Meta оценивает более миллиарда реклам в секунду на новом LLM-движке

С новым товаром модель «понимает, что он похож на тип товаров, которые этот человек покупает», объяснил Стайнер. Задача — смягчить так называемую проблему холодного старта: у новой рекламы нет истории взаимодействий, и системе приходится тестировать её на живой аудитории. Семантические токены дают фору за счёт знаний о похожих объявлениях. Проблему это не устраняет — «всё равно придётся учиться», признал Стайнер, но сокращает период обучения до выхода объявления на стабильную эффективность.

Апгрейд отбора и Andromeda

GenRecs также питает новую генеративную модель отбора. Традиционный отбор фильтрует все объявления, таргетированные на человека. Новая модель работает иначе: по словам Стайнера, это «маленькая LLM» для рекламного отбора, которая смотрит на контент, с которым человек взаимодействует (рекламу и обычные посты), и предсказывает релевантные объявления. Они добавляются к результатам исходной модели, работающей параллельно, — это даёт этапу ранжирования «новый источник качественных рекомендаций».

Отдельно Andromeda получила аппаратно-программную модернизацию в рамках партнёрства Meta с Nvidia. Отбор работает на GPU — чипах для тяжёлых вычислений. Раньше данные о каждом объявлении хранились отдельно, и доставка на GPU занимала время, оставляя вычислительную мощность «фактически простаивающей», отметил Стайнер. Теперь больше рекламных данных хранится прямо на GPU, а каждое объявление маршрутизируется к специализированным «экспертным» моделям, что делает отбор умнее.

Что нового в GEM

На этапе ранжирования GEM — базовая модель (foundation model), на которой Meta обучает остальные ранжирующие модели. Она работает в масштабе LLM, но сама рекламу не выбирает: на неё опираются более мелкие модели, ранжирующие объявления на каждой площадке — от Facebook до Instagram Reels и конверсий вне экосистемы Meta. Новая версия больше по размеру и читает вдвое более длинную историю каждого пользователя, что улучшает предсказания. По данным Meta, этот подход дал примерно 19% прироста конверсий с прошлого года.

Конец таргетинга?

Рекламодателям не нужно менять настройки, чтобы получить выгоду от обновлений, сказал Стайнер. Но сама способность находить людей без опоры на их прошлые клики — сигнал того, что таргетинг перестаёт быть главным рычагом эффективности. Ранжирующие модели Meta теперь автоматически делают то, что раньше делали медиабаеры: делят аудиторию на сегменты и ищут лучшие. «Это всё можно делать программно, с крайне высокой точностью, машинным обучением — и гораздо быстрее, чем человек с таблицей», — заявил Стайнер. «Значимость таргетинга со временем снижается, поскольку модели ранжирования всё лучше выбирают, кому реклама будет релевантна».

Отсюда вопрос к агентствам: если модели отбирают аудитории, что остаётся людям? Стратегию, отвечает Стайнер. «Чем охотнее рекламодатели используют рычаги автоматизации, тем быстрее увидят рост эффективности. Им не нужно тратить время, пытаясь обыграть машину в дёргании механических рычагов».

Суть перемены проста: Meta переносит работу по подбору аудитории с рекламодателя на свои модели, оставляя людям только стратегические решения.