Pernahkah Anda bertanya-tanya bagaimana feed "For You" di X bisa tahu persis apa yang ingin Anda lihat? Di balik setiap *scroll* dan *post* yang muncul, ada sistem rekomendasi yang rumit bekerja. Jantung dari sistem ini adalah **x-algorithm by xAI**, sebuah upaya ambisius dari xAI untuk membuat pengalaman pengguna X menjadi lebih relevan dan dinamis. Algoritma ini dirancang untuk memadukan konten dari akun yang Anda ikuti dengan penemuan konten baru dari seluruh dunia, semuanya diorkestrasi oleh model transformer berbasis Grok.

## Otak di Balik Layar: Model Transformer Grok-based Phoenix

Inti dari **x-algorithm by xAI** adalah model transformer yang diberi nama **Phoenix**. Model ini merupakan adaptasi dari teknologi transformer Grok milik xAI, yang dikustomisasi khusus untuk kasus penggunaan sistem rekomendasi. Phoenix bertugas memprediksi probabilitas keterlibatan Anda dengan setiap *post*. Bayangkan seperti ini, Anda menyukai, membalas, atau membagikan suatu *post*, dan Phoenix belajar dari itu. Ia menggunakan sejarah interaksi Anda untuk menentukan *post* mana yang paling relevan.

Tim di balik algoritma ini telah menghilangkan semua fitur yang dibuat secara manual dan sebagian besar heuristik dari sistem. Ini berarti model Grok-based transformer melakukan semua pekerjaan berat, belajar dari urutan keterlibatan pengguna untuk memahami relevansi tanpa campur tangan manual yang rumit. Pendekatan ini secara signifikan mengurangi kompleksitas dalam *pipeline* data dan infrastruktur *serving*.

## Membedah Arsitektur: Pipeline End-to-End

Untuk menjalankan semua itu, x-algorithm menggunakan arsitektur *pipeline* yang terdiri dari beberapa komponen dan tahapan. Ini seperti sebuah pabrik perakitan *post*, di mana setiap *post* melewati serangkaian proses sebelum akhirnya disajikan kepada Anda. Sistem ini memanfaatkan kerangka kerja `recommendation_pipeline` yang fleksibel.

### Thunder: Penjaga Konten In-Network

Pertama, ada layanan bernama **Thunder**. Ini adalah *post store* dalam memori dengan *pipeline* *ingestion* *realtime* yang melacak *post* terbaru dari semua pengguna. Thunder melakukan beberapa tugas penting, termasuk:

*   Mengonsumsi *event* pembuatan atau penghapusan *post* dari Kafka.
*   Mempertahankan penyimpanan *post* per pengguna untuk *post* asli, balasan/repost, dan *post* video.
*   Menyajikan kandidat *post* "in-network" dari akun yang diikuti pengguna.
*   Secara otomatis memangkas *post* yang lebih tua dari periode retensi.

Thunder memungkinkan pencarian konten *in-network* dalam waktu kurang dari milidetik, tanpa perlu mengakses basis data eksternal.

### Phoenix: Penjelajah Konten Out-of-Network dan Prediktor Engagement

Komponen ML **Phoenix** memiliki dua fungsi utama:

1.  **Menemukan *Post* Out-of-Network yang Relevan:**
    *   **UserEmbedding:** Mengkodekan fitur pengguna dan riwayat keterlibatan ke dalam *embedding*.
    *   **PostEmbedding:** Mengkodekan semua *post* ke dalam *embedding*.
    *   Mengambil *post* top-K melalui kesamaan *dot product*.
2.  **Memprediksi Probabilitas Keterlibatan untuk Setiap Kandidat:**
    *   Mengambil konteks pengguna (riwayat keterlibatan) dan kandidat *post* sebagai masukan.
    *   Menggunakan *attention masking* khusus sehingga kandidat tidak dapat memperhatikan satu sama lain.
    *   Mengeluarkan probabilitas untuk setiap jenis tindakan (suka, balas, *repost*, klik).

### Home Mixer: Komposer Feed Anda

**Home mixer** adalah lapisan orkestrasi yang merakit feed "For You". Ia memanfaatkan kerangka kerja `recommendation_pipeline` dengan serangkaian tahapan yang terdefinisi dengan baik. Server mengekspos *endpoint* gRPC (`/x/v1/feed`) yang mengembalikan *post* yang telah diranking untuk pengguna tertentu.

## Tahapan Pipeline "For You" yang Lebih Dalam

Kerangka kerja `recommendation_pipeline` ini mendefinisikan *trait* untuk Source, Hydrator, Filter, dan Scorer. Kerangka kerja ini menjalankan *source* dan *hydrator* secara paralel bila memungkinkan, dengan penanganan kesalahan dan pencatatan yang dapat dikonfigurasi. Berikut adalah tahapan-tahapan yang dilalui sebuah *post*:

*   **Context Fetchers:** Mengambil riwayat keterlibatan pengguna dan metadata (misalnya daftar *following*).
*   **Candidate Sources:** Mengambil kandidat dari **Thunder** (konten *in-network*) dan **Phoenix** (konten *out-of-network*).
*   **Hydrators:** Memperkaya kandidat dengan data *post* inti (teks, media), informasi penulis, dan durasi video (untuk *post* video).
*   **Filters:** Menghapus *post* yang tidak diinginkan, seperti dari diri sendiri, dari akun yang diblokir/dibisukan, yang mengandung kata kunci dibisukan, yang sudah pernah dilihat, atau konten langganan yang tidak memenuhi syarat.
*   **Scorers:** Menerapkan beberapa *scorer* secara berurutan:
    *   **PhoenixScorer:** Mendapatkan prediksi ML dari model transformer Phoenix.
    *   **EngagementScorer:** Menggabungkan prediksi menjadi skor relevansi akhir.
    *   **DiversityScorer:** Mengurangi skor penulis yang berulang untuk keberagaman.
    *   **OonRelevanceScorer:** Menyesuaikan skor untuk konten *out-of-network*.
*   **Ranker:** Menyortir berdasarkan skor dan memilih kandidat top K.
*   **Validator:** Validasi akhir kandidat *post* yang akan disajikan.

## Bagaimana Konten Diberi Skor: Multi-Aksi dan Bobot

Model transformer **Phoenix** tidak hanya memprediksi satu skor "relevansi", tetapi probabilitas untuk berbagai jenis keterlibatan: suka, *repost*, bagikan, balas, klik, blokir, bisukan, dan laporkan.

`EngagementScorer` menggabungkan probabilitas ini menjadi skor akhir dengan rumus:
`score = w_like * p_like + w_repost * p_repost + ...`

Di sini, `w` adalah bobot dan `p` adalah probabilitas. Tindakan positif (suka, *repost*, bagikan) memiliki bobot positif. Tindakan negatif (blokir, bisukan, laporkan) memiliki bobot negatif, mendorong turun konten yang kemungkinan tidak disukai pengguna.

## Prinsip Desain Utama yang Perlu Kamu Tahu

Ada lima prinsip desain penting yang menonjol dalam **x-algorithm by xAI**:

1.  **Tidak Ada Fitur Rekayasa Manual:** Sistem sepenuhnya bergantung pada transformer Grok-based untuk mempelajari relevansi dari urutan keterlibatan pengguna. Tidak ada rekayasa fitur manual untuk relevansi konten, yang mengurangi kompleksitas *pipeline* data dan infrastruktur *serving*.
2.  **Isolasi Kandidat dalam Ranking:** Selama inferensi transformer, kandidat tidak dapat memperhatikan satu sama lain, hanya konteks pengguna. Ini memastikan skor untuk sebuah *post* tidak bergantung pada *post* lain dalam *batch*, membuat skor konsisten dan dapat di-*cache*.
3.  **Embeddings Berbasis Hash:** Baik *retrieval* maupun *ranking* menggunakan beberapa fungsi *hash* untuk pencarian *embedding*.
4.  **Prediksi Multi-Aksi:** Model memprediksi probabilitas untuk banyak tindakan, bukan hanya satu skor "relevansi".
5.  **Arsitektur Pipeline yang Dapat Dikomposisikan:** *Crate* `recommendation_pipeline` menyediakan kerangka kerja fleksibel untuk membangun *pipeline* rekomendasi dengan pemisahan eksekusi *pipeline* dan pemantauan dari logika bisnis, eksekusi paralel tahapan independen, penanganan kesalahan yang anggun, serta penambahan *source*, *hydration*, *filter*, dan *scorer* yang mudah.

## Update Terkini (Mei 2026): Apa Saja yang Baru?

Pada tanggal 15 Mei 2026, **x-algorithm by xAI** menerima pembaruan signifikan yang memperkuat kemampuannya. Berikut adalah beberapa komponen dan fitur baru yang diperkenalkan:

| Komponen/Fitur Baru | Deskripsi Detail |
| :------------------ | :--------------- |
| **Kode Algoritma Diperbarui** | Termasuk *pipeline* inferensi *end-to-end* yang dapat dijalankan. |
| **`run_full_pipeline.py`** | Menggantikan skrip `retrieval.py` dan `ranking.py` terpisah dengan satu titik masuk. |
| **Model Mini Phoenix (Pre-trained)** | Model mini Phoenix yang telah dilatih (embedding 256-dim, 4 *attention heads*, 2 lapisan transformer) berukuran sekitar 3 GB. Didistribusikan melalui Git LFS, memungkinkan inferensi *out-of-the-box*. |
| **`content_understanding_service`** | Menyediakan *classifier*, *embedder*, dan *task-execution engine* untuk beban kerja pemahaman konten seperti deteksi spam, klasifikasi kategori *post*, dan penegakan kebijakan PTOS. |
| **`ads_module`** | Modul untuk injeksi dan penempatan iklan di dalam *feed*, termasuk pelacakan keamanan merek yang menghormati batasan konten sensitif. |
| **Hidrator Home Mixer** | Kini menghidrasi konteks pengguna termasuk topik yang diikuti, *starter packs*, *impression bloom filters*, IP, grafik *mutual follow*, dan riwayat yang disajikan. |
| **Hidrator Tambahan** | Untuk jumlah *engagement*, sinyal keamanan merek, kode bahasa, deteksi media, ekspansi *quote post*, skor *mutual follow*, dan banyak lagi. |
| **Sumber Konten Baru** | Menambah sumber untuk iklan, siapa yang harus diikuti, Phoenix MoE, topik Phoenix, *prompt*. Juga memperbarui sumber Thunder/Phoenix. |

**x-algorithm by xAI** yang menggerakkan feed "For You" di X adalah contoh nyata dari bagaimana teknologi pembelajaran mesin mutakhir dapat menciptakan pengalaman pengguna yang sangat dipersonalisasi. Dengan arsitektur yang canggih, model transformer Grok-based, dan *pipeline* yang dapat dikomposisikan, X terus berinovasi untuk menyajikan konten yang relevan dan menarik bagi penggunanya.

## Referensi
https://github.com/xai-org/x-algorithm

Pelajari bagaimana x-algorithm by xAI menggerakkan feed For You di X, menggabungkan konten dari akun yang Anda ikuti dan penemuan ML dengan model transformer Grok-nya.

Mengintip Otak di Balik Feed 'For You' X: x-algorithm by xAI

Reggi

Solusi praktis integrasi webmail custom ke dalam dashboard Gmail. Kelola, baca, dan kirim email domain pribadi langsung dari satu tempat tanpa ribet gonta-ganti tab.

Mengapa Kamu Masih Buka Dua Tab Terpisah? Panduan Setup Custom Webmail Langsung di Dashboard Gmail

Pelajari efisiensi merakit mesin tetas telur listrik AC otomatis dengan modal murah untuk mendongkrak hasil ternak unggas tanpa repot bolak-balik telur manual.

Otomasi Ternak Unggas: Kenapa Rakit Sendiri Mesin Penetas Telur AC Jauh Lebih Worth It Dibanding Cara Konvensional?

Pelajari bagaimana mesin tetas telur berbasis arus listrik DC bekerja menjaga suhu dan kelembapan ideal untuk mendongkrak keberhasilan penetasan telur unggas.

Mesin Tetas Telur Arus DC: Solusi Hardware Murah Buat Tingkatin Angka Penetasan Unggas

Kupas tuntas seluk-beluk mobil aki anak dengan kontrol ganda dan fitur multimedia. Pahami batas spesifikasi hardware sebelum eksekusi build sendiri.

EV Versi Mini: Membedah Mobil Listrik Aki Lengkap dengan Remote Control dan Fitur Multimedia

Pelajari cara merakit smart power strip berbasis NodeMCU dan Blynk untuk kontrol daya nirkabel serta integrasi IoT yang aman dan efisien.

Mengapa Beli Mahal Kalau Bisa Bikin Sendiri? Rancang Smart Power Strip Berbasis NodeMCU dan Blynk

Solusi tuntas mengatasi bug sistem dan software bermasalah di MacBook dengan panduan install ulang macOS lewat Internet Recovery secara aman.

#rekomendasi

Getting Lastest Post..

Populer Bulan Ini