Meta обновила ИИ-подбор рекламы: ручной таргетинг теряет значение

Когда человек открывает Facebook2 или Instagram3, Meta должна за доли секунды выбрать подходящую рекламу из десятков миллионов объявлений. Компания обновила сразу три части этой системы: предварительный отбор рекламы Andromeda, базовую модель ранжирования GEM и новую рекомендательную модель GenRecs. Масштаб вычислений впечатляет: Meta обрабатывает более миллиарда рекламных объявлений в секунду, оценивая подходящие варианты для каждого показа.

По данным Meta, улучшения системы ранжирования во втором квартале 2026 года принесли Facebook на 8,3% больше кликов и увеличили число конверсий на 15,7%. При этом компания не раскрывает, какую долю прироста обеспечило каждое из обновлений.

Самое интересное изменение — GenRecs. Раньше алгоритмы запоминали, как пользователи реагируют на конкретные объявления, кампании и товары. Но рекламные кампании постоянно меняются, появляются новые креативы, а накопленная статистика быстро устаревает.

GenRecs предлагает другой подход: вместо идентификаторов объявлений система анализирует их содержание. Большие языковые модели изучают текст и изображения, выделяя общие смысловые признаки товаров: бренд, цвет, фасон, стиль и другие характеристики. Благодаря этому алгоритм понимает, чем похожи разные объявления, даже если они принадлежат разным кампаниям.

Например, человек интересуется велосипедами и покупает определённые аксессуары. Когда рекламодатель запускает совершенно новый товар из той же категории, система может предположить, что предложение заинтересует этого человека. Для этого ей необязательно сначала собирать статистику по конкретному объявлению.

Так Meta пытается решить проблему холодного старта. Обычно новой рекламе нужно время, чтобы алгоритм выяснил, кому её лучше показывать. GenRecs использует накопленные знания о похожих товарах и сокращает этот период. Полностью обойтись без обучения на реальных взаимодействиях всё же нельзя, уточняет Мэтт Стайнер, вице-президент Meta по рекламной инфраструктуре, ранжированию и ИИ.

На основе GenRecs компания также создала новую модель предварительного отбора рекламы. Она изучает объявления и обычные публикации, с которыми взаимодействует пользователь, и прогнозирует, какие предложения могут ему понравиться. Модель работает параллельно с Andromeda и дополняет список объявлений, из которого затем выбирается победитель.

Саму Andromeda тоже перестроили. Вместе с Nvidia Meta обновила её программную и аппаратную части. Раньше графические процессоры тратили много времени на ожидание рекламных данных из внешней памяти. Теперь больше информации хранится непосредственно на процессорах, поэтому они меньше простаивают. Кроме того, объявления направляются на обработку специализированным моделям, которые лучше справляются с определёнными задачами.

Третье обновление получила GEM — большая базовая модель, на которой Meta обучает алгоритмы ранжирования рекламы. Сама GEM не выбирает объявления: её знания используют другие, более компактные модели, работающие в Facebook, Instagram Reels и при оценке конверсий за пределами платформ Meta. Новая версия GEM стала крупнее и учитывает вдвое более длинную историю действий пользователя. По утверждению компании, с прошлого года этот подход обеспечил примерно 19% улучшения конверсий.

Для рекламодателей все эти изменения происходят автоматически: менять настройки кампаний не нужно. Но последствия могут оказаться гораздо шире технического обновления. Раньше специалисты вручную делили аудиторию на сегменты, сравнивали результаты и искали группы пользователей, которые лучше реагируют на рекламу. Теперь значительную часть этой работы алгоритмы выполняют самостоятельно.

«По мере того как модели ранжирования всё точнее определяют, кому будет интересна реклама, значение таргетинга постепенно снижается», — объясняет Стайнер. По его словам, машинное обучение справляется с подбором аудитории быстрее и точнее человека, который анализирует результаты в таблицах.

Означает ли это, что рекламные специалисты больше не нужны? Стайнер так не считает. Алгоритмы умеют выбирать объявления и оптимизировать показы, но не способны самостоятельно определить маркетинговую стратегию компании. Поэтому рекламодателям, по его мнению, стоит доверить автоматике рутинные настройки и сосредоточиться на задачах, где действительно нужны человеческие решения.