AI 커머스Engineering at Meta
Meta, 광고 추천 모델 GEM을 통합 기반 모델로 확대
Meta가 광고 추천용 GEM을 여러 광고 지면의 신호를 함께 학습하는 중앙 기반 모델로 확장함. 큰 모델에서 축적한 지식을 실시간 추천 모델에 전달해, 추천 품질과 서비스 지연 사이의 제약을 다루는 구조임.
추천용 기반 모델의 확장
- Kunlun 구조는 사용자 행동의 긴 순서 정보와 사용자·상품의 다양한 특성을 함께 처리하도록 설계됨.
- Attention, 순서 정보 요약, 특성 간 상호작용을 결합하며, 모델과 GPU 실행 구조를 함께 조정해 계산 효율을 높이는 접근임.
- 블록 단위 Attention과 선택적 계산 생략 등을 사용해 긴 행동 기록을 다루는 비용을 줄였다고 설명함.
큰 모델의 지식을 서비스에 전달
- 실제 광고 응답에는 수많은 개별 추천 모델이 사용됨. GEM의 가치를 얻으려면 중앙 모델의 정보를 이 모델들로 효율적으로 전달해야 함.
- Meta는 미리 계산한 압축 표현과 장기 이력 정보를 활용해, 단순 지식 증류보다 넓은 정보를 전달하는 방식을 설명함.
- 더 큰 모델과 더 긴 행동 기록이 서로 성능 향상을 뒷받침한다는 관찰을 제시함.
광고 운영자가 구분할 점
- 발표의 성능·효율 수치는 Meta가 운영한 시스템과 평가 조건의 결과임. 개별 광고 계정에서 같은 향상이 발생한다는 보장은 없음.
- 특정 입찰 설정을 바꾸는 사용법보다, 플랫폼 추천 인프라가 통합 학습과 장기 맥락 활용으로 발전하는 방향을 보여주는 자료임.
e-commerce·D2C 인사이트 ABLE 편집 해석
해석: D2C 광고 운영에서는 지면별 수치만 보지 않고 구매 목표와 전체 여정의 성과를 함께 점검할 필요가 있다. Meta가 발표한 개선율이 개별 광고주의 성과를 보장하지는 않는다.
함께 확인할 조건
- 플랫폼의 자체 발표이며 독립 재현이나 개별 광고주별 성과 검증은 아니다.
- 10월 13일 발행으로 채팅 큐의 48시간 기준을 넘는다. 아카이브 참고 자료로만 보관한다.
판단의 근거는 원문에서
Engineering at Meta ↗https://engineering.fb.com/2026/10/13/ml-applications/generative-ads-model-gem-scaling-frontier-ads-ai/요약은 원문의 핵심을 정리한 내용이며, 인사이트는 ABLE의 편집 해석입니다.