미디어와 콘텐츠 / 온라인 광고
Meta: 광고 추천 모델 고도화
- 기업
- Meta
- 국가
- 미국
- 도입 상태
- 운영
- 자료 공개
- 날짜 기준
- 자료 발표 시점. 도입 시작일과 다를 수 있음
- 근거 확인 방법
- 원문 본문 열람
업무 문제
Meta 앱에서는 하루에 수십억 건의 이용자와 광고 사이 반응이 쌓인다. 그중 클릭이나 전환처럼 의미 있는 신호는 드물다. 광고주 목표, 소재 형식, 측정 신호, 이용자 행동처럼 성격이 다른 자료를 한꺼번에 다뤄야 한다. 기존 방식은 긴 행동 기록을 짧은 벡터로 압축하다가 중요한 신호를 잃었다.
적용한 기술과 데이터
GEM은 광고 추천을 위한 기반 모델이다. LLM 방식으로 설계했고 수천 개 GPU로 학습했다. 학습 자료는 광고 콘텐츠와 이용자 반응 기록이며 광고뿐 아니라 일반 게시물 반응도 함께 쓴다. 특징은 순서가 있는 행동 기록과 순서가 없는 속성으로 나눈다. 각각에 맞춘 attention을 적용하고 두 무리 사이 관계도 함께 학습한다. 학습이 끝나면 지식을 하위 모델에 옮긴다. GEM이 주요 모델에 직접 넘기기도 하고 영역별 기반 모델을 거쳐 넘기기도 한다. 증류에서는 Student Adapter가 최신 실제 결과로 교사 모델의 출력을 보정한다.
성과
Meta는 GEM을 올해 초에 내놨고 Facebook과 Instagram에 적용했다고 밝혔다. 그 결과 2분기에 Instagram 광고 전환이 5%, Facebook Feed 광고 전환이 3% 늘었다고 발표했다. 회사는 새 구조가 기존 광고 순위 모델보다 같은 자료와 연산으로 4배 효율이라고 설명했다. 지식 전달 방식은 일반 증류의 2배 효과라고 밝혔다. 3분기에는 구조를 고쳐 같은 자료와 연산에서 얻는 성능 이득을 두 배로 늘렸다고 적었다.
한계와 남은 과제
전환 증가율은 Meta가 밝힌 자체 평가다. 광고 소재를 자동으로 만드는 사례와는 다르며 매출이나 순이익 증가율도 아니다.
출처
공개된 자료를 정리한 사례입니다. ATF Works 도입 고객의 결과가 아닙니다.