Быстрые темпы имели смысл. ИИ команды улучшал не только доходы, но и отношение людей к платформе. Более точная нацеленность рекламы означала, что Facebook может зарабатывать больше денег на каждом пользователе, не увеличивая рекламную нагрузку , и не так уж много того, что могло пойти не так. Когда Facebook предлагал подросткам крем для зубных протезов, никто не умер.
Реклама стала плацдармом для машинного обучения в Facebook, и вскоре все захотели получить свой кусочек действия. Для руководителей, которым было поручено увеличить количество вступающих в группы Facebook, добавленных друзей и сделанных постов, привлекательность была очевидна. Если методы Киньонеро могли повысить частоту взаимодействия пользователей с рекламой, они могли повысить частоту взаимодействия пользователей со всем остальным на платформе.
Все команды, отвечающие за ранжирование или рекомендации контента, бросились переделывать свои системы так быстро, как только могли, что привело к взрывному росту сложности продукта Facebook. Сотрудники обнаружили, что самые большие успехи часто достигаются не в результате целенаправленных инициатив, а в результате простого возиться. Вместо того чтобы переделывать алгоритмы, что было медленно, инженеры добивались больших результатов с помощью быстрых и грязных экспериментов по машинному обучению, которые сводились к тому, что они бросали на стену сотни вариантов существующих алгоритмов и смотрели, какие из них прижились - какие лучше всего работают с пользователями. Они не обязательно знали, почему та или иная переменная имеет значение или как один алгоритм превосходит другой, например, в предсказании вероятности комментирования. Но они могли продолжать возиться, пока модель машинного обучения не создавала алгоритм, который статистически превосходил существующий, и это было достаточно хорошо.
Трудно представить себе подход к созданию систем, который в большей степени воплощал бы лозунг "Двигайся быстро и ломай вещи". Facebook хотел только большего. Цукерберг привлек Янна ЛеКуна, французского ученого-компьютерщика, специализирующегося на глубоком обучении, то есть на создании компьютерных систем, способных обрабатывать информацию способами, вдохновленными человеческим мышлением. Уже прославившийся созданием основополагающих методов искусственного интеллекта, благодаря которым стало возможным распознавание лиц, ЛеКун возглавил подразделение, которое должно было вывести Facebook в авангард фундаментальных исследований в области искусственного интеллекта.
После успеха с рекламой перед Киньонеро была поставлена не менее сложная задача: как можно быстрее внедрить машинное обучение в кровеносную систему компании. Его первоначальный штат из двух десятков человек - команда , ответственная за создание новых основных инструментов машинного обучения и обеспечение их доступности для других подразделений компании, - вырос за три года, прошедшие с момента его найма. Но он все еще не был достаточно большим, чтобы помочь каждой команде, которая хотела получить помощь в области машинного обучения. Навыки построения модели с нуля были слишком узкоспециализированными, чтобы инженеры могли легко их освоить, а увеличить число докторов наук в области машинного обучения, разбрасываясь деньгами, было невозможно.
Решением стало создание FB Learner, своего рода версии машинного обучения "по цифрам". Он упаковал методы в шаблон, который могли использовать инженеры, в буквальном смысле не понимающие, что они делают. FB Learner сделал для машинного обучения внутри Facebook то, что когда-то сделали сервисы вроде WordPress для создания веб-сайтов, избавив от необходимости возиться с HTML или настраивать сервер. Однако инженеры, о которых идет речь, не создавали блог, а возились с внутренностями того, что быстро становилось ведущей глобальной коммуникационной платформой.