الذكاء الاصطناعي

ميتا تكشف عن GEM: نموذج إعلانات توليدي يرفع التحويلات 18.9%

تتجاوز ميتا حدود أنظمة التوصية التقليدية عبر نموذج مركزي يجمع البيانات من جميع منصات الإعلانات، محققاً مكاسب ملموسة في معدلات التحويل والنقر.

رضوان عبدالهاديمحرر وكاتب تقني

نُشر: 13 أكتوبر 2026 · آخر تحديث: 13 أكتوبر 2026 · 3 دقائق قراءة

ميتا تكشف عن GEM: نموذج إعلانات توليدي يرفع التحويلات 18.9% — الصورة: Meta Engineering

الانتقال إلى نموذج مركزي موحّد

أعلنت شركة ميتا عن الجيل الجديد من نموذج الإعلانات التوليدي (GEM)، الذي يمثل نقلة نوعية في كيفية معالجة بيانات التوصية. بدلاً من الاعتماد على أنظمة مستقلة لكل منصة، يعمل النموذج الجديد كمحرك مركزي يتعلم من الإشارات عبر جميع منصات الإعلانات التابعة لميتا. هذا النهج يهدف إلى تحسين تجربة المستخدمين والإعلانات معاً من خلال فهم أعمق لسلوك المستخدمين عبر المنصات المختلفة.

مكاسب ملموسة في أداء الإعلانات

أظهرت النتائج الأولية للنموذج الجديد تحسناً كبيراً في مؤشرات الأداء الرئيسية. سجل النموذج زيادة بنسبة 18.9% في معدلات التحويل، وارتفاعاً بنسبة 12% في معدل النقر على الإعلانات (CTR) عبر أسطح ميتا الإعلانية المختلفة. كما ساهم النموذج في رفع التحويلات بنسبة 5.8% على فيسبوك، و4.1% على إنستغرام، و1.6% في التحويلات خارج الموقع للمستخدمين المستهدفين خلال العام الماضي. هذه المكاسب تمتد لتشمل أهداف التسويق العليا والدنيا، مما يعزز العائد على الاستثمار للإعلانات.

بنية Kunlun وانحناء منحنى التوسع

لتجاوز التحديات التقنية في أنظمة التوصية، طورت ميتا بنية معمارية جديدة تسمى Kunlun، مصممة خصيصاً لتعمل بكفاءة مع أحدث الأجهزة الرسومية. على عكس النماذج التقليدية التي تواجه صعوبة في التوسع بسبب تنوع البيانات، تتيح بنية Kunlun زيادة تعقيد النموذج بمقدار 2.5 مرة مقارنة بالإصدارات السابقة. هذا التصميم يدعم التعلم من سياقات طويلة لتاريخ تفاعل المستخدمين، مما يحسن جودة الترتيب ويترجم مباشرة إلى نتائج أعمال أفضل.

نقل الذكاء بكفاءة عبر LoopFM

تواجه أنظمة التوصية تحدياً كبيراً في تقديم نماذج ضخمة في الوقت الفعلي دون التأثير على سرعة الاستجابة. لحل هذه المشكلة، استخدمت ميتا تقنية ما بعد التدريب تسمى LoopFM، التي تنقل التمثيلات الداخلية للنموذج المركزي إلى النماذج الفرعية التي تتفاعل مع المستخدمين مباشرة. تتيح هذه التقنية مشاركة الحسابات وتضاعف نقل المعرفة دون إضافة تكلفة حاسوبية أو تأخير إضافي، مما يحافظ على تجربة المستخدم السلسة.

محرك حسابات موحّد عبر المنصات

يعمل النموذج الجديد على توحيد محرك الحسابات الذي كان سابقاً موزعاً على أنظمة مستقلة لكل منصة. يتنبأ النموذج المركزي بالنقرات والتحويلات عبر جميع الأسطح، بما في ذلك فيسبوك وإنستغرام، ولأهداف إعلانية متنوعة من التحويلات الخارجية إلى تثبيت التطبيقات. هذا التوحيد يسمح بنقل التمثيلات العامة من المهام الغنية بالبيانات إلى المهام النادرة، مما يحسن دقة التنبؤات عبر النظام بأكمله.

تسريع التدريب على نطاق واسع

تتطلب عملية تدريب نموذج بهذا الحجم تنسيقاً دقيقاً للموارد الحاسوبية والتوازي والاتصال. طورت ميتا نوى برمجية مخصصة (Custom Kernels) واستراتيجيات توازي جديدة مصممة خصيصاً لأحمال عمل التوصية، بدلاً من الاعتماد على الأدوات المصممة لنماذج اللغة الكبيرة. أسفرت هذه التحسينات عن مضاعفة كفاءة التدريب الشامل، ورفع إجمالي العمليات الحسابية (FLOPs) 4 أضعاف، مما يتيح تدريب النموذج على نطاق واسع عبر آلاف المعالجات الرسومية بكفاءة أعلى.