Vai al contenuto
AI.info

The Pulse

Meta afferma che gli agenti di IA gestiscono la maggior parte dei trasferimenti di tecniche tra modelli di ranking degli annunci

Meta stima che gli agenti di IA gestiscano ormai oltre il 60% del lavoro necessario ad adattare tecniche comprovate ai suoi modelli di ranking degli annunci. L’azienda afferma che i primi risultati includono una riduzione delle risorse di calcolo per l’addestramento in alcune combinazioni selezionate e prevede risparmi di oltre 45 milioni di dollari in risorse di calcolo entro la fine dell’anno.

Meta afferma che gli agenti di IA gestiscono la maggior parte dei trasferimenti di tecniche tra modelli di ranking degli annunci

Meta stima che gli agenti di IA gestiscano ormai oltre il 60% del lavoro necessario ad adattare miglioramenti comprovati ai suoi modelli di ranking degli annunci. Secondo un post tecnico pubblicato il 18 novembre, gli agenti hanno iniziato a guidare questo lavoro nel marzo 2026.

Fonte engineering.fb.com

L’azienda stima risparmi di oltre 45 milioni di dollari in risorse di calcolo entro la fine dell’anno. Rispetto allo stesso lavoro svolto prima dell’impiego degli agenti, Meta riferisce che i primi risultati mostrano una produttività ingegneristica tre volte maggiore e una riduzione mediana di quattro volte delle risorse di calcolo per l’addestramento in alcune combinazioni selezionate di tecniche e modelli.

Trasferire i miglioramenti tra modelli

Il sistema di raccomandazione degli annunci di Meta utilizza modelli di ranking distinti per diverse superfici di prodotto e diversi obiettivi degli inserzionisti. Le architetture, i dati di addestramento e i vincoli di serving differiscono; perciò, in genere, un miglioramento comprovato su un modello deve essere adattato prima di poter essere utilizzato su un altro.

Questi miglioramenti, che Meta chiama tecniche, comprendono modifiche all’architettura del modello, alle rappresentazioni dei dati, all’addestramento e all’efficienza dell’inferenza. In passato gli ingegneri studiavano come una tecnica interagisse con ciascun modello bersaglio, per poi adattarla e ottimizzarla per quel modello.

L’azienda ha inoltre standardizzato la progettazione dei modelli attorno a template riutilizzabili. Negli ultimi due anni, secondo Meta, questo approccio e l’automazione hanno permesso di distribuire oltre 5.000 combinazioni di tecniche e modelli nel suo parco modelli. L’azienda afferma di aver ridotto del 92% il tempo di ingegneria per modello nello stesso periodo.

Il sistema più recente utilizza agenti per le decisioni che restano da prendere una volta automatizzati i passaggi deterministici. Tra queste rientrano la scelta delle tecniche da provare, la diagnosi dei problemi e la decisione su quanto estendere la ricerca delle possibili impostazioni.

Dalla scoperta all’adozione

Nella fase di scoperta, gli agenti attingono a una base di conoscenze condivisa, che raccoglie precedenti esecuzioni di addestramento, architetture dei modelli e risultati delle tecniche. Individuano le tecniche comprovate, stimano quanto ciascuna possa essere trasferita e classificano le candidate in base all’impatto previsto; gli ingegneri esaminano le valutazioni e decidono su cosa procedere.

La generalizzazione consiste nell’adattare una tecnica a modelli diversi da quello per cui è stata sviluppata. Per i modelli costruiti a partire da template condivisi, gli agenti propongono ipotesi di ottimizzazione, conducono esperimenti su modelli rappresentativi, valutano i risultati e diagnosticano i problemi. Una tecnica convalidata a livello di template può quindi essere applicata ai modelli costruiti a partire da quel template.

Per i modelli che generano i ricavi più elevati, Meta continua ad adattare le tecniche a ciascun modello. Durante gli adattamenti iniziali, gli agenti apprendono insieme agli ingegneri, registrando le modifiche alla configurazione e i risultati; poi propongono e testano adattamenti per i modelli restanti, che gli ingegneri esaminano e orientano.

Gli agenti attingono inoltre a milioni di precedenti esecuzioni di addestramento per scegliere le configurazioni iniziali, restringere la ricerca delle impostazioni dei modelli dopo ogni ciclo e decidere quali esperimenti proseguire o interrompere in anticipo. La riduzione mediana dichiarata delle risorse di calcolo per l’addestramento riguarda alcune combinazioni selezionate di tecniche e modelli, non l’intero parco modelli.

Condurre gli esperimenti

Nella fase di adozione, gli agenti avviano esperimenti, gestiscono esecuzioni di addestramento che durano più giorni, monitorano la convergenza e raccolgono proposte convalidate. Diagnosticano inoltre i problemi relativi all’infrastruttura, all’addestramento e alle pipeline di dati, e applicano correzioni o riprovano i job.

Quando sono in esecuzione molti flussi di lavoro contemporaneamente, gli agenti classificano i job tenendo conto di fattori quali l’importanza in termini di ricavi, il potenziale della tecnica e la vicinanza della scadenza. Secondo l’azienda, possono recuperare capacità di calcolo da esecuzioni bloccate o di scarso valore.

Questo lavoro prosegue il precedente sviluppo da parte di Meta del Ranking Engineer Agent, o REA, che genera ipotesi e conduce esperimenti sui modelli di ranking degli annunci. Il processo di formulazione delle ipotesi attinge a un database di esperimenti passati e a una componente di ricerca che esamina le configurazioni dei modelli e propone strategie di ottimizzazione.

Prima di avviare un piano, REA ne stima il costo in risorse di calcolo e ne conferma l’approccio con un ingegnere. Può attendere mentre un job di addestramento è in esecuzione e riprendere quando il job termina, mentre gli ingegneri mantengono la supervisione nei momenti decisionali strategici.

Fonti

  1. Engineering at Meta
  2. Engineering at Meta

Aziende in questa notizia

Notizie correlate

Esplora

Altri articoli