Meta採用少樣本學習技術，更全面地偵測社交平臺有害內容

Meta建構並且部署了一種稱為少量樣本學習（Few-Shot Learner，FSL）的人工智慧技術，將平臺對有害內容的反應時間從數月降低到數周，並且能夠不斷適應新的有害內容類型。該技術適用超過100種語言，還可以從圖像和文字等不同類型的資料中學習，同時能夠強化現有已經部署，用來偵測其他類型有害內容的人工智慧模型。

有害內容演變的速度很快，無論是由事件驅動，抑或是惡意人士刻意規避系統偵測的行為，官方提到，人工智慧系統能跟上有害內容演變速度變得很重要，但人工智慧要能偵測這些有害內容，通常需要數個月的時間收集並且標記範例，才能訓練每個單獨的人工智慧系統，發現新類型的內容。

而Meta新發展的這個人工智慧系統，使用少樣本學習技術，官方解釋，這是一種相對較新的方法，其模型能夠從對許多不同主題，擁有大量且一般性的理解，接著只要使用少量或甚至零樣本來學習新任務，就能有效地執行任務，Meta以捕魚技術來比喻人工智慧偵測技術，傳統系統類似可以捕捉特定魚種的釣魚線，而少樣本學習技術則像是額外的網子，可以捕捉其他類型的魚。

之所以Meta現在才能夠採用少樣本學習技術，研究人員解釋，這是因為最近的技術突破，像是自我監督學習技術，和超高效基礎設施，使該領域能夠開始從傳統、特製的人工智慧系統，轉向更大且更通用的系統，並且降低對標記資料的依賴。

Meta使用違反政策的內容，來訓練新的人工智慧系統，最後該模型還以解釋新政策的文字進行訓練，和過去透過比對資料模式的系統不同，FSL使用通用語言，以及違反政策的內容進行訓練，因此可以學習政策的隱藏含義。

目前Meta已經在一些較新的事件中，測試FSL的表現，像是辨識暗指疫苗會改變DNA，這類以誤導性或是危言聳聽資訊，嚇阻他人接種COVID-19疫苗的貼文，其他的任務還有改進現有分類器，該分類器能夠標記煽動暴力的內容，偵測到類似「那個人需要所有的牙齒嗎？」這種貼文，官方提到，傳統的方法可能會忽略這類型的煽動性貼文，因為使用DNA來質疑疫苗接種，和利用牙齒來暗示暴力的樣本並不多。

官方運用各種方法來衡量模型的效能，並且查看FSL在臉書和Instagram上部署後，有害內容的流行率，也就是人們看到違規內容的次數百分比之間的差異，經過實驗，Meta人工智慧少樣本學習技術，能夠正確偵測傳統系統可能遺漏的貼文，並且透過主動偵測潛在有害內容，來防止有害內容在平臺中傳播，以減少這類內容的流行。