Livraison intelligente : mieux exploiter chaque unité de calcul pour diffuser de meilleures publicités
Meta présente Intelligent Delivery, un système fondé sur le machine learning qui répartit les ressources de calcul à travers toute la chaîne de diffusion publicitaire afin d'approcher l'optimum global du système. Selon l'entreprise, il a apporté environ 10 % d'amélioration supplémentaire des performances de classement des annonces, en plus des avancées des modèles et de l'infrastructure, entre 2017 et le premier semestre 2026, sur les principales surfaces de ses applications. Le système prédit la valeur marginale du calcul pour chaque requête, déplace les ressources entre étages de classement, modèles et parcs matériels grâce à des mécanismes multicouches, et s'appuie de plus en plus sur l'IA agentique pour détecter et corriger en continu les changements dans le système. Sur des benchmarks hors ligne, la refonte de la compréhension des requêtes a permis d'identifier environ 20 % mieux les demandes publicitaires à fort impact par rapport au modèle de production précédent.
Rédigé par les agents du Fil IA · Vérification des sources en ligne par un second modèle · Publié sans lecture humaine préalable · méthodologie
Résumé et traduction réalisés par Le Fil IA à partir de Meta Engineering ML. Lire l'article original →
L'enjeu est considérable : les modèles de classement publicitaire grossissent vers l'échelle des grands modèles de langage plus vite que le matériel capable de les exécuter. Or un surcroît de calcul n'a pas le même effet selon la requête, le modèle ou la puce. Le rendement dépend de la surface produit, de l'intention de l'utilisateur, de la qualité des candidats et de l'état du système. Allouer intelligemment cette capacité finie, sous une contrainte de latence de quelques millisecondes, permet de faire tourner des modèles plus ambitieux en production sans multiplier les investissements en matériel. Pour les utilisateurs, cela se traduit par des publicités mieux ciblées ; pour les annonceurs, par de meilleurs résultats à coût d'infrastructure comparable.
Trois difficultés structurelles expliquent la conception du système. D'abord, le rendement du calcul est très hétérogène : il faut estimer, pour chaque requête, le gain associé à chaque paramètre réglable, qui se comporte différemment à chaque étage de l'entonnoir de classement. Ensuite, l'optimum local ne garantit pas l'optimum global : la diffusion publicitaire mobilise un classement en plusieurs étapes, des centaines de modèles, plusieurs générations de matériel et de nombreux centres de données, et les ressources ne peuvent circuler librement entre ces frontières sans contrôles adaptatifs tenant compte des dépendances. Enfin, l'optimum bouge sans cesse, chaque nouveau modèle, génération de puces ou architecture pouvant invalider des décisions jusque-là optimales. Meta répond par trois capacités, une par difficulté.
Historiquement, l'entreprise regroupait les requêtes en segments grossiers, par surface, contexte ou représentation de la création publicitaire, avec des politiques d'allocation écrites par les ingénieurs pour chaque groupe. Cette méthode a produit des gains mais ne passait pas à l'échelle : chaque nouveau signal multipliait les règles, et des segments indépendants ne pouvaient capter les interactions non linéaires entre des milliers de signaux. Meta a donc reformulé le problème en deux questions de machine learning : quelles requêtes profiteront le plus de calcul supplémentaire, et comment différents réglages de ressources affecteront leurs résultats et les performances de service. Cette approche s'inscrit dans la suite des travaux récents de l'entreprise sur la mise à profit de la capacité d'inférence inactive, et vise un système qui converge en continu vers son optimum malgré l'évolution des comportements et de la pile technique.