Непрозрачная система, против которой восставали пользователи, была, оглядываясь назад, удивительно простой. Контент в основном появлялся в обратном хронологическом порядке, а ручная настройка позволяла людям видеть как популярные посты, так и разнообразные материалы. "Вначале ранжирование ленты новостей сводилось к повороту ручек, - говорит Кокс.
Некоторое время возиться с циферками было достаточно хорошо, но списки друзей росли, а Facebook внедрял новые функции, такие как реклама, страницы и группы по интересам. Поскольку развлечения, мемы и коммерция начали конкурировать с сообщениями друзей в ленте новостей, Facebook нужно было сделать так, чтобы пользователь, который только что вошел на сайт , увидел фотографии с помолвки лучшего друга раньше, чем популярный рецепт энчилады на кулинарной странице.
Первая попытка сортировки, получившая в итоге название "EdgeRank", представляла собой простую формулу, которая определяла приоритетность контента в зависимости от трех основных факторов: возраста сообщения, степени его вовлеченности и взаимосвязи между пользователем и автором. Как алгоритм, она не представляла собой ничего особенного - просто грубая попытка перевести вопросы "Это новое, популярное или от кого-то, кто вам дорог?" в математику.
В этом не было никакой темной магии, но пользователи снова восстали против того, чтобы Facebook накладывал свой отпечаток на то, что они видят. И снова показатели использования Facebook подскочили.
Рекомендательные системы платформы находились еще в зачаточном состоянии, но диссонанс между вокальным неодобрением пользователей и их активным использованием привел компанию к неизбежному выводу: мнение обычных людей о механизмах Facebook лучше игнорировать. Пользователи кричали "стоп", Facebook продолжал работать, и все шло как по маслу.
К 2010 году компания стремилась выйти за рамки грубой формулы EdgeRank и рекомендовать контент на основе машинного обучения - направления искусственного интеллекта, направленного на обучение компьютеров разработке собственных алгоритмов принятия решений. Вместо того чтобы программировать компьютеры Facebook на ранжирование контента в соответствии с простыми математическими вычислениями, инженеры будут программировать их на анализ поведения пользователей и разработку собственных формул ранжирования. То, что видели люди, было бы результатом постоянных экспериментов: платформа предлагала бы все, что, по ее прогнозам, с наибольшей вероятностью вызовет лайк у пользователя, и оценивала бы свои собственные результаты в режиме реального времени.
Несмотря на растущую сложность своего продукта и сбор данных о пользователях в невиданных доселе масштабах, Facebook все еще не знал о своих пользователях достаточно, чтобы показывать им релевантную рекламу. Брендам нравилось внимание и шум, которые они могли получить, создавая контент на Facebook, но они не находили платные предложения компании привлекательными. В мае 2012 года компания General Motors полностью свернула свой рекламный бюджет в Facebook. Один из известных специалистов по цифровой рекламе заявил, что объявления в Facebook "в корне одни из худших по эффективности рекламных блоков в Сети".
Устранение проблемы было поручено команде под руководством Хоакина Киньонеро Канделы. Испанец, выросший в Марокко, Киньонеро жил в Великобритании и работал над искусственным интеллектом в Microsoft в 2011 году, когда его друзья, разбросанные по Северной Африке, начали с воодушевлением рассказывать о протестах, вызванных социальными сетями. Методы машинного обучения, которые он использовал для оптимизации поисковой рекламы Bing, нашли свое применение в социальных сетях, с помощью которых люди свергли четыре автократических государства и едва не свергли еще несколько. Я присоединился к Facebook из-за "арабской весны", - говорит Киньонеро.
Киньонеро обнаружил, что способ создания продуктов Facebook был почти таким же революционным, как и их результаты. Приглашенный другом на экскурсию по кампусу в Менло-Парке, он был потрясен, заглянув через плечо инженера, вносившего существенные, но неконтролируемые обновления в код Facebook. Убедившись в том, что компания работает гораздо быстрее, чем Microsoft, Киньонеро через неделю получил предложение о работе в Facebook.
Киньонеро начал работать над рекламой, и его время вряд ли могло быть более удачным. Достижения в области машинного обучения и скорость вычислений позволили платформе не только распределять пользователей по демографическим нишам ("одинокая гетеросексуальная женщина в Сан-Франциско, около двадцати лет, интересуется кемпингом и танцами сальса"), но и выявлять корреляции между тем, на что они нажимают, а затем использовать эту информацию, чтобы угадать, какие объявления они сочтут релевантными. Начав с почти случайных предположений о том, как максимизировать шансы на клик, система училась на удачах и промахах, совершенствуя свою модель для предсказания того, какие объявления имеют наилучшие шансы на успех. Вряд ли она была всеведущей - рекомендованные объявления регулярно оказывались необъяснимыми. Но планка успеха в цифровой рекламе была низкой: если 2 процента пользователей нажимали на рекламу, это считалось триумфом. При миллиардах объявлений, просматриваемых каждый день, изменения в алгоритмах, дающие даже скромный выигрыш, могли принести десятки или сотни миллионов долларов дохода. И команда Киньонеро обнаружила, что может вносить такие изменения. "Я сказал своей команде работать быстро, выпускать продукцию каждую неделю", - говорит он.