شرکت Meta سه به روزرسانی جدید در سیستم رتبه‌بندی و توصیه‌گر تبلیغات خود معرفی کرد که شامل بهره‌گیری از مدل‌های زبانی بزرگ (LLM) و ارتقای زیرساخت‌های سخت‌افزاری و نرم‌افزاری است. به گفته این شرکت، سیستم جدید اکنون قادر است در هر ثانیه بیش از یک میلیارد تبلیغ را برای هر نمایش بررسی و امتیازدهی کند. بر اساس آمار منتشرشده از سوی Meta، بهبودهای صورت‌گرفته در سیستم رتبه‌بندی، منجر به افزایش ۸.۳ درصدی کلیک‌ها و رشد ۱۵.۷ درصدی نرخ تبدیل (Conversion) در فیس‌بوک طی سه ماهه دوم سال شده است.
مت استاینر (Matt Steiner)، معاون بخش زیرساخت تبلیغات، رتبه‌بندی و پایه‌های هوش مصنوعی در Meta، اعلام کرد که این سه نوآوری در یک فرایند سه لایه‌ای مکمل یکدیگر هستند: داده‌های پایه، سیستم بازیابی (Retrieval) که فهرست اولیه تبلیغات را انتخاب می‌کند، و در نهایت مدل رتبه‌بندی (Ranking) که تصمیم نهایی را می‌گیرد. با ورود کاربر به فیس‌بوک یا اینستاگرام، سیستم از میان ده‌ها میلیون تبلیغ موجود، باید در کسری از ثانیه گزینه نهایی را انتخاب کند.
حل چالش «شروع سرد» با نشانه‌های معنایی و مدل GenRecs
تا پیش از این، مدل‌های هوش مصنوعی Meta بر اساس شناسه کمپین‌ها، تبلیغ‌دهندگان و محصولات یاد می‌گرفتند که چه محتوایی برای چه افرادی جذاب است. اما از آنجا که کمپین‌ها و ساختار آن‌ها به طور مداوم تغییر می‌کنند، Meta معماری جدیدی به نام GenRecs را بر پایه مدل‌های زبانی بزرگ معرفی کرده است. در این الگوریتم، مدل‌های زبانی متون و تصاویر تبلیغ را پردازش کرده و ویژگی‌های کلیدی آن مانند برند، رنگ، اندازه و سبک محصول را در قالب «نشانه‌های معنایی» (Semantic Tokens) استخراج می‌کنند.
این رویکرد به حل چالش «شروع سرد» (Cold-start problem) کمک می‌کند؛ وضعیتی که در آن یک تبلیغ یا محصول جدید هیچ پیشینه تعاملی با کاربران ندارد و سیستم مجبور است آن را آزمایش کند. استاینر در این باره توضیح داد: «با استفاده از نشانه‌های معنایی، سیستم حتی پیش از دریافت داده‌های تعاملی، متوجه تشابه محصول جدید با خریدهای قبلی کاربر می‌شود. این روند فاز یادگیری را کوتاه‌تر می‌کند، اگرچه به طور کامل آن را حذف نمی‌کند.»
علاوه بر این، مدل جدیدی برای بازیابی مولد (Generative Retrieval) توسعه یافته است که مانند یک مدل زبانی کوچک عمل می‌کند. این مدل با تحلیل محتوایی که کاربر با آن درگیر شده، تبلیغات مرتبط را پیش‌بینی کرده و به فهرست پیشنهادی سیستم بازیابی اصلی اضافه می‌کند.
ارتقای زیرساخت Andromeda با همکاری Nvidia و نسخه جدید GEM
در بخش بازیابی اولیه، سیستم «آندرومدا» (Andromeda) با همکاری شرکت Nvidia دستخوش تغییرات سخت‌افزاری و نرم‌افزاری شده است. پیش از این، اطلاعات تبلیغات در محلی جدا از پردازنده‌های گرافیکی (GPU) ذخیره می‌شد که باعث معطل ماندن توان پردازشی می‌شد. در معماری جدید، بخش بیشتری از اطلاعات تبلیغات روی خود GPUها نگهداری می‌شود تا زمان انتظار داده‌ها کاهش یابد. همچنین سیستم بازیابی به‌گونه‌ای تغییر یافته که هر تبلیغ به مدل‌های تخصصی‌تر هدایت شود.
در مرحله نهایی رتبه‌بندی نیز Meta مدل پایه خود یعنی GEM را ارتقا داده است. این مدل در مقیاس مدل‌های زبانی بزرگ عمل می‌کند و به عنوان پایه‌ای برای آموزش مدل‌های کوچکتر در بخش‌های مختلف نظیر فیس‌بوک، ریلز اینستاگرام (Instagram Reels) و تبدیل‌های خارج از پلتفرم استفاده می‌شود. به گفته استاینر، نسخه جدید GEM تاریخچه تعاملی کاربران را تا دو برابر طولانی‌تر بررسی می‌کند که این امر توان پیش‌بینی سیستم را افزایش داده و از سال گذشته تاکنون بهبود ۱۹ درصدی در نرخ تبدیل ایجاد کرده است.
افول نقش هدف‌گیری دستی و تغییر نقش آژانس‌های تبلیغاتی
طبق اعلام Meta، تبلیغ‌دهندگان برای بهره‌مندی از این ارتقاهای فنی نیازی به تغییر تنظیمات حساب‌های خود ندارند. اما قدرتمندتر شدن مدل‌های هوش مصنوعی نشان‌دهنده یک تغییر الگوی بزرگ در بازاریابی دیجیتال است: هدف‌گیری دستی مخاطبان (Targeting) دیگر مانند گذشته اهرم اصلی عملکرد نیست.
به طور سنتی، خریداران رسانه با بررسی داده‌های عملکرد، مخاطبان را بخش‌بندی کرده و گروه‌های مختلف را آزمایش می‌کردند. اما الگوریتم‌های رتبه‌بندی Meta اکنون این کار را به صورت خودکار انجام می‌دهند. استاینر در این خصوص گفت: «یک مدل یادگیری ماشین می‌تواند این فرایند را با دقتی فوق‌العاده بالا و بسیار سریع‌تر از یک انسان با فایل اکسل انجام دهد. با بهبود مدل‌های رتبه‌بندی، اهمیت هدف‌گیری دستی به مرور کاهش می‌یابد.»
او در پاسخ به این پرسش که با واگذاری بخش‌بندی مخاطبان به ماشین، چه نقشی برای آژانس‌ها و بازاریابان باقی می‌ماند، تاکید کرد که مدل‌های هوش مصنوعی توانایی تعیین استراتژی را ندارند. استاینر خاطرنشان کرد: «هرچه تبلیغ‌دهندگان تمایل بیشتری به استفاده از اهرم‌های اتوماسیون داشته باشند، سریع‌تر شاهد بهبود عملکرد خواهند بود. آن‌ها نباید وقت خود را صرف رقابت با ماشین در فشردن اهرم‌های مکانیکی کنند.»