A Meta egységes, nagyobb GEM modellel fejleszti a hirdetéseket

Egy modell több hirdetési felülethez

A Meta Engineering október 13-i bejelentése szerint a GEM, vagyis a Generative Ads Model, a vállalat hirdetési ajánlórendszereinek alapmodellje. A 2026-os változat a korábbi, területenként elkülönített megközelítésről egyetlen központi alapmodellre vált. A rendszer a Meta hirdetési platformjainak adataiból és jeleiből tanul, köztük a Facebook és az Instagram felületeiről, valamint a Reelsből és a Storiesból.

A cél a teljes hirdetési tölcsér egységesebb optimalizálása, a figyelem felkeltésétől és a megfontolási szakasztól egészen a konverzióig. A modell közösen jelez előre kattintásokat és konverziókat, továbbá több hirdetői célt is kezel, például a külső oldalon történő konverziókat és a mobilalkalmazás-telepítéseket.

Jelentős javulást mért a Meta

A Meta közlése alapján a GEM az elmúlt évben 18,9 százalékos konverziójavulást és 12 százalékos átkattintási arány javulást hozott a vállalat hirdetési felületein és céljain. A célzott felhasználók esetében további, 5,8 százalékos konverziónövekedést mértek a Facebookon, 4,1 százalékosat az Instagramon, valamint 1,6 százalékosat a külső oldalon végzett konverzióknál.

A vállalat szerint ezek az eredmények a felsőbb tölcsérszakaszokat és a mélyebb, konverzióközpontú célokat is érintik. A központi modell adatban gazdag kattintási feladatokon tanult általánosítható reprezentációkat ad át az adatszegényebb konverziós feladatoknak. A Meta új tanítási receptet és domain szakértői keretrendszert is használ annak érdekében, hogy a különböző felületekről és célokról származó adatok közös feldolgozása kezelhetőbb és kiszámíthatóbb legyen.

Kunlun és LoopFM a nagyobb modell mögött

A GEM új, Kunlun nevű architektúrája a Meta szerint az ajánlórendszerek skálázásának korlátait célozza. A vállalat 2,5-szeres modellkomplexitás-növekedést figyelt meg a GEM korábbi változataihoz képest, a Kunlun pedig azonos számítási skálázás mellett kétszeres teljesítményjavulást ért el az Interformerhez képest. Az architektúra hosszabb felhasználói előzmények feldolgozását és a felhasználói, illetve hirdetési jellemzők összetettebb összekapcsolását támogatja.

A GEM belső reprezentációit és a felhasználói előzményekből származó memóriát a LoopFM nevű utófeldolgozási technika továbbítja a felhasználói felületeken futó modelleknek. A Meta szerint ez a tudásátadás kétszeresére növelhető a korábbi tudásdesztillációhoz képest, további számítási költség vagy késleltetés nélkül. A vállalat Solaris néven rugalmas előszámítást is bevezetett.

Négyszeres számítási kapacitás, kétszeres hatékonyság

A Meta közlése szerint a GEM teljes tanítási számítási műveleteinek száma négyszeresére nőtt, miközben a végponttól végpontig mért tanítási hatékonyság megduplázódott. A rendszer 20 és 25 százalék közötti modell FLOPS kihasználást ér el több ezer GPU használatával.

A fejlesztéshez alacsony pontosságú egyedi kernelt és új, ötdimenziós párhuzamosítási stratégiákat alkalmaztak. A Meta ezeket a modellarchitektúrával, a legújabb GPU-hardverrel és a vállalat tanítási fürtjével együtt tervezte meg. A felhasználók és a hirdetők számára a bejelentés közvetlen jelentősége az, hogy a Meta egyetlen központi rendszerben kíván jobb egyezést kialakítani a hirdetések és az emberek érdeklődése között, miközben a modell valós idejű futtatási költségét korlátozza.