Cómo Meta usa la IA para decidir dónde va cada bit de potencia de cálculo para mejorar los anuncios

Cómo funciona

Un sistema de IA dentro del motor de anuncios de Meta que desvía más potencia informática a las solicitudes de publicidad que más la necesitan.

1. 🔍Primero, un modelo grande de IA se fija en cada solicitud de anuncio.
2. 📊Modelos más pequeños calculan los resultados, la velocidad de respuesta y cuánta potencia se necesita.
3. ⚡La potencia extra se destina a las solicitudes de publicidad que más la necesitan.
4. 🔄Las herramientas del agente siguen mejorando sobre la marcha.

Qué podrías hacer con ello

• Meta podría implementar su sistema Intelligent Delivery para asignar automáticamente potencia de cálculo adicional a las solicitudes de anuncios que más se beneficien de ella ¹.
• Un anunciante que use las plataformas de Meta podría recibir anuncios mejores y más relevantes sin que Meta necesite gastar más en servidores ¹.

Palabras que conviene saber

Cálculo: La potencia de procesamiento que utiliza un ordenador para ejecutar cálculos y programas · Utilidad marginal: Cuánto beneficio adicional obtienes por una unidad extra de algo

Así es como se ve el problema

Los modelos de clasificación de anuncios —los sistemas que eligen qué anuncios mostrarte cuando abres una aplicación— están creciendo y haciéndose más potentes más rápido de lo que los chips que los ejecutan pueden seguirles el ritmo ¹. Cuando Meta añade más capacidad de cálculo a su motor de anuncios, esa potencia extra no beneficia por igual a todas las solicitudes de anuncios . Algunas solicitudes, algunos tipos de anuncios y algunos equipos de hardware sacan mucho más partido que otros .

La pregunta es: ¿cómo decides dónde debe ir cada unidad de cálculo para que todo el sistema funcione tan bien como sea posible ¹?

Meta respondió con un sistema llamado Intelligent Delivery ¹. Desde 2017 ha añadido aproximadamente un 10 por ciento al rendimiento de clasificación de anuncios, más allá de lo que habrían producido las mejoras en modelos y hardware por sí solas . Eso significa mejores anuncios para las personas que usan las aplicaciones y servicios de Meta .

Por qué es difícil

Hay tres razones por las que esto es complicado ¹. Primero, el mismo fragmento adicional de potencia de cálculo puede valer cantidades muy distintas dependiendo de lo que esté pasando en ese momento: en qué producto estás, en qué pareces interesado, qué anuncios se están considerando . Segundo, el sistema de anuncios de Meta se extiende a través de muchas etapas, cientos de modelos diferentes, varias generaciones de chips y centros de datos en todo el mundo; mover recursos entre todas esas partes no es sencillo . Tercero, la mejor respuesta sigue cambiando a medida que llegan nuevos modelos, se reemplaza el hardware y cambia el comportamiento de los usuarios .

Cómo funciona el sistema

En lugar de tener ingenieros escribiendo reglas para dividir las solicitudes de anuncios en grupos y tratar a cada grupo de la misma manera, Meta reformuló el problema como dos preguntas de aprendizaje automático ¹: qué solicitudes tienen más probabilidad de beneficiarse de cálculo adicional y cómo cambiarán los distintos ajustes de recursos sus resultados y velocidad .

Para responder a la primera pregunta construyeron el Resource Core Model, un modelo de aprendizaje profundo con 6 billones de parámetros dispersos y 20 millones de parámetros densos que se ejecuta una vez antes de que el sistema empiece siquiera a revisar los anuncios candidatos ¹. Aprendió patrones que las categorías creadas por humanos no podían capturar .

Luego ajustaron finamente ese modelo central en versiones especializadas más pequeñas que predicen el resultado, el uso de cálculo y la demora para cada solicitud ¹. Juntas, estas forman una capa de inteligencia compartida que entiende cada solicitud de anuncio y su contexto .

En pruebas fuera de línea, este enfoque mejoró la capacidad de detectar las solicitudes de anuncios de mayor impacto en aproximadamente un 20 por ciento en comparación con el modelo de producción anterior ¹.

El sistema también utiliza cada vez más herramientas de IA similares a agentes que observan continuamente los cambios en el comportamiento del sistema y ajustan la asignación de recursos sin intervención humana ¹.

Qué tal funciona

Según Meta, el Resource Core Model mejoró la capacidad de detectar las solicitudes de anuncios de mayor impacto en aproximadamente un 20% en pruebas fuera de línea, en comparación con su modelo de producción anterior ¹. Desde 2017, Intelligent Delivery ha contribuido con aproximadamente un 10% adicional de mejora en el rendimiento de clasificación de anuncios, sobre lo que produjeron por sí solos los avances de modelos y hardware .

Correcciones y actualizaciones

• Corregido el 12 de noviembre de 2026. Una versión anterior mencionaba aplicaciones específicas (Instagram, Facebook) y afirmaba que no había necesidad de comprar más servidores; la fuente no menciona esas aplicaciones por su nombre ni establece que no se necesiten servidores. Solo señala mejores anuncios para las personas que usan sus aplicaciones y servicios. Una versión anterior afirmaba que un ingeniero de aprendizaje automático podría estudiar y adaptar el enfoque para otros sistemas, pero la fuente no analiza la generalización del método más allá de la infraestructura propia de Meta ni recomienda su adaptación por terceros. La eliminación de esta especulación infundada corresponde.

Los datos clave

• Intelligent Delivery ha añadido ~10% de mejora incremental en clasificación desde 2017 en Meta
• El Resource Core Model tiene 6B de parámetros dispersos y 20M de parámetros densos
• Mejora de ~20% en la identificación de solicitudes de anuncios de mayor impacto vs. modelo anterior
• El sistema utiliza ML e inteligencia artificial cada vez más agente para asignar cálculo dinámicamente
• La optimización abarca clasificación multietapa, cientos de modelos, múltiples generaciones de chips

Fuentes

1. Intelligent Delivery: Making Every Unit of Compute Serve Better Ads — engineering.fb.com