Peluncuran terbaru Monolith dari ByteDance, sebuah framework pembelajaran mendalam untuk pemodelan rekomendasi skala besar, telah memicu diskusi signifikan di komunitas teknologi tentang hubungannya dengan algoritma rekomendasi TikTok yang terkenal. Namun, analisis mendalam menunjukkan bahwa rilis open-source ini bukanlah teknologi inti di balik kesuksesan viral TikTok.
Framework vs Algoritma
Meskipun Monolith menyediakan infrastruktur untuk menjalankan dan melatih model rekomendasi terdistribusi, framework ini tampaknya terutama ditujukan untuk solusi sistem rekomendasi komersial ByteDance, yaitu BytePlus, bukan teknologi inti TikTok. Framework ini mencakup fitur-fitur seperti tabel embedding bebas tabrakan dan kemampuan pelatihan real-time, tetapi logika rekomendasi sebenarnya terbatas pada implementasi demo dasar.
Fitur-Fitur Utama Framework:
- Tabel embedding tanpa tabrakan
- Dukungan pelatihan real-time
- Dibangun dengan basis TensorFlow
- Mendukung pelatihan dan penyajian batch/real-time
- Hanya mendukung kompilasi Linux
Konteks Hukum dan Strategis
Hukum Tiongkok melarang ekspor sistem rekomendasi, sehingga sangat tidak mungkin ByteDance akan merilis algoritma TikTok yang sebenarnya. Seperti yang dicatat oleh salah satu anggota komunitas:
Ini pada dasarnya adalah framework untuk mengeksekusi sistem rekomendasi mereka tetapi bagian yang sebenarnya menentukan rekomendasi adalah model yang disebut demo, jadi saya menduga ini bukan model ML yang mereka gunakan dalam produksi.
Keunggulan Kompetitif TikTok yang Sebenarnya
Analisis komunitas mengungkapkan bahwa kesuksesan TikTok kemungkinan berasal dari pendekatannya yang unik dalam pemodelan minat pengguna. Berbeda dengan rekomendasi berbasis grafik sosial milik Meta, TikTok berfokus pada representasi temporal minat pengguna, melacak konten apa yang diinteraksikan pengguna secara langsung daripada mengandalkan koneksi sosial. Pendekatan ini, dikombinasikan dengan desain antarmuka yang menghasilkan sinyal keterlibatan yang jelas, menciptakan sistem rekomendasi yang lebih efektif.
Faktor Kurasi Manusia
Di luar algoritma, distribusi konten TikTok melibatkan kurasi manual yang signifikan. Elemen manusia ini membantu memastikan pengalaman pengguna yang berkualitas tetapi juga menimbulkan pertanyaan tentang promosi konten dan potensi manipulasi. Kombinasi kurasi algoritmik dan manusia menciptakan sistem kompleks yang tidak dapat disederhanakan menjadi satu framework open-source.
Sebagai kesimpulan, meskipun Monolith menawarkan wawasan berharga tentang kemampuan teknis ByteDance, ini hanya merepresentasikan satu komponen dari ekosistem rekomendasi yang jauh lebih besar dan canggih. Kekuatan sebenarnya dari sistem rekomendasi TikTok kemungkinan terletak pada kombinasi algoritma canggih, desain interaksi pengguna, dan kurasi manusia, yang sebagian besar tetap bersifat proprietary.
Referensi: Monolith: A Deep Learning Framework for Large Scale Recommendation Modeling