AIGenerato
EN · IT · ES

Come Meta triplica la produttività ingegneristica grazie agli agenti per distribuire le tecniche dei modelli di annunci

Il nuovo sistema di agenti AI di Meta adatta automaticamente piccoli miglioramenti attraverso migliaia di modelli pubblicitari, risparmiando milioni nei costi di calcolo.

Rack of computers in a datacenter. Wil Weterings.
Foto di archivio · Foto: No machine-readable author provided. Wilweterings assumed (b, Public domain, via Wikimedia Commons
Come funziona

Un sistema di agenti AI che adatta automaticamente i piccoli miglioramenti del machine learning in migliaia di modelli che classificano gli annunci online.

Cosa puoi farci

  • Un ingegnere di Meta potrebbe propagare un miglioramento della classificazione degli annunci già collaudato su decine di modelli diversi in automatico, risparmiando settimane di lavoro manuale di adattamento 1.
  • Un ricercatore di Meta potrebbe vedere quali delle sue nuove tecniche si applicano meglio a ciascun modello della flotta e ricevere una lista ordinata per priorità entro ore invece che giorni 1.
  • Un team ML di Meta potrebbe lanciare, monitorare e diagnosticare esperimenti di addestramento di diversi giorni per centinaia di combinazioni tecnica-modello simultaneamente senza intasarsi la banda umana 1.

Parole da conoscere

Tecnica: un miglioramento specifico che i ricercatori applicano a un modello di apprendimento automatico, come modificare il modo in cui elabora i dati o fa previsioni

Calcolo: la potenza di elaborazione necessaria per addestrare i modelli di AI — misurata in ore di lavoro GPU

Ciò che è iniziato come una maratona manuale

Ogni giorno, i ricercatori di Meta inventano nuovi modi per rendere i modelli di classificazione degli annunci più intelligenti. Una "tecnica" può essere qualsiasi cosa: un nuovo modo per strutturare il modello, una modifica al modo in cui apprende dai dati o un'accelerazione durante l'addestramento 1.

Ma ecco il problema: Meta non esegue un solo modello pubblicitario. Esegue un'enorme flotta di modelli diversi, ciascuno ottimizzato per prodotti e obiettivi diversi degli inserzionisti 1. Ogni modello ha la propria architettura, i propri dati di addestramento e i propri limiti. Una tecnica che funziona perfettamente su un modello raramente si copia direttamente su un altro 1.

Quindi gli ingegneri trascorrevano settimane ad adattare manualmente ogni innovazione. Questo produceva i risultati migliori per i modelli più redditizi di Meta, ma semplicemente non c'erano abbastanza mani a disposizione 1. Nel frattempo, le tecniche ML hanno una durata limitata: un miglioramento oggi potrebbe essere superato tra qualche mese quando arriva qualcosa di migliore 1. La velocità era fondamentale.

Dai template agli agenti

Per due anni, Meta ha standardizzato i progetti dei suoi modelli usando template condivisi — blocchi riutilizzabili in modo che una tecnica validata una volta funzioni ovunque sia applicabile 1. Questo da solo ha consentito loro di distribuire oltre 5.000 combinazioni tecnica-modello e di ridurre del 92% il tempo ingegneristico per modello 1.

Ma anche i template standardizzati non potevano gestire giudizi di valore: quale tecnica provare per prima, perché un modello non migliora, o come risolvere un esperimento fallito 1.

Ed è qui che sono entrati gli agenti AI.

L'intero flusso di distribuzione ora passa attraverso tre fasi gestite da agenti: scoperta (classifica quali tecniche collaudate vale la pena provare su quali modelli), generalizzazione (adatta una tecnica oltre la copertura del template) e adozione (lancia esperimenti, monitora esecuzioni di addestramento di diversi giorni, diagnostica i guasti e assembla proposte di distribuzione) 1.

Numeri reali dalle prime linee

Da quando gli agenti guidano l'esecuzione nel marzo 2026, ora gestiscono oltre il 60% di tutto il lavoro di propagazione delle tecniche 1. I primi confronti rispetto alle stesse attività svolte prima degli agenti mostrano una produttività ingegneristica tre volte maggiore, una riduzione mediana quadrupla del calcolo di addestramento per alcune combinazioni tecnica-modello e risparmi stimati superiori a 45 milioni di dollari nei costi di calcolo entro la fine dell'anno 1.

Quanto è bravo

Da quando gli agenti guidano l'esecuzione nel marzo 2026, ora gestiscono oltre il 60% di tutto il lavoro di propagazione delle tecniche, secondo Meta 1. Misurato rispetto allo stesso lavoro svolto manualmente prima degli agenti, i risultati mostrano una produttività ingegneristica tre volte maggiore e una riduzione mediana quadrupla del calcolo di addestramento per alcune combinazioni tecnica-modello . Meta stima che i risparmi supereranno i 45 milioni di dollari nei costi di calcolo entro la fine dell'anno .

I fatti principali

  • Gli agenti AI ora gestiscono oltre il 60% della propagazione delle tecniche di Meta dal marzo 2026
  • Produttività ingegneristica triplice rispetto allo stesso lavoro svolto prima degli agenti
  • Riduzione mediana di 4 volte nel calcolo di addestramento per alcune combinazioni tecnica-modello selezionate
  • Risparmio stimato superiore a 45 milioni di dollari proiettato entro la fine del 2026
  • Oltre 5.000 combinazioni tecnica-modello distribuite in due anni grazie alla standardizzazione dei template

Fonti

  1. How Meta Uses AI Agents to Scale ML Innovations Across Ads Ranking Models — engineering.fb.com

Se questa notizia riguarda te o la tua azienda, o usa qualcosa che ti appartiene, chiedi una correzione o la rimozione. Come funzionano le richieste

Continua a leggere