Resumo — O Facebook (agora Meta) não apenas usa um grafo; ele é um grafo. O “Social Graph” é o ativo central que mapeia todas as conexões entre pessoas, páginas, lugares e interesses. O poder do seu feed vem da combinação de duas coisas: uma infraestrutura de grafo de escala planetária (o TAO) e sinais de rede (features de grafo) que alimentam a poderosa IA de recomendação que decide o que você vê.
1. O “Social Graph” como Ativo Central
Camada 1: A Intuição
Quando você abre seu feed, a ordem das postagens não é cronológica nem aleatória. Ela é o resultado de um complexo sistema de IA que tenta prever o que é mais relevante para você. Mas como ele faz isso?
Ele começa com um mapa. A Meta não construiu apenas um site; ela construiu o mapa digital mais detalhado dos relacionamentos humanos e interesses. Esse mapa é o Social Graph.
Camada 2: O Conceito Técnico
Nesse grafo:
- Nós (Entidades): São você, seus amigos, as páginas que você curte, os grupos dos quais participa, os locais onde fez check-in, os eventos que marcou.
- Arestas (Relações): São as conexões entre eles.
Amigo de,Curtiu,Comentou,Marcou em foto,Compareceu a,Membro de.
Cada ação que você toma na plataforma é, essencialmente, a criação ou o fortalecimento de uma aresta nesse grafo. Esse grafo com trilhões de arestas não é apenas um “banco de dados”; ele é o produto.
2. O Desafio de Engenharia: Como Servir um Grafo Planetário?
Camada 1: A Intuição
Imagine o desafio de engenharia. Quando você carrega seu feed, o sistema da Meta precisa, em menos de um segundo, consultar: “Quem são os amigos de Rener? O que eles postaram? Quem curtiu esses posts? Rener é próximo de quais desses amigos?”.
Um banco de dados relacional tradicional (como SQL) falharia miseravelmente nessa tarefa em escala. A operação de “juntar tabelas” (JOINs) para cruzar amigos, com curtidas, com comentários, para 3 bilhões de usuários em tempo real, é computacionalmente proibitiva.
Camada 2: A Solução de Infraestrutura (TAO)
A Meta precisou construir sua própria solução. O resultado é o TAO (The Associations and Objects), um data store distribuído globalmente e otimizado para o grafo (Bronson et al., 2013).
O TAO não é um banco de dados de grafos para consultas analíticas complexas (como “encontre o caminho mais curto entre todos os políticos”). Em vez disso, ele é otimizado para leituras de baixa latência e alta vazão do “grafo de vizinhança”. Ele é projetado para responder perguntas como:
- “Quais são todas as arestas (ex: curtidas, comentários) de um nó específico (ex: este post)?”
- “Quais são todos os nós conectados a este nó (ex: todos os amigos desta pessoa)?”
TAO é a fundação de engenharia que permite que o Social Graph exista e seja lido em tempo real, em escala planetária.
3. A “Inteligência”: Features de Grafo que Alimentam o Ranking
Ok, o TAO nos dá acesso rápido aos dados. Mas como a IA de ranking decide que a foto do seu primo é mais importante que o post de um grupo?
Ela usa features (sinais) que são, em sua maioria, extraídos do grafo. O modelo de ranking de recomendação da Meta, publicamente conhecido como DLRM (Deep Learning Recommendation Model), é um modelo de deep learning que aprende a importância de diferentes sinais (Naumov et al., 2019). A genialidade está no fato de que os sinais mais poderosos que o DLRM utiliza são extraídos do grafo.
Camada 1: A Intuição das “Pistas”
O algoritmo de ranking funciona como um detetive, coletando “pistas” (features) para prever a probabilidade de você curtir, comentar ou compartilhar algo. Muitas das pistas mais fortes vêm do grafo:
- Proximidade na Rede: Você e o autor do post são amigos? (Distância 1 no grafo).
- Afinidade: Você interage muito com essa pessoa? (Peso da aresta entre vocês).
- Prova Social: Quantos dos seus amigos também curtiram este post? (Contagem de vizinhos em comum que tocaram no nó do post).
- Autoridade do Tópico: Este post é de uma página que é uma autoridade (alta centralidade) no tópico “Grafos”, um tópico que você segue?
Camada 2: A Engenharia de Features
O trabalho de engenharia de dados na Meta é extrair esses sinais do TAO e de outros sistemas em tempo real e alimentá-los como features no DLRM. O DLRM, então, aprende a ponderar a importância de cada uma dessas features para tomar a decisão final de ranking.
Portanto, o grafo é a fonte da inteligência.
4. Conclusão: A Lição da Meta
A Meta é o estudo de caso definitivo de uma empresa “Graph-First”. A lição que aprendemos com ela não é sobre uma arquitetura específica, mas sobre a importância fundamental de:
- Modelar o Domínio como um grafo (o Social Graph).
- Construir a Infraestrutura para suportar esse grafo em escala (TAO).
- Usar a Estrutura do Grafo para gerar os sinais (features) que alimentam os modelos de IA.
O poder da Meta não vem apenas dos seus modelos de deep learning, mas do fato de que esses modelos são alimentados pelo grafo de conexões humanas mais rico já construído.
Referências
- Bronson, N. et al. (2013). TAO: Facebook’s Distributed Data Store for the Social Graph. USENIX Annual Technical Conference (ATC).
- Naumov, M. et al. (2019). Deep Learning Recommendation Model for Personalization and Recommendation Systems (DLRM). arXiv:1906.00091.
Sobre o autor
Rener Menezes
Cofundador & CTO — FitBank
Rener Menezes é cofundador e CTO do FitBank, fintech brasileira de Banking-as-a-Service. Com mais de 25 anos de experiência projetando sistemas financeiros em larga escala, é bacharel em Sistemas de Informação e mestrando na Unifor, onde pesquisa Redes Neurais de Grafos e aprendizado por reforço para detecção de fraude. Interesses: sistemas distribuídos, infraestrutura de pagamentos e graph ML.
Links: LinkedIn · ORCID · contato@grafolab.ia.br
Deixe uma resposta