Dernière mise à jour le 21 novembre 2025 à 16:10
Dans le domaine en plein développement de l’intelligence artificielle, le terme « IA générative » évoque souvent des images de chatbots écrivant des poèmes ou de modèles créant des œuvres d’art surréalistes. Pourtant, les applications peut-être les plus utiles de cette technologie ne se trouvent plus dans les salons de chat, mais dans les réseaux sociaux.
Le Meta-GEM (Generative Advertising Model) est le modèle basé sur la publicité le plus avancé de RecSys et le saut le plus important dans l’architecture de RecSys au cours des dernières années.
Pour les scientifiques des données, les spécialistes du marketing et les passionnés de technologie, la compréhension du GEM est cruciale. Il représente un passage des algorithmes de recommandation traditionnels et décentralisés à un grand « cerveau » intégré capable de comprendre les intentions des utilisateurs avec une précision sans précédent.
Qu’est-ce que Meta GEM ?
GEM signifie Generative Advertising Model et est le modèle standard pour les systèmes de recommandation.
Contrairement aux modèles linguistiques généralisés (LLM) à grande échelle comme Llama, qui visent à prédire le prochain mot dans une phrase, les GEM visent à prédire la pertinence du contenu ou de la publicité pour les utilisateurs. Ils utilisent toutefois de nombreux paradigmes inspirés des LLM.
Les systèmes de recommandation traditionnels pour les publicités reposent sur de grandes tables intégrées et des modèles distincts pour les différentes tâches. GEM change cela en utilisant une architecture basée sur des transformateurs qui peuvent traiter simultanément des entrées multimodales (texte, images, vidéo, parcours interactif).
Pourquoi les GEM sont-ils importants ?
1. une réglementation sans précédent
Selon l’annonce officielle de Meta Engineering, le GEM est « le plus grand modèle basé sur des recommandations dans le secteur ». L’entraînement d’un modèle aussi vaste nécessite une infrastructure comparable à celle d’un LLM de haut niveau. Nous parlons ici de modèles entraînés sur des milliers de GPU et utilisant une technologie hautement parallèle pour traiter les pétaoctets de données générés par les utilisateurs de Facebook et d’Instagram.
2. compréhension de la multimodalité
L’un des principaux avantages de GEM est sa capacité à « lire » et à « interpréter » l’affichage lui-même. Les systèmes traditionnels s’appuient fortement sur les métadonnées (balises, catégories). GEM traite pixel par pixel les données visuelles des images et les données sémantiques des textes et les combine avec le parcours d’interaction de l’utilisateur.
En d’autres termes, le modèle comprend pourquoi les utilisateurs cessent de regarder certains films. Non pas simplement parce qu’il est classé comme « sport », mais parce qu’il contient certains styles visuels ou effets dynamiques que l’utilisateur préfère.
3. Intelligence transversale
Le méta-écosystème de Facebook Motion, Instagram Snap et Reels est énorme. Auparavant, l’optimisation pour ces différentes plates-formes était souvent effectuée séparément, mais GEM unifie ces efforts, ce qui signifie que les signaux Instagram Reels peuvent immédiatement améliorer la pertinence des annonces Facebook Motion.
4. efficacité et précision
La performance technique la plus impressionnante est peut-être l’efficacité de GEM. GEM est un excellent modèle de base, mais les ingénieurs de Meta l’ont optimisé pour qu’il soit extrêmement efficace. Avec une efficacité quatre fois supérieure à celle de son prédécesseur, Meta est en mesure de créer des modèles plus intelligents et plus puissants sans avoir à supporter des coûts de raisonnement excessifs.
Impact sur les annonceurs
Pour les spécialistes du marketing numérique, la « boîte noire » des algorithmes vient de devenir encore plus intelligente.
- Un retour sur investissement accru : grâce à une meilleure compréhension du contenu et à une analyse plus approfondie des annonces, GEM peut mieux adapter la créativité à des groupes cibles spécifiques.
- Problème de démarrage à froid : les nouvelles annonces sans historique sont souvent difficiles à afficher, mais GEM comprend immédiatement le contenu visuel et textuel, ce qui lui permet théoriquement de cibler plus rapidement les nouvelles annonces sur les bons utilisateurs, avant même qu’ils ne cliquent dessus.
Conclusion
Meta GEM marque la fin de l’ère des algorithmes de recommandation « simples ». Nous nous dirigeons vers un monde où les systèmes qui décident de ce que nous voyons sont aussi complexes et puissants que ceux qui écrivent le code ou créent les images.
Les prévisions publicitaires ne sont plus seulement une question de mathématiques, mais aussi de langage et de compréhension visuelle.
Avez-vous remarqué ces derniers temps que les annonces pertinentes sont plus nombreuses dans votre flux ? Peut-être est-ce dû au GEM, peut-être au GEM, mais faites-nous part de vos réflexions sur la convergence du LLM et des systèmes de recommandation dans les commentaires !

