أثبتت الأبحاث حول قانونيات التوسع (Scaling Laws) في أنظمة التوصية أهمية وجود استراتيجيات فعّالة لنشر نماذج قوية عبر منصات متعددة. وفي وسط هذا التطور، يتحدّى نموذج الأساس (Foundation Model) المثبت وجوده كأداة رئيسية لتحقيق نجاح هذه الأنظمة.

من خلال الابتكار الذي قدمه نموذجنا الجديد المعروف باسم "نموذج الأساس الخبير" (Foundation-Expert paradigm)، أصبح من الممكن معالجة التحديات التقليدية المرتبطة بنقل المعرفة. تواجه الأساليب الحالية مثل تقطير المعرفة (Knowledge Distillation) قيودًا أساسية تتعلق بفقدان الجودة عند التعامل مع بيانات ضخمة، حيث كانت تضمين المستخدمين أو العناصر بشكل ثابت غير كافٍ لالتقاط تفاعلات المستخدم بشكل ديناميكي.

يعمل نموذج الأساس على توليد تضمينات (Embeddings) لطيفة وذكية تعتمد على المستخدم، تستمد المعلومات من تاريخ تفاعلاته الكاملة. هذا بشكل مختلف عن طرق تقطير المعرفة التي تنقل المعرفة على شكل تسميات ناعمة. فالصيغة الجديدة توفر هذه التضمينات كمدخلات مباشرة للنماذج الخبيرة (Expert Models)، مما يسهل التفاعل مع التوصيات الخاصة بكل منصة.

تم نشر هذا النموذج في Meta، حيث قام بخدمة عشرات المليارات من الطلبات يوميًا، محققًا تحسنًا ملحوظًا في المقاييس الإحصائية بنسبة 0.050% وتحسينات تراكمية بنسبة 0.359% عبر عدة منصات. كيف يمكن لهذه الابتكارات أن تغير شكل المستقبل في أنظمة التوصية؟