Zuletzt aktualisiert am 21. November 2025 um 16:10
Auf dem sich entwickelnden Gebiet der künstlichen Intelligenz ruft der Begriff „generative KI“ oft Bilder von Chatbots hervor, die Gedichte schreiben oder Modelle, die surrealistische Kunstwerke schaffen. Doch die vielleicht nützlichsten Anwendungen dieser Technologie finden sich nicht mehr in Chatrooms, sondern in sozialen Netzwerken.
Das Meta-GEM (Generative Advertising Model) ist das fortschrittlichste werbebasierte Modell von RecSys und der bedeutendste Sprung in der Architektur von RecSys in den letzten Jahren.
Für Datenwissenschaftler, Vermarkter und Technologiebegeisterte ist das Verständnis von GEM entscheidend. Es stellt einen Wechsel von traditionellen, dezentralen Empfehlungsalgorithmen zu einem integrierten großen „Gehirn“ dar, das die Absichten der Nutzer mit beispielloser Genauigkeit verstehen kann.
Was ist Meta GEM?
GEM steht für Generative Advertising Model und ist das Standardmodell für Empfehlungssysteme.
Im Gegensatz zu groß angelegten verallgemeinerten linguistischen Modellen (LLMs) wie Llama, die darauf abzielen, das nächste Wort in einem Satz vorherzusagen, zielen GEMs darauf ab, die Relevanz von Inhalten oder Werbung für Nutzer vorherzusagen. Sie verwenden jedoch viele von LLMs inspirierte Paradigmen.
Herkömmliche Empfehlungssysteme für Anzeigen beruhen auf großen integrierten Tabellen und separaten Modellen für verschiedene Aufgaben. GEM ändert dies durch die Verwendung einer transformatorbasierten Architektur, die multimodale Eingaben (Text, Bilder, Video, interaktiver Verlauf) gleichzeitig verarbeiten kann.
Warum sind GEMs wichtig?
1. noch nie dagewesene Regulierung
Laut der offiziellen Ankündigung von Meta Engineering ist GEM „das größte empfehlungsbasierte Modell in der Branche“. Für das Training eines solch umfangreichen Modells ist eine Infrastruktur erforderlich, die mit der eines hochrangigen LLM vergleichbar ist. Wir sprechen hier von Modellen, die auf Tausenden von Grafikprozessoren trainiert werden und hochparallele Technologie verwenden, um die von Facebook- und Instagram-Nutzern generierten Petabytes an Daten zu verarbeiten.
2. Verständnis der Multimodalität
Einer der größten Vorteile von GEM ist seine Fähigkeit, die Anzeige selbst zu „lesen“ und zu „interpretieren“. Herkömmliche Systeme stützen sich stark auf Metadaten (Tags, Kategorien). GEM verarbeitet Pixel für Pixel visuelle Daten von Bildern und semantische Daten von Texten und kombiniert sie mit dem Interaktionsverlauf des Nutzers.
Mit anderen Worten: Das Modell versteht, warum die Nutzer aufhören, sich bestimmte Filme anzusehen. Nicht einfach, weil er als „Sport“ eingestuft wird, sondern weil er bestimmte visuelle Stile oder dynamische Effekte enthält, die der Nutzer bevorzugt.
3. übergreifende Intelligenz
Das Meta-Ökosystem von Facebook Motion, Instagram Snap und Reels ist riesig. Früher wurde die Optimierung für diese verschiedenen Plattformen oft getrennt vorgenommen, aber GEM vereint diese Bemühungen, was bedeutet, dass Instagram Reels-Signale die Relevanz von Facebook Motion-Anzeigen sofort verbessern können.
4. Effizienz und Genauigkeit
Die vielleicht beeindruckendste technische Leistung ist die Effizienz von GEM. GEM ist ein hervorragendes Basismodell, aber die Ingenieure von Meta haben es so optimiert, dass es extrem effizient ist. Mit der vierfachen Effizienz des Vorgängermodells ist Meta in der Lage, intelligentere und leistungsfähigere Modelle zu erstellen, ohne dass übermäßige Kosten für Schlussfolgerungen anfallen.
Auswirkungen auf Werbetreibende
Für Digitalvermarkter ist die „Black Box“ der Algorithmen gerade noch intelligenter geworden.
- Gesteigerter ROI: Durch ein besseres Verständnis der Inhalte und eine tiefere Analyse der Anzeigen kann GEM die Kreativität besser auf bestimmte Zielgruppen abstimmen.
- Kaltstartproblem: Neue Anzeigen ohne Historie sind oft schwierig anzuzeigen, aber GEM versteht visuelle und textliche Inhalte sofort, so dass es theoretisch neue Anzeigen schneller auf die richtigen Nutzer zuschneiden kann, noch bevor sie angeklickt werden.
Schlussfolgerung
Meta GEM markiert das Ende der Ära der „einfachen“ Empfehlungsalgorithmen. Wir bewegen uns auf eine Welt zu, in der die Systeme, die entscheiden, was wir sehen, genauso komplex und leistungsfähig sind wie diejenigen, die Code schreiben oder Bilder erstellen.
Werbeprognosen sind nicht mehr nur eine Frage der Mathematik, sondern auch der Sprache und des visuellen Verständnisses.
Haben Sie in letzter Zeit bemerkt, dass in Ihrem Stream mehr relevante Anzeigen erscheinen? Vielleicht liegt es an GEM, vielleicht an GEM, aber teilen Sie uns Ihre Gedanken zur Konvergenz von LLM und Empfehlungssystemen in den Kommentaren mit!

