Последнее обновление: 21 ноября 2025, 16:12
В стремительно развивающейся области искусственного интеллекта термин «генеративный ИИ» часто вызывает в воображении образы чат-ботов, пишущих стихи, или моделей, создающих сюрреалистические произведения искусства. Однако, возможно, самые полезные применения этой технологии можно найти уже не в чатах, а в социальных сетях.
Meta-GEM (Generative Advertising Model) — это самая продвинутая модель RecSys, основанная на рекламе, и представляет собой крупнейшее достижение в архитектуре RecSys за последние годы.
Для специалистов по анализу данных, маркетологов и энтузиастов технологий понимание GEM крайне важно. Он представляет собой переход от традиционных децентрализованных алгоритмов рекомендаций к большому интегрированному «мозгу», способному понимать намерения пользователей с беспрецедентной точностью.
Что такое Meta GEM?
GEM расшифровывается как Generative Advertising Model и является стандартной моделью для рекомендательных систем.
В отличие от крупномасштабных обобщенных языковых моделей (LLM), таких как Llama, цель которых — предсказать следующее слово в предложении, GEM нацелены на предсказание релевантности контента или рекламы для пользователей. Однако они используют различные парадигмы, вдохновленные LLM.
Традиционные рекомендательные системы для рекламы основаны на больших интегрированных таблицах и отдельных моделях для разных задач. GEM меняет эту ситуацию, используя архитектуру на основе трансформаторов, которая может одновременно обрабатывать мультимодальные данные (текст, изображения, видео, интерактивный путь).
Почему GEM важны?
1. беспрецедентное регулирование
Согласноофициальному заявлениюMeta Engineering, GEM — это «самая большая модель, основанная на рекомендациях, в индустрии». Для обучения такой большой модели требуется инфраструктура, сопоставимая с инфраструктурой высшего уровня LLM. Мы говорим о моделях, обученных на тысячах графических процессоров и использующих высокопараллельные технологии для обработки петабайтов данных, генерируемых пользователями Facebook и Instagram.
2. понимание мультимодальности
Одно из главных преимуществ GEM — способность «читать» и «интерпретировать» саму визуализацию. Традиционные системы в значительной степени полагаются на метаданные (теги, категории). GEM обрабатывает данные визуального изображения и семантические текстовые данные пиксель за пикселем и объединяет их с траекторией взаимодействия пользователя.
Другими словами, модель понимает , почему пользователи перестают смотреть определенные фильмы. Не только потому, что они относятся к категории «спортивных», но и потому, что в них присутствуют определенные визуальные стили или динамические эффекты, которые предпочитает пользователь.
3. Многофункциональный интеллект
Метаэкосистема Facebook Motion, Instagram Snap и Reels огромна. Раньше оптимизация под эти платформы обычно проводилась отдельно, но GEM объединяет эти усилия, а это значит, что сигналы Instagram Reels могут немедленно повысить релевантность рекламы Facebook Motion.
4. эффективность и точность
Возможно, самым впечатляющим техническим достижением является эффективность GEM. GEM — отличная базовая модель, но инженеры Meta оптимизировали ее, сделав чрезвычайно эффективной. Благодаря четырехкратному увеличению эффективности по сравнению с предшественником, Meta может создавать более умные и мощные модели без чрезмерных затрат на обоснование.
Влияние на рекламодателей
Для цифровых маркетологов «черный ящик» алгоритмов стал еще более интеллектуальным.
- Повышение отдачи от инвестиций: благодаря лучшему пониманию контента и более глубокому анализу рекламы GEM может лучше адаптировать креатив к конкретным целевым группам.
- Проблема холодного старта: новые рекламные объявления без истории часто трудно визуализировать, но GEM сразу понимает их визуальное и текстовое содержание, что теоретически позволяет ему быстрее нацеливать новые рекламные объявления на нужных пользователей, еще до того, как они на них нажмут.
Заключение
Meta GEM знаменует собой конец эры «простых» рекомендательных алгоритмов. Мы движемся к миру, в котором системы, решающие, что посмотреть, столь же сложны и мощны, как и те, кто пишет код или создает изображения.
Прогнозирование рекламы — это уже не только вопрос математики, но и языка и визуального восприятия.
Вы заметили, что в последнее время в вашей ленте стало больше релевантной рекламы? Возможно, это связано с GEM, но дайте нам знать в комментариях, что вы думаете о сближении LLM и рекомендательных систем!

