Come Meta usa l'AI per decidere dove destinare ogni singola unità di calcolo per annunci migliori

Cosa potresti farci con questo

• Meta potrebbe implementare il suo sistema Intelligent Delivery per allocare automaticamente potenza di calcolo aggiuntiva alle richieste di annuncio che ne trarranno maggior vantaggio ¹.
• Un inserzionista che usa le piattaforme di Meta potrebbe ricevere annunci migliori e più pertinenti mostrati senza che Meta debba spendere di più per i server ¹.

Parole da sapere

Calcolo (compute): La potenza di elaborazione che un computer usa per eseguire calcoli e programmi · Utilità marginale: Quanto vantaggio aggiuntivo ottieni da un'unità in più di qualcosa

Come si presenta il problema

I modelli di ranking degli annunci — i sistemi che scelgono quali annunci mostrarti quando apri un'app — stanno diventando più grandi e potenti più velocemente di quanto i chip che li eseguono riescano a tenere il passo ¹. Quando Meta aggiunge più capacità di calcolo al suo motore pubblicitario, quella potenza in più non aiuta ogni richiesta di annuncio allo stesso modo . Alcune richieste, alcuni tipi di annunci e alcuni pezzi di hardware ne traggono molto di più rispetto ad altri .

La domanda è: come si decide dove dovrebbe andare ogni unità di calcolo affinché l'intero sistema funzioni nel modo migliore possibile ¹?

Meta ha risposto con un sistema chiamato Intelligent Delivery ¹. Dal 2017 ha aggiunto circa il 10% alle prestazioni di ranking degli annunci oltre a ciò che i miglioramenti nei modelli e nell'hardware da soli avrebbero prodotto . Questo significa annunci migliori per le persone che usano le app e i servizi di Meta .

Perché è difficile

Ci sono tre motivi per cui è complicato ¹. In primo luogo, lo stesso pezzo aggiuntivo di potenza di calcolo può valere quantità molto diverse a seconda di cosa sta accadendo in quel momento — quale prodotto stai usando, di cosa sembri interessato, quali annunci stanno venendo presi in considerazione . In secondo luogo, il sistema pubblicitario di Meta si estende attraverso molte fasi, centinaia di modelli diversi, diverse generazioni di chip e data center in tutto il mondo; spostare risorse tra tutte quelle parti non è semplice . In terzo luogo, la risposta migliore continua a cambiare man mano che arrivano nuovi modelli, l'hardware viene sostituito e il comportamento degli utenti si evolve .

Come funziona il sistema

Invece di chiedere agli ingegneri di scrivere regole per dividere le richieste di annuncio in categorie e trattare ciascuna categoria allo stesso modo, Meta ha riformulato il problema come due domande di apprendimento automatico ¹: quali richieste hanno più probabilità di beneficiare del calcolo aggiuntivo, e come cambieranno i loro risultati e la velocità con impostazioni diverse delle risorse ?

Per rispondere alla prima domanda hanno costruito il Resource Core Model, un modello di deep learning con 6 miliardi di parametri sparsi e 20 milioni di parametri densi che gira una volta prima che il sistema inizi anche solo a guardare gli annunci candidati ¹. Ha imparato schemi che le categorie create dagli esseri umani non potevano catturare .

Hanno quindi messo a punto quel modello di base in versioni specializzate più piccole che prevedono risultato, uso di calcolo e ritardo per ogni richiesta ¹. Insieme queste formano uno strato di intelligenza condiviso che capisce ogni richiesta di annuncio e il suo contesto .

Nei test offline, questo approccio ha migliorato la capacità di individuare le richieste di annuncio a maggiore impatto di circa il 20% rispetto al precedente modello in produzione ¹.

Il sistema utilizza inoltre sempre più strumenti di AI simili ad agenti che monitorano continuamente i cambiamenti nel comportamento del sistema e regolano l'allocazione delle risorse senza intervento umano ¹.

Com'è bravo

Secondo Meta, il Resource Core Model ha migliorato la capacità di individuare le richieste di annuncio a maggiore impatto di circa il 20% nei benchmark offline rispetto al precedente modello in produzione ¹. Dal 2017, Intelligent Delivery ha contribuito con circa il 10% aggiuntivo di miglioramento nelle prestazioni di ranking degli annunci sopra a ciò che i guadagni di modelli e hardware da soli avrebbero prodotto .

Correzioni e aggiornamenti

• Corretto il 12 novembre 2026. Una versione precedente specificava alcune app in particolare (Instagram, Facebook) e affermava che non serviva comprare altri server; la fonte non elenca quelle app per nome né afferma che non servono server. Afferma soltanto che ci saranno annunci migliori per le persone che usano le loro app e i loro servizi. Una versione precedente affermava che un ingegnere ML avrebbe potuto studiare e adattare l'approccio per altri sistemi, ma la fonte non discute di generalizzare il metodo oltre l'infrastruttura stessa di Meta né consiglia adattamenti da parte di terzi. Rimuovere la speculazione non supportata è appropriato.

I fatti principali

• Intelligent Delivery ha aggiunto ~10% di prestazioni di ranking incrementali dal 2017 a Meta
• Il Resource Core Model ha 6 miliardi di parametri sparsi e 20 milioni di parametri densi
• Circa il 20% di miglioramento nell'individuazione delle richieste di annuncio a maggiore impatto rispetto al modello precedente
• Il sistema usa ML e sempre più AI agenziale per allocare il calcolo in modo dinamico
• L'ottimizzazione copre ranking multiphase, centinaia di modelli, multiple generazioni di chip

Fonti

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