مفاضلة جديدة في ميتا: تقنية GenRecs لتحسين التوصيات الإعلانية
أعلنت ميتا عن نظام GenRecs Tokenization بوصفه تمثيلاً أساسياً للبيانات يهدف إلى تحويل نظام توصيات الإعلانات عبر دمج محتوى الإعلان وتفضيلات المستخدمين.
رضوان عبدالهاديمحرر وكاتب تقني
تحول جذري في التوصيات الإعلانية
تمثل الموصيات التوليدية نقلة نوعية في قطاع الإعلانات الرقمية، حيث تنتقل الأنظمة من مجرد تقييم كل إعلان منفرد إلى الاستدلال المتزامن حول محتوى الإعلان وتفضيلات المستخدمين للوصول إلى النتيجة الأفضل للمعلنين. ووفقاً لما نشرته شركة ميتا عبر مدونة الهندسة الخاصة بها، فإن دمج المعرفة العالمية الموجودة في نماذج اللغة الكبيرة يجعل مطابقة الإعلانات أكثر دقة وذكاء، مما يضاعف المكاسب للمعلنين عبر الاستفادة من فهم أعمق للنية الحقيقية للمستخدمين بدلاً من الاعتماد فقط على أنماط النقر السابقة.
يأتي نظام الترميز الجديد ليمثل البنية التحتية للبيانات التي تجعل هذا النهج ممكناً، حيث يتم تمثيل العناصر عبر مجموعة من الرموز من مفردات دلالية مستقرة بدلاً من الحفاظ على معرف مخصص لكل عنصر على حدة في النظام.
آلية العمل والترميز الدلالي
يعتمد النظام على نماذج متعددة الوسائط تقرأ كل إعلان ومنتج وصفحة، بما في ذلك النصوص والصور، لتقوم بترميزها وتحويلها إلى تمثيلات رقمية تحمل المعرفة العالمية. يدمج المرمز إشارات المحتوى هذه مع تفاعلات المستخدمين السابقة، ثم يقوم بعملية تحديد كمي لتوليد تسلسل قصير من الرموز المميزة. تتشارك العناصر المتشابهة في هذه الرموز بالطريقة ذاتها التي تتشارك بها الكلمات المرتبطة في جذورها اللغوية.
تمر عملية الترميز عبر خط أنابيب يتكون من ثلاث مراحل رئيسية تبدأ بترميز كل عنصر في مساحة دلالية، ثم تفكيك هذا التمثيل إلى مساحات فرعية مستقلة، وصولاً إلى تعيين كل مساحة فرعية بمدخل داخل دفتر رموز موثق ومنظم.
التكامل مع النماذج التوليدية والتصنيفية
عند دمج هذه التقنية مع البنى المتقدمة للذكاء الاصطناعي في الشركة، مثل نموذج الإعلانات التوليدي ونموذج التصنيف التكيفي، أظهرت الاختبارات العملية تحسناً ملحوظاً في الأداء. وقد ساهم هذا التكامل في تحقيق زيادة ملحوظة بلغت 0.35% في معدلات التحويل عبر مساحات عرض الإعلانات المختلفة للمعلنين.
تسمح هذه المفردات الدلالية المستقرة بنقل الرؤى عبر الحملات المختلفة للمعلنين، مما يتيح للنظام الاستفادة القصوى من منحنى التوسع الخاص بنماذج اللغة الكبيرة وتحسين الأداء العام بشكل مستمر.
حل مشكلة العناصر الجديدة وتحسين التنبؤات
تواجه نظم التوصيات التقليدية عادة صعوبة في التعامل مع المنتجات أو الإعلانات الجديدة التي لا تمتلك سجلاً تاريخياً من التفاعل. غير أن تقنية الترميز الجديدة تتيح للعناصر الجديدة ورش العمل الجديدة، مثل حذاء جري يُطرح لأول مرة، الاستفادة المباشرة مما تعلمه النموذج مسبقاً عن الفئة ذاتها من المنتجات السابقة، بدلاً من البدء من الصفر ودون أي بيانات سابقة.
تخلق هذه الآلية حلقة تغذية مرتدة محسنة للأداء؛ إذ تؤدي دقة التنبؤ بالعناصر ذات التفاعل المنخفض إلى تحسين بيانات التدريب، مما ينعكس بدوره إيجاباً على دقة التنبؤات للإعلانات كافة عبر تعزيز التعلم المستمر للنموذج.
المصادر
- Meta EngineeringGenRecs Tokenization: Transforming Ads Recommendation at Meta with Stable Model Vocabulary
تابع التسلسل الزمني
تغطية الكيانات المرتبطة
أخبار مرتبطة
ميتا توسع نموذج GEM للإعلانات بمعمارية Kunlun ومحرك حوسبة مركزي
تقدّم ميتا الجيل الجديد من نموذج GEM التوليدي للإعلانات، معتمدًا على معمارية Kunlun لتوسيع نطاق التعلم عبر منصات فيسبوك وإنستغرام، مما يحقق مكاسب كبيرة في الأداء والكفاءة.
ميتا تكشف عن GEM: نموذج إعلانات توليدي يرفع التحويلات 18.9%
تعلن ميتا عن الجيل الجديد من نموذج GEM، الذي يجمع بين البنية المعمارية Kunlun وتوزيع الموارد الحاسوبية لرفع كفاءة الإعلانات عبر منصات فيسبوك وإنستغرام.
ميتا تطلق نموذج Muse Spark Open متعدد الوسائط بوزن مفتوح
أعلنت ميتا عن إطلاق Muse Spark Open، وهو نموذج حدودي متعدد الوسائط يعتمد على مزيج الخبراء بعدد 816 مليار بارامتر.
مواقع إلكترونية تمنع وكلاء الذكاء الاصطناعي من تنفيذ عمليات الشراء
تواجه وكلاء الذكاء الاصطناعي الشخصية عوائق تقنية وأمنية تحول دون إتمام عمليات الشراء عبر الإنترنت، بين قيود أمنية صارمة وحماية من الحذف الآلي.
