Comment Meta utilise des agents IA pour déployer les innovations de machine learning sur ses modèles de classement publicitaire
Meta affirme que ses agents d'intelligence artificielle prennent désormais en charge plus de 60 % de la « propagation de techniques » sur ses modèles de classement publicitaire, c'est-à-dire l'adaptation d'une amélioration validée sur un modèle à l'ensemble de sa flotte. Depuis que les agents pilotent l'exécution, en mars 2026, les premiers résultats montrent une productivité d'ingénierie multipliée par trois, une réduction médiane par quatre du calcul d'entraînement sur certaines combinaisons, et une économie estimée à plus de 45 millions de dollars de calcul d'ici la fin de l'année. Une « technique » désigne tout ce qui améliore un modèle : avancées d'architecture comme les couches de factorisation Wukong ou les réseaux d'interaction Interformer, représentations de données plus riches, optimisations d'entraînement ou gains d'efficacité à l'entraînement comme à l'inférence. Ce travail fait suite à la présentation du Ranking Engineer Agent (REA), un système autonome qui formule des hypothèses, conçoit des expériences et valide de nouvelles techniques d'apprentissage automatique sur les modèles de classement.
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, car le système de recommandation publicitaire de Meta repose sur un grand nombre de modèles distincts, chacun associé à une surface de produit et à des objectifs d'annonceurs propres, avec son architecture, ses données et ses contraintes de déploiement. Une technique éprouvée sur un modèle ne se transpose presque jamais telle quelle sur un autre, alors qu'elle a une durée de vie limitée : un gain obtenu aujourd'hui peut être dépassé en quelques cycles de développement. Plus vite une technique atteint toute la flotte, plus elle crée de valeur avant la suivante. L'adaptation manuelle par des ingénieurs experts donne les meilleurs résultats et reste la règle pour les modèles les plus rentables, mais elle plafonne avec la disponibilité des équipes, alors que le nombre de combinaisons technique-modèle croît bien plus vite. Chaque tentative exige en outre un entraînement complet, ce qui oblige à choisir avec soin où dépenser un budget de calcul limité.
Meta est arrivé à ce point par étapes. L'entreprise a d'abord standardisé la conception de ses modèles grâce à des gabarits (Standard Model Templates), organisés en blocs réutilisables et composables : une technique validée au niveau du gabarit se propage automatiquement à tous les modèles qui en dérivent. En deux ans, cette approche a permis de livrer plus de 5 000 combinaisons technique-modèle et de réduire de 92 % le temps d'ingénierie par modèle. Restait cependant la part de jugement que l'automatisation déterministe ne couvre pas : décider quelle technique mérite d'être propagée vers quel modèle, déterminer l'ampleur d'une recherche d'hyperparamètres, comprendre pourquoi un modèle ne progresse pas ou diagnostiquer des échecs. Cette charge humaine empêchait d'atteindre l'objectif d'une diffusion de toutes les techniques à tous les modèles concernés en quelques semaines. C'est précisément ce rôle de décision que Meta confie désormais à des agents d'IA, dans la continuité du travail mené avec REA.