- 이 시리즈의 이전 게시물에서는 가설을 생성하고, 실험을 설계하며, 광고 랭킹 모델에 대한 새로운 머신러닝(ML) 기술을 증명하는 자율 시스템인 Ranking Engineer Agent (REA)를 소개했습니다.
- 이제 우리는 아키텍처 발전 및 학습 최적화와 같은 랭킹 모델 개선 사항을 대규모의 다양한 광고 랭킹 모델 전반에 효율적으로 전파하는 방법을 공유합니다.
- 이 게시물은 우리가 “기술 전파(technique propagation)”라고 부르는 이 프로세스와 AI 에이전트를 사용하여 이 프로세스를 최적화하는 방법을 살펴봅니다.
- 에이전트가 2026년 3월부터 실행을 주도하기 시작한 이후, 우리는 AI 에이전트가 모든 기술 전파의 60% 이상을 처리하는 것으로 추정합니다. 에이전트 도입 전의 동일한 작업과 비교했을 때, 초기 결과에 따르면 엔지니어링 생산성이 3x 향상되었고, 특정 조합 전반에서 학습 컴퓨팅이 중앙값 4x 감소했으며, 연말까지 45M+ 달러 이상의 컴퓨팅 비용 절감이 예상됩니다.
Meta가 광고 랭킹 모델 전반에 ML 혁신을 확장하기 위해 AI 에이전트를 사용하는 방법
Meta가 광고 랭킹 모델 전반에 ML 혁신을 확장하기 위해 AI 에이전트를 사용하는 방법 - Engineering at Meta 블로그
Engineering at Meta Blog
Publisher
Nov 18, 2026 at 6:03 PM UTC · Updated 3일 전 · 10 분 소요

Key Signal
3x engineering productivity increase
Last Updated
3일 전
Meta의 광고 추천 시스템은 수많은 별개의 광고 랭킹 모델에 의해 구동되며, 각 모델은 서로 다른 제품 영역과 광고주 목표에 기여하고, 고유한 아키텍처, 학습 데이터 및 서빙 제약 조건을 가지고 있습니다.
이 포트폴리오 전반에서 ML 연구원과 엔지니어들은 우리가 “기술(techniques)”이라고 부르는 혁신을 통해 최첨단 기술을 지속적으로 발전시키고 있습니다. 기술이란 Wukong 인수 분해 레이어, Interformer 상호 작용 네트워크와 같은 아키텍처 발전, 더 풍부한 데이터 표현, 학습 최적화 또는 학습 및 추론의 효율성 개선 등 랭킹 모델을 더 나은 방향으로 만드는 모든 것을 의미합니다.
하지만 각 모델은 고유한 아키텍처, 데이터, 학습 및 서빙 제약 조건을 가지고 있기 때문에, 한 모델에서 입증된 기술이 다음 모델에 그대로 복사되어 붙여넣어지는 경우는 거의 없습니다. 동시에 ML 기술에는 유효 기간이 있기 때문에 속도가 중요합니다. 오늘 성과를 내는 혁신 기술도 두어 번의 모델 개발 주기 내에 더 나은 기술로 대체될 수 있습니다. 입증된 기술이 전체 모델 군단에 더 빨리 도달할수록, 다음 세대 기술이 등장하기 전에 더 많은 가치를 창출할 수 있습니다.
그렇다면 엔지니어링 대역폭과 컴퓨팅을 최소화하면서 어떻게 기술을 다양한 모델 군단에 가능한 한 빨리 전파할 수 있을까요?
기술 전파 확장 (Scaling Technique Propagation)
Article Intelligence
Topics
Sponsored
AdNewsLayer Premium
Unlock deeper intelligence.
Ad-free reading, exclusive research, and real-time onchain insights.
Go Premium
