ролика тоже есть набор векторов, например «спорт + быстрый монтаж + текст в начале + мужской голос».
Каждый пользователь и каждое видео для алгоритма — это не «человек» или «рилс», а точка в многомерном пространстве.
Эта точка описывается числовым вектором. Наример:
Пользователь: [0.72 (спорт), 0.03 (танцы), 0.65 (технологии), 0.12 (коты), 0.88 (юмор)…]
Видео: [0.70 (спорт), 0.02 (танцы), 0.69 (технологии), 0.10 (коты), 0.85 (юмор)…]
У каждого ролика извлекаются сотни признаков:
Визуальные: лица, объекты, сцены, цветовая палитра, эмоции, темп.
Аудио: музыка, речь, настроение (веселое/грустное), громкость, трендовость.
Текст: субтитры, надписи в кадре, совпадение текста и картинки.
Метаданные: длительность, формат, язык, устройство загрузки.
А вектор пользователя строится из его поведения: какие ролики досматривает, где ставит лайки, какие темы комментирует, где задерживается даже без действий. И самое главное — вектор динамический: каждый скип, лайк или досмотр мгновенно чуть меняет профиль.
– Алгоритм ищет совпадения. Если векторы похожи (высокая косинусная близость), значит вероятность, что человек залипнет на рилсе, выше. Вот и мэтч. Из миллионов роликов остается несколько тысяч кандидатов, которые по мнению отдельной ML-ки могут зайти лично тебе.
– Ranking – первое ранжирование. Теперь эти тысячи кандидатов оценивают сотни ML-моделей. Их задача — предсказать поведение на каждом ролике: досмотрит до конца, пересмотрит, лайкнет, напишет комментарий, сделает репост, подпишется на автора.
Retrieval делает быстрый грубый мэтч (Two-Towers + векторный поиск), а ranking — тонкую донастройку предсказаний по каждому кандидату.
Дальше из этих вероятностей собирают общий скор — по сути, ожидаемую ценность показа:
Score = w₁·P_watchthrough + w₂·P_rewatch + w₃·P_follow + w₄·P_share + w₅·P_comment + w₆·P_like
У каждого действия свой вес. Подписка и пересмотр — самые сильные сигналы, лайк — минимальный.
Результат — прогноз твоего поведения под конкретным роликом.
– Re-ranking – второй слой. Теперь вступают дополнительные правила:
– разнообразие (чтобы тебе не показывали 10 одинаковых мемов подряд),
– свежесть (новый рилс может получить буст к охватам),
– рейтинг автора (стабильные авторы с высокой вовлеченностью получают буст),
– ограничения по безопасности и политике (например, за логотип TikTok охваты снижаются)
Видео могут чуть подвинуть вверх или вниз, даже если у них одинаковый базовый скор.
– Предсказание не равно истина. Важно: все эти расчеты — прогноз, а не гарантия. Поэтому каждое новое видео сначала показывают маленькой тестовой аудитории.
– Смотрят retention: досмотрели ли до конца, есть ли пересмотры.
– Проверяют реакции: комменты, репосты, подписки.
– Если показатели выше среднего то видео масштабируют.
Пример:
– У ролика 100 тестовых показов, 70 человек досмотрели, 15 пересмотрели, 5 подписались. Алгоритм масштабирует.
– У ролика 100 тестов, 30 человек скипнули на 2-й секунде. Видео умирает и дальше почти не показывается.
Поэтому:
– видео будет популярным, если его прогноз по сильным действиям (пересмотры, подписки) высокий;
– у зрителя в ленте всегда именно то, на чем он с максимальной вероятностью задержится.
Алгоритм заранее «знает», какие ролики взлетят, а какие умрут после первых 100 показов.
А в следующей серии я расскажу, какие правильные выводы из всего этого можно сделать и как применять в создании собственного контента.
С вас 🔥, комментарий или хоть что-нибудь позитивное 🫶🏻
Please open Telegram to view this post
VIEW IN TELEGRAM
3🔥73❤21👍13
Олег Лупиков
В первой части мы познакомились с Machine Learning и разобрали, что происходит с роликом после загрузки: нейросети анализируют видео, звук и текст, у автора есть рейтинг, а видео обрастает профилем параметров. Теперь — самое интересное: Часть 2. Как видео…
This media is not supported in your browser
VIEW IN TELEGRAM
Примерно вот так Instagram видит все ваши видео, фотографии, рилс и даже сторис*.
Технология называется Detectron и уже много лет используется в Meta, чтобы распознавать и скорить Ваш контент.
А теперь про сторис. Для меня было удивительным открытием, что алгоритмика показов сторис подписчикам тоже гораздо более сложная и умная, чем я предполагал. Если в случае с рилс участвуют две стороны (в основном), это видео и зритель — то в сторис участвует ещё одна: связь между АВТОРОМ и ЗРИТЕЛЕМ. И сверху наслаивается предиктивный анализ на основании истории взаимодействий автора и зрителя.
Короче говоря, там есть механизм, потянув за который твои истории будет видеть каждый твой подписчик. Да, я тоже ох*ел 😂
Сразу после лонгридов про алгоритмы reels я расскажу, как работают Instagram Stories.
Будете ждать?
Технология называется Detectron и уже много лет используется в Meta, чтобы распознавать и скорить Ваш контент.
А теперь про сторис. Для меня было удивительным открытием, что алгоритмика показов сторис подписчикам тоже гораздо более сложная и умная, чем я предполагал. Если в случае с рилс участвуют две стороны (в основном), это видео и зритель — то в сторис участвует ещё одна: связь между АВТОРОМ и ЗРИТЕЛЕМ. И сверху наслаивается предиктивный анализ на основании истории взаимодействий автора и зрителя.
Короче говоря, там есть механизм, потянув за который твои истории будет видеть каждый твой подписчик. Да, я тоже ох*ел 😂
Сразу после лонгридов про алгоритмы reels я расскажу, как работают Instagram Stories.
Будете ждать?
99🔥62👍27
Мне, если честно, уже не терпится выпустить следующий пост 😅
Но! Я обратил внимание, что количество моих подписчиков прибавилось. Я смотрю, кто вы: блогеры, креаторы, эксперты, развивающие личный бренд. И начинающие, и блогеры-миллионники
Я бы хотел посмотреть, что вы создаете. Потому что большой вам респект, кто создает собственный контент и учится делать это качественно! 🫶🏻
Короче, напишите, пожалуйста, в комментарии вашу тематику и пришлите ссылку на ваш канал/блог, и пару ссылок на самые интересные публикации/рилс 🙏
Но! Я обратил внимание, что количество моих подписчиков прибавилось. Я смотрю, кто вы: блогеры, креаторы, эксперты, развивающие личный бренд. И начинающие, и блогеры-миллионники
Я бы хотел посмотреть, что вы создаете. Потому что большой вам респект, кто создает собственный контент и учится делать это качественно! 🫶🏻
Короче, напишите, пожалуйста, в комментарии вашу тематику и пришлите ссылку на ваш канал/блог, и пару ссылок на самые интересные публикации/рилс 🙏
❤22👍7🔥6
Олег Лупиков
В первой части мы познакомились с Machine Learning и разобрали, что происходит с роликом после загрузки: нейросети анализируют видео, звук и текст, у автора есть рейтинг, а видео обрастает профилем параметров. Теперь — самое интересное: Часть 2. Как видео…
В прошлых сериях: мы с вами узнали, что происходит с видео после загрузки, как оно попадает к нужным зрителям и при чем тут machine learning.
Часть 3/1. Как заставить алгоритм поверить, что твой контент будут смотреть. Рекомендации для создания algorithm-first контента.
Все, что я пишу ниже, основано на понимании принципов работы машинного обучения и внутрянке DLRM, Reels Chaining и скоринга контента (см. эти материалы).
Первая задача – пройти фильтр этапа Retrieval
Миссия retrieval: из миллионов роликов быстро выбрать несколько тысяч похожих на твои вкусы по эмбеддингам (векторным представлениям). Если алгоритм не распознал тему/жанр — ролик даже не попадет в кандидаты.
ПОЧЕМУ? CV-модели считывают лица/объекты/сцены/движение. Чем понятнее сигналы жанра, тем выше уверенность классификации. Аудио-модели слушают голос/музыку/ритм, из этого строится аудио-вектор. OCR читает текст в кадре и сопоставляет его с визуалом/аудио. Совпадение усиливает понимание темы, рассинхрон — снижает.
Итог: вектор видео должен совпасть с вектором пользователя. Нечитаемый жанр = видео пролетает мимо нужной аудитории
ЧТО ДЕЛАТЬ? Дай алгоритмам понять, о чем видео. В первые 3–5 сек покажи лицо/ключевой объект/контекст жанра. Дай короткую фразу голосом и короткую фразу на экране про тему ролика, совпадающие по смыслу. Поставь характерную музыку: алгоритм уже знает, что грустная песня про любовь не будет в видео про ремонт квартир.
– Визуальное разнообразие. Модели видят динамику кадров и понятные объекты. Статичная картинка = риск раннего дропа.
ПОЧЕМУ? CV извлекает движение и смену сцен. Единообразие = низкая информативность по кадрам = зритель быстрее устает = early drop = падает досмотр. Разные планы увеличивают сигнал жанра, улучшают retrieval-мэтч и держат внимание = растет досмотр/повторный просмотр
ЧТО ДЕЛАТЬ? Смена плана каждые 2–4 сек. На биты/смысловые точки — визуализация (скрин/графика/руки/объект/whatever что совпадает по смыслу). Не скрывай лицо и ключевой объект (алгоритм любит узнаваемые признаки). Избегай водяных знаков, мутной или шумной картинки – алгоритм не сможет распознать объекты и у твоего видео будет меньше смысловых признаков
– Субтитры не для красоты, а для алгоритма распознавания текста
Ошибка: микроскопические или не читаемые шрифты, абстрактные фразы, рассинхрон с речью/смыслом/визуалом
ПОЧЕМУ? OCR модель читает текст и сопоставляет его с кадром, речью. Читабельный, синхронный текст усиливает понимание темы = выше шанс попасть в правильные кластеры пользователей. Перегруз/рассинхрон > когнитивный шум > ранние скипы = падает досмотр
ЧТО ДЕЛАТЬ? Одно предложение = 1–2 сек на экране (не 20 слов да секунду). Контраст текста с фоном; безопасные зоны (не перекрывай лицо). Смысл совпадает с речью
– Звук решает не меньше картинки
ПОЧЕМУ? Аудио-модель делает эмбеддинг жанра/настроения: это юмор? История? Лайфхак? Распознавание текста + речи = семантический мэтч: что ты говоришь и что показываешь, то есть о чем это видео? Плохой голос = менее точное распознавание = хуже мэтч = ниже шанс попасть в нужный кластер.
ЧТО ДЕЛАТЬ? Голос громче музыки; шумоподавление. Трендовый трек ок, но озвучка голосом = алгоритм думает, что на вас подпишутся (личный авторский сигнал). Речь должна быть четкой и внятной: облегчай алгоритмам работу по распознаванию того, что ты говоришь. Быстрая речь > медленная речь, но так, чтобы если человек зажал x2 на экране, речь все еще была понятной (иначе человек скипнет видео, алгоритм думает об этом заранее)
Алгоритмы не оценивают красоту. Они считают вероятность сильных действий на базе параметров видео и поведения пользователя и уже знают, как ведут себя зрители, в которых ты целишься.
Задача спроектировать ролик так, чтобы эти вероятности были максимальными еще до первых 100 показов.
Завтра – продолжение 3/2 про хуки и early drop, перезалив одинаковых видео и diversity (разнообразие), пересмотры сохранения и вес параметров, политику integrity, запретные слова и маты.
🧩 @founderit | навигация | дневник
Часть 3/1. Как заставить алгоритм поверить, что твой контент будут смотреть. Рекомендации для создания algorithm-first контента.
Все, что я пишу ниже, основано на понимании принципов работы машинного обучения и внутрянке DLRM, Reels Chaining и скоринга контента (см. эти материалы).
Первая задача – пройти фильтр этапа Retrieval
Миссия retrieval: из миллионов роликов быстро выбрать несколько тысяч похожих на твои вкусы по эмбеддингам (векторным представлениям). Если алгоритм не распознал тему/жанр — ролик даже не попадет в кандидаты.
ПОЧЕМУ? CV-модели считывают лица/объекты/сцены/движение. Чем понятнее сигналы жанра, тем выше уверенность классификации. Аудио-модели слушают голос/музыку/ритм, из этого строится аудио-вектор. OCR читает текст в кадре и сопоставляет его с визуалом/аудио. Совпадение усиливает понимание темы, рассинхрон — снижает.
Итог: вектор видео должен совпасть с вектором пользователя. Нечитаемый жанр = видео пролетает мимо нужной аудитории
ЧТО ДЕЛАТЬ? Дай алгоритмам понять, о чем видео. В первые 3–5 сек покажи лицо/ключевой объект/контекст жанра. Дай короткую фразу голосом и короткую фразу на экране про тему ролика, совпадающие по смыслу. Поставь характерную музыку: алгоритм уже знает, что грустная песня про любовь не будет в видео про ремонт квартир.
– Визуальное разнообразие. Модели видят динамику кадров и понятные объекты. Статичная картинка = риск раннего дропа.
ПОЧЕМУ? CV извлекает движение и смену сцен. Единообразие = низкая информативность по кадрам = зритель быстрее устает = early drop = падает досмотр. Разные планы увеличивают сигнал жанра, улучшают retrieval-мэтч и держат внимание = растет досмотр/повторный просмотр
ЧТО ДЕЛАТЬ? Смена плана каждые 2–4 сек. На биты/смысловые точки — визуализация (скрин/графика/руки/объект/whatever что совпадает по смыслу). Не скрывай лицо и ключевой объект (алгоритм любит узнаваемые признаки). Избегай водяных знаков, мутной или шумной картинки – алгоритм не сможет распознать объекты и у твоего видео будет меньше смысловых признаков
– Субтитры не для красоты, а для алгоритма распознавания текста
Ошибка: микроскопические или не читаемые шрифты, абстрактные фразы, рассинхрон с речью/смыслом/визуалом
ПОЧЕМУ? OCR модель читает текст и сопоставляет его с кадром, речью. Читабельный, синхронный текст усиливает понимание темы = выше шанс попасть в правильные кластеры пользователей. Перегруз/рассинхрон > когнитивный шум > ранние скипы = падает досмотр
ЧТО ДЕЛАТЬ? Одно предложение = 1–2 сек на экране (не 20 слов да секунду). Контраст текста с фоном; безопасные зоны (не перекрывай лицо). Смысл совпадает с речью
– Звук решает не меньше картинки
ПОЧЕМУ? Аудио-модель делает эмбеддинг жанра/настроения: это юмор? История? Лайфхак? Распознавание текста + речи = семантический мэтч: что ты говоришь и что показываешь, то есть о чем это видео? Плохой голос = менее точное распознавание = хуже мэтч = ниже шанс попасть в нужный кластер.
ЧТО ДЕЛАТЬ? Голос громче музыки; шумоподавление. Трендовый трек ок, но озвучка голосом = алгоритм думает, что на вас подпишутся (личный авторский сигнал). Речь должна быть четкой и внятной: облегчай алгоритмам работу по распознаванию того, что ты говоришь. Быстрая речь > медленная речь, но так, чтобы если человек зажал x2 на экране, речь все еще была понятной (иначе человек скипнет видео, алгоритм думает об этом заранее)
Алгоритмы не оценивают красоту. Они считают вероятность сильных действий на базе параметров видео и поведения пользователя и уже знают, как ведут себя зрители, в которых ты целишься.
Задача спроектировать ролик так, чтобы эти вероятности были максимальными еще до первых 100 показов.
Завтра – продолжение 3/2 про хуки и early drop, перезалив одинаковых видео и diversity (разнообразие), пересмотры сохранения и вес параметров, политику integrity, запретные слова и маты.
🧩 @founderit | навигация | дневник
2🔥40❤17👍6
Мне не дает покоя одна мысль 🤔
Instagram мог бы стать идеальной дейтинг-платформой. И я даже знаю, как этому поспособствовать. Щя все расскажу!
Как вы уже понимаете благодаря моим предыдущим постам, Instagram знает очень много про ваши интересы и с каждым твоим заходом в приложение корректирует твой профиль, спасибо математике (а ещё Максиму Наумову, Мише Смилянскому, Андрею Маллевичу, Илье Чернявскому и другим инженерам Meta, которые это проектировали)удивлены этим прекрасным, благородными, красивым АМЕРИКАНСКИМИ именам?
Рекомендательная система explore/reels (и threads, спойлер на будущее — я расскажу, как работают алгоритмы и там, вы прям удивитесь) в инстаграме — одна из лучших на рынке. Благодаря тому, что Meta знает мои интересы едва ли не лучше меня самого (literally, иногда удивляюсь тому, какой контент точно попадает в мое чувство юмора)
лента дает мне потреблять именно тот контент, в котором я нуждаюсь именно сейчас.
Вы же тоже замечаете, как малейшее изменение вашей жизни (расстались, пошли в зал, посмотрели новый сезон Декстера) сразу влияет на контент, который к вам попадает? Это все еще математика и векторное пространство ваших интересов. Учили бы математику в школе, сейчас бы director of engineering & research в Meta были вместо Максима Наумова 🥲
Инстаграм довольно УСПЕШНО соединяет тебя с контентом, предсказывая твое будущее вовлечение по профилю из сотен параметров. И в основном, предсказывает хорошо. Но что, если бы он соединял тебя не с рилсом, а с ЧЕЛОВЕКОМ?
Представь, что Инстаграм дает тебе сразу 10000 человек, чьи интересы МАКСИМАЛЬНО сходятся с твоими? Мемы, над которыми смеетесь. Ваши мечты в сохраненках. Стиль вашего общения. Высокая косинусная близость векторов, you know. Велика вероятность что человек, которому нравится 89 из 100 твоих любимых рилсов, окажется твоим соулмейтом.
Вообще, Facebook уже запускал Facebook Dating, который успешно провалился (всратый UX, как и у всего Фейсбука в целом, явно помог). Но если бы это была вкладка прямо в Instagram или апп-компаньон (как Edits или Threads)?
Короче, эта мысль мне не дает покоя, поэтому вот LinkedIn главы Инстаграма Адама Моссери. Если вы тоже думаете, что это прям КРУТО, можно дружно завалить ему личку описанием этой идеи. Письма он (и другие чуваки из Меты) в целом читают, поэтому кто знает, может именно твое сообщение Адаму поможет инстаграм дейтингу появиться на свет.
Если все же захочешь им написать, в комментариях оставляю текст короткого сообщения и ссылки на членов команды Instagram.
💡 @founderit | навигация | дневник
Instagram мог бы стать идеальной дейтинг-платформой. И я даже знаю, как этому поспособствовать. Щя все расскажу!
Как вы уже понимаете благодаря моим предыдущим постам, Instagram знает очень много про ваши интересы и с каждым твоим заходом в приложение корректирует твой профиль, спасибо математике (а ещё Максиму Наумову, Мише Смилянскому, Андрею Маллевичу, Илье Чернявскому и другим инженерам Meta, которые это проектировали)
Рекомендательная система explore/reels (и threads, спойлер на будущее — я расскажу, как работают алгоритмы и там, вы прям удивитесь) в инстаграме — одна из лучших на рынке. Благодаря тому, что Meta знает мои интересы едва ли не лучше меня самого (literally, иногда удивляюсь тому, какой контент точно попадает в мое чувство юмора)
лента дает мне потреблять именно тот контент, в котором я нуждаюсь именно сейчас.
Вы же тоже замечаете, как малейшее изменение вашей жизни (расстались, пошли в зал, посмотрели новый сезон Декстера) сразу влияет на контент, который к вам попадает? Это все еще математика и векторное пространство ваших интересов. Учили бы математику в школе, сейчас бы director of engineering & research в Meta были вместо Максима Наумова 🥲
Инстаграм довольно УСПЕШНО соединяет тебя с контентом, предсказывая твое будущее вовлечение по профилю из сотен параметров. И в основном, предсказывает хорошо. Но что, если бы он соединял тебя не с рилсом, а с ЧЕЛОВЕКОМ?
Представь, что Инстаграм дает тебе сразу 10000 человек, чьи интересы МАКСИМАЛЬНО сходятся с твоими? Мемы, над которыми смеетесь. Ваши мечты в сохраненках. Стиль вашего общения. Высокая косинусная близость векторов, you know. Велика вероятность что человек, которому нравится 89 из 100 твоих любимых рилсов, окажется твоим соулмейтом.
Вообще, Facebook уже запускал Facebook Dating, который успешно провалился (всратый UX, как и у всего Фейсбука в целом, явно помог). Но если бы это была вкладка прямо в Instagram или апп-компаньон (как Edits или Threads)?
Короче, эта мысль мне не дает покоя, поэтому вот LinkedIn главы Инстаграма Адама Моссери. Если вы тоже думаете, что это прям КРУТО, можно дружно завалить ему личку описанием этой идеи. Письма он (и другие чуваки из Меты) в целом читают, поэтому кто знает, может именно твое сообщение Адаму поможет инстаграм дейтингу появиться на свет.
Если все же захочешь им написать, в комментариях оставляю текст короткого сообщения и ссылки на членов команды Instagram.
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥14❤11
Олег Лупиков
В прошлых сериях: мы с вами узнали, что происходит с видео после загрузки, как оно попадает к нужным зрителям и при чем тут machine learning. Часть 3/1. Как заставить алгоритм поверить, что твой контент будут смотреть. Рекомендации для создания algorithm…
Добро пожаловать в часть 4 про алгоритмы. Держите штанишки, это будет сильно:
– Вес действий или чтоо является самым сильным для алгоритмов Инстаграма?
ML Ranking предсказывает вероятности действий на основании исторических данных и собирает общий скор рилса. Сильные действия тянут наверх, легкие напротив, почти не влияют.
Надеюсь, ни для кого не секрет, что лайки это последняя метрика для оценки успешности рилса?
Вес действий выглядит примерно так: Подписка примерно равна пересмотру и > репоста к себе или в директ, которые > комментария, который > лайка.
Почему подписка и пересмотр такие сильные – потому что алгоритм считает, что если человек посмотрел рилс 2+ раза, значит контент ценный прямо сейчас. Сохранение – пригодится в будущем. Это сильные действия
Задача спроектировать ролик под сильные действия. Например, для роста подписок упор на серийность контента (часть 1/3, завтра продолжение, etc). Для роста пересмотров петля/пасхалки, чек-лист, который заставит пересматривать и выписывать. В общем придумаете сами, я не сильно эксперт в этом.
Виральность начинается со следующих цифр на первых 500–1500 показах (смотреть через аналитику в Edits):
– досмотр (15–25 с ролики имеют бОльшую досматриваемость): 60–70%+
– повторный просмотр: 10–20%+
– в подписку: 0.3–0.8%+
– комментарии: 1–2%+
– поделиться: 2–4%+
– Правило 3 секунд, влияние хука и early drop
Ранний дроп (когда ролик пропускают) — самый токсичный сигнал для P_watchthrough (показателя досматриваемости видео). Если 20–30% скипают рилс в первые 0-3 сек, модель начинает понижать скор ролика.
Ориентироваться надо на дроп на 0–3 сек меньше 20%. Если больше — переписывай хук.
– Перезаливы и diversity (разнообразие)
В прошлых тредах неоднократно встречал вопрос – «надо загружать ролик 100 раз! Почему один и тот же ролик набирает и 100 и 10000?». Если глаза завязать и дротик бросать с 10 метров, один раз тоже попадете, см. Теорему о бесконечных обезьянах.
В реальности все ровно наоборот. Финальный re-ranking слой алгоритма следит за diversity. Дубликаты и однотипные рилсы конкурируют между собой — покажут 1-2, остальные получат нулевой скор и не попадут в ленту. Перезаливы понижают авторский скор, что влияет на каждый последующий рилс.
Не перезаливай. Делай варианты: другой хук, тайминг, порядок фактов, визуал – обмани алгоритм diversity.
– Integrity, brand-safety и как не словить теневой бан
Как такового, «shadow ban» не существует. Но над ранжированием стоит слой интегрити и политики бренд-сейф. Рилс с триггерами получают меньше показов, даже при нормальном ретеншене.
Интегрити-алгоритм триггерится на следующие темы:
– откровенный адалт/18+ подтекст
– обещания гарантированно заработать
– открытая агрессия/хейт спич/оскорбления
– использование чужих рилс с водяными знаками (всегда избегайте логотипов TikTok и других конкурентов Meta)
– кликбейты, вводящий в заблуждение контент
Если все же хочется говорить про эти темы, меняйте формулировки. Кстати, на маты при этом алгоритм никак не реагирует, если это не какой-то хейт спич (и люди не тыкают пожаловаться).
– Тестовые показы и пробный режим
Когда ты заливаешь рилс, он не сразу падает в ленту ко всем, а попадает в песочницу. Алгоритм берет малую аудиторию, обычно от 100 до 500 человек, точная цифра динамически меняется. Цель — проверить, совпадают ли реальные метрики с прогнозом ML.
Есть Trial Mode, когда ролик публикуется не в ленту, а внешней аудитории (не-подписчики). Отличие для алгоритмов в том, что в пробном режиме сигналы идут только от действий внешней группы и не влияют на итоговый скор автора.
Если загружать прямо в аккаунт минуя пробный режим, рилс сразу получает свои 100–500 показов, но результаты влияют на твой author score. И если несколько подряд роликов проваливают retention, то профиль получает минус (у профиля автора есть мультипликаторы).
Все ссылки на источники будут следующим постом (сюда не влезло), а я пошел готовить для вас материалы про алгоритмы Stories (вы не поверите, какой там спрятан клад!) и алгоритмы Threads 🖤
✅ @founderit | навигация | дневник
– Вес действий или чтоо является самым сильным для алгоритмов Инстаграма?
ML Ranking предсказывает вероятности действий на основании исторических данных и собирает общий скор рилса. Сильные действия тянут наверх, легкие напротив, почти не влияют.
Надеюсь, ни для кого не секрет, что лайки это последняя метрика для оценки успешности рилса?
Вес действий выглядит примерно так: Подписка примерно равна пересмотру и > репоста к себе или в директ, которые > комментария, который > лайка.
Почему подписка и пересмотр такие сильные – потому что алгоритм считает, что если человек посмотрел рилс 2+ раза, значит контент ценный прямо сейчас. Сохранение – пригодится в будущем. Это сильные действия
Задача спроектировать ролик под сильные действия. Например, для роста подписок упор на серийность контента (часть 1/3, завтра продолжение, etc). Для роста пересмотров петля/пасхалки, чек-лист, который заставит пересматривать и выписывать. В общем придумаете сами, я не сильно эксперт в этом.
Виральность начинается со следующих цифр на первых 500–1500 показах (смотреть через аналитику в Edits):
– досмотр (15–25 с ролики имеют бОльшую досматриваемость): 60–70%+
– повторный просмотр: 10–20%+
– в подписку: 0.3–0.8%+
– комментарии: 1–2%+
– поделиться: 2–4%+
– Правило 3 секунд, влияние хука и early drop
Ранний дроп (когда ролик пропускают) — самый токсичный сигнал для P_watchthrough (показателя досматриваемости видео). Если 20–30% скипают рилс в первые 0-3 сек, модель начинает понижать скор ролика.
Ориентироваться надо на дроп на 0–3 сек меньше 20%. Если больше — переписывай хук.
– Перезаливы и diversity (разнообразие)
В прошлых тредах неоднократно встречал вопрос – «надо загружать ролик 100 раз! Почему один и тот же ролик набирает и 100 и 10000?». Если глаза завязать и дротик бросать с 10 метров, один раз тоже попадете, см. Теорему о бесконечных обезьянах.
В реальности все ровно наоборот. Финальный re-ranking слой алгоритма следит за diversity. Дубликаты и однотипные рилсы конкурируют между собой — покажут 1-2, остальные получат нулевой скор и не попадут в ленту. Перезаливы понижают авторский скор, что влияет на каждый последующий рилс.
Не перезаливай. Делай варианты: другой хук, тайминг, порядок фактов, визуал – обмани алгоритм diversity.
– Integrity, brand-safety и как не словить теневой бан
Как такового, «shadow ban» не существует. Но над ранжированием стоит слой интегрити и политики бренд-сейф. Рилс с триггерами получают меньше показов, даже при нормальном ретеншене.
Интегрити-алгоритм триггерится на следующие темы:
– откровенный адалт/18+ подтекст
– обещания гарантированно заработать
– открытая агрессия/хейт спич/оскорбления
– использование чужих рилс с водяными знаками (всегда избегайте логотипов TikTok и других конкурентов Meta)
– кликбейты, вводящий в заблуждение контент
Если все же хочется говорить про эти темы, меняйте формулировки. Кстати, на маты при этом алгоритм никак не реагирует, если это не какой-то хейт спич (и люди не тыкают пожаловаться).
– Тестовые показы и пробный режим
Когда ты заливаешь рилс, он не сразу падает в ленту ко всем, а попадает в песочницу. Алгоритм берет малую аудиторию, обычно от 100 до 500 человек, точная цифра динамически меняется. Цель — проверить, совпадают ли реальные метрики с прогнозом ML.
Есть Trial Mode, когда ролик публикуется не в ленту, а внешней аудитории (не-подписчики). Отличие для алгоритмов в том, что в пробном режиме сигналы идут только от действий внешней группы и не влияют на итоговый скор автора.
Если загружать прямо в аккаунт минуя пробный режим, рилс сразу получает свои 100–500 показов, но результаты влияют на твой author score. И если несколько подряд роликов проваливают retention, то профиль получает минус (у профиля автора есть мультипликаторы).
Все ссылки на источники будут следующим постом (сюда не влезло), а я пошел готовить для вас материалы про алгоритмы Stories (вы не поверите, какой там спрятан клад!) и алгоритмы Threads 🖤
Please open Telegram to view this post
VIEW IN TELEGRAM
1🔥18❤17
Олег Лупиков
Добро пожаловать в часть 4 про алгоритмы. Держите штанишки, это будет сильно: – Вес действий или чтоо является самым сильным для алгоритмов Инстаграма? ML Ranking предсказывает вероятности действий на основании исторических данных и собирает общий скор рилса.…
Материалы, которые я прочитал, и на которых основаны вышеупомянутые выводы.
Сохраняем, читаем перед сном:
1. Reels Chaining — как система предсказывает вероятности
2. Scaling the Instagram Explore recommendations system — технический разбор пайплайна retrieval - ranking - re-ranking
3. The AI behind unconnected content recommendations on Facebook and Instagram — как работают модели рекомендаций для «не знакомого» контента
4. Journey to 1000 Models — как инженеры масштабировали систему до 1000 ML-моделей
5. Reels Ranking Signals — какие сигналы учитываются при ранжировании
6. Deep Learning Recommendation Model for Personalization and Recommendation Systems — научная работа про архитектуру рекомендаций
7. On the Value of Diversified Recommendations — про подход к разнообразию контента в рекомендациях
8. A New Ranking Framework for Better Notification Quality on Instagram — как система внедряет diversity-aware ranking и наказывает за одинаковый контент
9. Privacy within Meta’s Integrity Systems — документ о том, как работает слой интегрити и авто-выявление триггеров
10. Community Standards — основные правила сообщества
11. Brand Safety — как Meta гарантирует безопасное пространство для брендов и что они не накосячат с контентом (и их не закенселлят, лол)
✅ @founderit | навигация | дневник
Сохраняем, читаем перед сном:
1. Reels Chaining — как система предсказывает вероятности
2. Scaling the Instagram Explore recommendations system — технический разбор пайплайна retrieval - ranking - re-ranking
3. The AI behind unconnected content recommendations on Facebook and Instagram — как работают модели рекомендаций для «не знакомого» контента
4. Journey to 1000 Models — как инженеры масштабировали систему до 1000 ML-моделей
5. Reels Ranking Signals — какие сигналы учитываются при ранжировании
6. Deep Learning Recommendation Model for Personalization and Recommendation Systems — научная работа про архитектуру рекомендаций
7. On the Value of Diversified Recommendations — про подход к разнообразию контента в рекомендациях
8. A New Ranking Framework for Better Notification Quality on Instagram — как система внедряет diversity-aware ranking и наказывает за одинаковый контент
9. Privacy within Meta’s Integrity Systems — документ о том, как работает слой интегрити и авто-выявление триггеров
10. Community Standards — основные правила сообщества
11. Brand Safety — как Meta гарантирует безопасное пространство для брендов и что они не накосячат с контентом (и их не закенселлят, лол)
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥15❤1
Все, что я узнал про алгоритмы Reels – я собрал в один большой документ на 50 страниц
Красиво, удобно, с картинками и источниками – кажется, это единственный полноценный технический анализ во всем русскоязычном интернете, который описывает реальную работу и устройство алгоритмов рилс.
Бонусом, в конце понятный чек-лист: посмотрите на него, когда будете снимать свой следующий рилс.
Я хочу, чтобы algorithm-first подход стал доступным и понятным всем, кто создает контент. Отправьте эту PDF своему знакомому продюсеру, креатору, сммщику, маркетологу, сценаристу, монтажеру или просто человеку, который хочет снимать вертикальный контент и расти.
👉🏻 СКАЧАТЬ PDF бесплатно (требует подписки на канал)
🧩 @founderit | навигация | дневник
Красиво, удобно, с картинками и источниками – кажется, это единственный полноценный технический анализ во всем русскоязычном интернете, который описывает реальную работу и устройство алгоритмов рилс.
Бонусом, в конце понятный чек-лист: посмотрите на него, когда будете снимать свой следующий рилс.
Я хочу, чтобы algorithm-first подход стал доступным и понятным всем, кто создает контент. Отправьте эту PDF своему знакомому продюсеру, креатору, сммщику, маркетологу, сценаристу, монтажеру или просто человеку, который хочет снимать вертикальный контент и расти.
👉🏻 СКАЧАТЬ PDF бесплатно (требует подписки на канал)
Please open Telegram to view this post
VIEW IN TELEGRAM
150🔥58❤20💅7
Три вопроса:
1. Вы продаете через сторис? Актуальна ли вам проблема того, что на 10 тысяч подписчиков у вас 500 просмотров? Интересна ли вам тема повышения охватов в них? Это тема моего следующего цикла статей.
(плз, напишите в комментарии что-то)
2. Вопрос брендам, профессиональным блогерам и креаторам – возникла ли у вас сложность с пониманием вышеописанного материала? Нужна ли вам моя помощь или персонально объяснить всю механику? Я хочу поучаствовать в продакшене вашего следующего контента, вы готовы на эксперимент?
3. Если вам вдруг это будет интересно, на днях я проведу три дня стримов по ИИ-агентам (пайплайны автоматизации всякого). Не для новичков, это хард левел.
1. Вы продаете через сторис? Актуальна ли вам проблема того, что на 10 тысяч подписчиков у вас 500 просмотров? Интересна ли вам тема повышения охватов в них? Это тема моего следующего цикла статей.
(плз, напишите в комментарии что-то)
2. Вопрос брендам, профессиональным блогерам и креаторам – возникла ли у вас сложность с пониманием вышеописанного материала? Нужна ли вам моя помощь или персонально объяснить всю механику? Я хочу поучаствовать в продакшене вашего следующего контента, вы готовы на эксперимент?
3. Если вам вдруг это будет интересно, на днях я проведу три дня стримов по ИИ-агентам (пайплайны автоматизации всякого). Не для новичков, это хард левел.
13🔥30❤7👍3
Я погрузился в блог инженеров Meta разгадывая устройство рилсов, но обратил внимание на материалы, посвященные алгоритмам сторис. Внутри меня ждал сюрприз, потому что в алгоритмах есть целых ЧЕТЫРЕ механизма поднятия охватов!
Поэтому присаживайтесь, щя расскажу как работают алгоритмы сторис и как на самом деле управлять их охватами!
Часть 1. Как устроены сторис?
Когда-то порядок сторис, которые мы видели, был хронологическим: от новых к старым, но это было давно. Сейчас то, что ты увидишь, решают алгоритмы.
Вы уже знаете, что в Инстаграме 1К+ ML моделей. Пайплайн начинается идентично загрузке рилса:
– CV-модели распознают лица, объекты, сцены
– OCR извлекает текст
– ASR преобразует речь в текст
– Audio ML классифицирует музыку (жанр, настроение, популярность, лицензия)
Эти признаки записываются в feature store (общая база признаков, которую используют алгоритмы retrieval/ranking)
– Перед тем как сторис попадет в кандидаты для показа, алгоритмы проверяют:
Соблюдение стандартов сообщества (18+, хейт спич, насилие)
Соблюдение brand safety (например, если стоит branded content tag, сторис может не попасть в рекомендации Facebook)
Проверка на авторский рейтинг (страйки, блокировки)
Если есть жесткие нарушения, то сторис блокируется. Если контент прям на грани, то сторис получает отрицательный мультипликатор веса в показах (и понижается в выдаче)
– Когда пользователь открывает ленту сторис:
Система собирает список всех актуальных сторис от аккаунтов, на которые он подписан
Дополнительно — рекламные вставки из Ads Manager (тоже как кандидаты, не актуально для России)
Каждый кандидат состоит из набора параметров:
– данные об авторе (история взаимодействий, авторский рейтинг),
– поведение зрителя в прошлом (связь с автором, смотрел/пропускал, отвечал/мьютил, переписка в директе),
– мультимодальные признаки самой сторис (вектор интересов по CV, OCR и аудио плюс метаданные).
– Для каждой сторис модели предсказывают вероятность событий: открытие, ответ, реакция, пропуск, выход.
Эти вероятности собираются в итоговый скор: чем выше шанс, что сторис удержит или вызовет реакцию – тем выше в выдаче.
Рейтинг автора влияет напрямую: если у автора высокий retention и мало жалоб, его сторис получает дополнительный буст
– После основной сортировки применяются корректировки:
Свежесть – недавние сторис при прочих равных идут выше
Диверсификация – ты не увидишь несколько кружков подряд с серией сторис, система чередует с одиночными
Настройки пользователя: если у тебя замьючен аккаунт, его кружок уходит дальше или исчезает
Близкие друзья ВСЕГДА приоритетнее обычных
Сформированный список кешируется и подается на клиент. В процессе просмотра поведение пользователя (вперед/назад, ответы, выход) стримится обратно в систему, обновляет вектор интересов и корректирует связи автора и зрителя.
– Каждое действие зрителя логируется: просмотр, скип, реакция, ответ, мьют, жалоба.
Эти сигналы влияют:
– на персональный вектор интересов зрителя,
– на авторский рейтинг (если у большинства низкий retention, сторис автора реже будут показывать первыми).
ML-модели обновляют вес действий (через обучение с отложенной обратной связью + периодические переобучения).
А теперь вопрос: уже догадались, что на самом деле влияет на охват сильнее всего? Об этом расскажу завтра 🙂
🤌 @founderit | навигация | дневник
Поэтому присаживайтесь, щя расскажу как работают алгоритмы сторис и как на самом деле управлять их охватами!
Часть 1. Как устроены сторис?
Когда-то порядок сторис, которые мы видели, был хронологическим: от новых к старым, но это было давно. Сейчас то, что ты увидишь, решают алгоритмы.
Вы уже знаете, что в Инстаграме 1К+ ML моделей. Пайплайн начинается идентично загрузке рилса:
– CV-модели распознают лица, объекты, сцены
– OCR извлекает текст
– ASR преобразует речь в текст
– Audio ML классифицирует музыку (жанр, настроение, популярность, лицензия)
Эти признаки записываются в feature store (общая база признаков, которую используют алгоритмы retrieval/ranking)
– Перед тем как сторис попадет в кандидаты для показа, алгоритмы проверяют:
Соблюдение стандартов сообщества (18+, хейт спич, насилие)
Соблюдение brand safety (например, если стоит branded content tag, сторис может не попасть в рекомендации Facebook)
Проверка на авторский рейтинг (страйки, блокировки)
Если есть жесткие нарушения, то сторис блокируется. Если контент прям на грани, то сторис получает отрицательный мультипликатор веса в показах (и понижается в выдаче)
– Когда пользователь открывает ленту сторис:
Система собирает список всех актуальных сторис от аккаунтов, на которые он подписан
Дополнительно — рекламные вставки из Ads Manager (тоже как кандидаты, не актуально для России)
Каждый кандидат состоит из набора параметров:
– данные об авторе (история взаимодействий, авторский рейтинг),
– поведение зрителя в прошлом (связь с автором, смотрел/пропускал, отвечал/мьютил, переписка в директе),
– мультимодальные признаки самой сторис (вектор интересов по CV, OCR и аудио плюс метаданные).
– Для каждой сторис модели предсказывают вероятность событий: открытие, ответ, реакция, пропуск, выход.
Эти вероятности собираются в итоговый скор: чем выше шанс, что сторис удержит или вызовет реакцию – тем выше в выдаче.
Рейтинг автора влияет напрямую: если у автора высокий retention и мало жалоб, его сторис получает дополнительный буст
– После основной сортировки применяются корректировки:
Свежесть – недавние сторис при прочих равных идут выше
Диверсификация – ты не увидишь несколько кружков подряд с серией сторис, система чередует с одиночными
Настройки пользователя: если у тебя замьючен аккаунт, его кружок уходит дальше или исчезает
Близкие друзья ВСЕГДА приоритетнее обычных
Сформированный список кешируется и подается на клиент. В процессе просмотра поведение пользователя (вперед/назад, ответы, выход) стримится обратно в систему, обновляет вектор интересов и корректирует связи автора и зрителя.
– Каждое действие зрителя логируется: просмотр, скип, реакция, ответ, мьют, жалоба.
Эти сигналы влияют:
– на персональный вектор интересов зрителя,
– на авторский рейтинг (если у большинства низкий retention, сторис автора реже будут показывать первыми).
ML-модели обновляют вес действий (через обучение с отложенной обратной связью + периодические переобучения).
А теперь вопрос: уже догадались, что на самом деле влияет на охват сильнее всего? Об этом расскажу завтра 🙂
Please open Telegram to view this post
VIEW IN TELEGRAM
2🔥21❤8👍1💅1
Олег Лупиков
Все, что я узнал про алгоритмы Reels – я собрал в один большой документ на 50 страниц Красиво, удобно, с картинками и источниками – кажется, это единственный полноценный технический анализ во всем русскоязычном интернете, который описывает реальную работу…
Short story о том, почему чужой контент в Инстаграме п*здить нельзя, но если очень хочется и сделать это правильно – то можно
У каждой единицы контента свой профиль интересов, который описывается точками в многомерном пространстве, векторы и математика.
Если повторить векторный профиль (визуал тоже туда складывается) 1 в 1, это ни к чему не приведет
Но если изменить всего 1-2 весомых вектора, оставив при этом все остальные — случается 🪄
Мой самый любимый пример это блогерша Элеонора nierelli из Новой Зеландии. Вот это рилс-оригинал (какой-то из них), а вот это рилс Элеоноры. 8 миллионов просмотров!
Почему Элеонора так успешно п*здит контент Арины? Рецепт простой, в векторном пространстве у ее контента меняется два параметра: ЯЗЫК и ГЕО. А для алгоритмов это уже получается другой контент, но все еще с набором параметров и вирального веса.
Опустим морально-этическую сторону вопроса, если цель — быстро монетизировать блог, то это самый короткий путь туда.
(если ничего не поняли, прочитайте мою пдфку про алгоритмы)
🧩 @founderit | навигация | дневник
У каждой единицы контента свой профиль интересов, который описывается точками в многомерном пространстве, векторы и математика.
Если повторить векторный профиль (визуал тоже туда складывается) 1 в 1, это ни к чему не приведет
Но если изменить всего 1-2 весомых вектора, оставив при этом все остальные — случается 🪄
Мой самый любимый пример это блогерша Элеонора nierelli из Новой Зеландии. Вот это рилс-оригинал (какой-то из них), а вот это рилс Элеоноры. 8 миллионов просмотров!
Почему Элеонора так успешно п*здит контент Арины? Рецепт простой, в векторном пространстве у ее контента меняется два параметра: ЯЗЫК и ГЕО. А для алгоритмов это уже получается другой контент, но все еще с набором параметров и вирального веса.
Опустим морально-этическую сторону вопроса, если цель — быстро монетизировать блог, то это самый короткий путь туда.
(если ничего не поняли, прочитайте мою пдфку про алгоритмы)
Please open Telegram to view this post
VIEW IN TELEGRAM
1🔥15❤9