Terakhir diperbarui pada 21 November 2025 pukul 16.13
Dalam bidang kecerdasan buatan yang berkembang pesat, istilah “AI generatif” sering kali memunculkan gambar chatbot yang menulis puisi atau model yang menciptakan karya seni surealis. Namun, mungkin aplikasi yang paling berguna dari teknologi ini tidak lagi dapat ditemukan di chatbot, tetapi di jejaring sosial.
Meta-GEM (Generative Advertising Model) adalah model berbasis iklan RecSys yang paling canggih dan merupakan kemajuan terbesar dalam arsitektur RecSys dalam beberapa tahun terakhir.
Bagi para analis data, pemasar, dan penggemar teknologi, memahami GEM sangatlah penting. GEM mewakili pergeseran dari algoritme rekomendasi tradisional yang terdesentralisasi ke ‘otak’ besar dan terintegrasi yang dapat memahami maksud pengguna dengan akurasi yang belum pernah terjadi sebelumnya.
Apa yang dimaksud dengan Meta GEM?
GEM adalah singkatan dari Generative Advertising Model dan merupakan model standar untuk sistem rekomendasi.
Tidak seperti model bahasa umum berskala besar (LLM) seperti Llama, yang bertujuan untuk memprediksi kata berikutnya dalam sebuah kalimat, GEM bertujuan untuk memprediksi relevansi konten atau iklan bagi pengguna. Namun, mereka menggunakan paradigma yang berbeda yang terinspirasi oleh LLM.
Sistem rekomendasi tradisional untuk periklanan didasarkan pada tabel terintegrasi yang besar dan model terpisah untuk tugas yang berbeda. GEM mengubah hal ini dengan menggunakan arsitektur berbasis transduser yang dapat memproses data multimodal (teks, gambar, video, jalur interaktif) secara bersamaan.
Mengapa TEC penting?
1. Organisasi yang belum pernah ada sebelumnya
Menurut pernyataan resmi dari MetaEngineering, GEM adalah “model berbasis rekomendasi terbesar di industri ini”. Melatih model sebesar itu membutuhkan infrastruktur yang sebanding dengan LLM kelas atas. Kita berbicara tentang model yang dilatih pada ribuan GPU dan menggunakan teknologi yang sangat paralel untuk memproses petabyte data yang dihasilkan oleh pengguna Facebook dan Instagram.
2. Memahami multimodalitas
Salah satu keunggulan utama GEM adalah kemampuan untuk “membaca” dan “menafsirkan” visualisasi itu sendiri. Sistem tradisional sangat bergantung pada metadata (tag, kategori). GEM memproses data gambar visual dan data teks semantik piksel demi piksel dan menggabungkannya dengan lintasan interaksi pengguna.
Dengan kata lain, model ini memahami mengapa pengguna berhenti menonton film tertentu. Bukan hanya karena film tersebut dikategorikan sebagai film ‘sporty’, tetapi juga karena film tersebut mengandung gaya visual atau efek dinamis tertentu yang disukai pengguna.
3. Kecerdasan multifungsi
Ekosistem meta Facebook Motion, Instagram Snap, dan Reels sangat besar. Di masa lalu, pengoptimalan untuk platform ini sering dilakukan secara terpisah, tetapi GEM menggabungkan upaya ini, yang berarti sinyal Instagram Reels dapat secara instan meningkatkan relevansi iklan Facebook Motion.
4. efisiensi dan akurasi
Mungkin pencapaian teknis yang paling mengesankan adalah efisiensi GEM. GEM adalah model dasar yang hebat, tetapi para insinyur Meta telah mengoptimalkannya untuk membuatnya sangat efisien. Empat kali lebih efisien daripada pendahulunya, Meta mampu menciptakan model yang lebih cerdas dan lebih bertenaga tanpa biaya justifikasi yang berlebihan.
Dampak pada pengiklan
Bagi para pemasar digital, “kotak hitam” algoritme telah menjadi semakin pintar.
- Pengembalian investasi yang lebih besar: Berkat wawasan konten yang lebih baik dan analisis iklan yang lebih dalam, GEM dapat menyesuaikan materi iklan dengan lebih baik untuk kelompok target tertentu.
- Masalah Awal yang Dingin: Sering kali sulit untuk memvisualisasikan iklan baru tanpa riwayat, tetapi GEM memahami konten visual dan tekstualnya dengan segera, yang secara teoritis memungkinkannya untuk menargetkan iklan baru kepada pengguna yang tepat dengan lebih cepat bahkan sebelum mereka mengeklik.
Kesimpulan
Meta GEM menandakan berakhirnya era algoritme rekomendasi yang “sederhana”. Kita bergerak menuju dunia di mana sistem yang memutuskan apa yang harus ditonton sama kompleks dan kuatnya dengan sistem yang menulis kode atau membuat gambar.
Memprediksi iklan tidak lagi hanya masalah matematika, tetapi juga masalah bahasa dan persepsi visual.
Pernahkah Anda melihat iklan yang lebih relevan di streaming Anda akhir-akhir ini? Mungkin ini terkait dengan GEM, tetapi beri tahu kami di komentar apa pendapat Anda tentang konvergensi LLM dan sistem rekomendasi!

