Ultimo aggiornamento il 21 Novembre 2025 alle 16:11
Nel campo in rapido sviluppo dell’intelligenza artificiale, il termine “IA generativa” evoca spesso immagini di chatbot che scrivono poesie o di modelli che creano opere d’arte surreali. Tuttavia, forse le applicazioni più utili di questa tecnologia non si trovano più nelle chat room, ma nei social network.
Il Meta-GEM (Generative Advertising Model) è il modello più avanzato di RecSys basato sulla pubblicità e rappresenta il più grande balzo in avanti nell’architettura di RecSys negli ultimi anni.
Per i data scientist, i marketer e gli appassionati di tecnologia, la comprensione del GEM è fondamentale. Rappresenta un passaggio dai tradizionali algoritmi di raccomandazione decentralizzati a un grande “cervello” integrato in grado di comprendere l’intento dell’utente con una precisione senza precedenti.
Che cos’è Meta GEM?
GEM sta per Generative Advertising Model ed è il modello standard per i sistemi di raccomandazione.
A differenza dei modelli linguistici generalizzati (LLM) su larga scala, come Llama, che mirano a prevedere la parola successiva in una frase, i GEM mirano a prevedere la rilevanza dei contenuti o della pubblicità per gli utenti. Tuttavia, utilizzano una serie di paradigmi ispirati agli LLM.
I sistemi di raccomandazione tradizionali per la pubblicità si basano su grandi tabelle integrate e su modelli separati per i diversi compiti. GEM cambia questa situazione utilizzando un’architettura basata su trasformatori che possono elaborare simultaneamente input multimodali (testo, immagini, video, percorso interattivo).
Perché i GEM sono importanti?
1. una regolamentazione senza precedenti
Secondo l’annuncio ufficiale di Meta Engineering, GEM è “il più grande modello basato sulle raccomandazioni del settore”. L’addestramento di un modello così grande richiede un’infrastruttura paragonabile a quella di un LLM di alto livello. Stiamo parlando di modelli addestrati su migliaia di GPU e che utilizzano una tecnologia altamente parallela per elaborare i petabyte di dati generati dagli utenti di Facebook e Instagram.
2. comprendere la multimodalità
Uno dei principali vantaggi di GEM è la sua capacità di “leggere” e “interpretare” la visualizzazione stessa. I sistemi tradizionali si basano molto sui metadati (tag, categorie). GEM elabora i dati visivi delle immagini e i dati semantici dei testi pixel per pixel e li combina con il percorso di interazione dell’utente.
In altre parole, il modello capisce perché gli utenti smettono di guardare certi film. Non solo perché è classificato come “sportivo”, ma perché contiene determinati stili visivi o effetti dinamici che l’utente preferisce.
3. Intelligenza interfunzionale
Il meta-ecosistema di Facebook Motion, Instagram Snap e Reels è enorme. In precedenza, l’ottimizzazione per queste diverse piattaforme veniva spesso effettuata separatamente, ma GEM unifica questi sforzi, il che significa che i segnali di Instagram Reels possono migliorare immediatamente la pertinenza degli annunci di Facebook Motion.
4. efficienza e precisione
Forse il risultato tecnico più impressionante è l’efficienza di GEM. GEM è un eccellente modello di base, ma gli ingegneri di Meta lo hanno ottimizzato per renderlo estremamente efficiente. Con un’efficienza quattro volte superiore a quella del suo predecessore, Meta è in grado di creare modelli più intelligenti e potenti senza dover sostenere costi di ragionamento eccessivi.
Impatto sugli inserzionisti
Per i marketer digitali, la “scatola nera” degli algoritmi è appena diventata ancora più intelligente.
- Aumento del ritorno sull’investimento: grazie a una migliore comprensione dei contenuti e a un’analisi più approfondita degli annunci, GEM può adattare meglio la creatività a gruppi target specifici.
- Problema dell’avvio a freddo: i nuovi annunci senza storia sono spesso difficili da visualizzare, ma GEM ne comprende immediatamente il contenuto visivo e testuale, il che teoricamente gli consente di indirizzare più rapidamente i nuovi annunci agli utenti giusti, anche prima che questi facciano clic su di essi.
Conclusione
Meta GEM segna la fine dell’era dei “semplici” algoritmi di raccomandazione. Stiamo andando verso un mondo in cui i sistemi che decidono cosa vedere sono complessi e potenti quanto quelli che scrivono il codice o creano le immagini.
La previsione pubblicitaria non è più solo una questione di matematica, ma anche di linguaggio e comprensione visiva.
Avete notato che ultimamente ci sono più annunci pertinenti nel vostro feed? Forse è dovuto a GEM, forse è dovuto a GEM, ma fateci sapere nei commenti cosa ne pensate della convergenza tra LLM e sistemi di raccomandazione!

