تستعد ميتا لطرح نماذج من الذكاء الاصطناعي أكثر فعالية لتحسين الأداء عبر جميع أنواع الإعلانات ومساحات عرضها، للاستفادة من التوسع السريع في المناطق عالية النمو، مثل نمط الفيديو القصير لتوفير تجارب ممتعة للأشخاص، مع الاستمرار في حماية الخصوصية.
- اقرأ أيضاً: ميتا تطلق حملة #حِب_المحلي #LoveLocal على انستغرام وفيسبوك لدعم الشركات الصغيرة والمتوسطة
- اقرأ أيضاً: طلاب مدرسة 42 أبوظبي يطورون مشروعاً يمكنه التنبؤ بأمراض الكلى بالاعتماد على الذكاء الاصطناعي
- اقرأ أيضاً: مقهى فيجن دبي في عالم الميتافيرس يرحب بضيوفه من محبي العملات المشفرة والرموز غير القابلة للاستبدال
التنبؤ بأداء الاعلان
مؤخراً قامت ميتا ببناء ونشر Meta Lattice، وهي بنية نموذج جديدة تتعلم التنبؤ بأداء الإعلان عبر مجموعة متنوعة من مجموعات البيانات وأهداف التحسين التي كانت مدعومة سابقاً بالعديد من النماذج الأصغر حجماً والمنعزلة. وتعزز هذه البنية نظام إعلانات ميتا بالطرق التالية:
*أداء أفضل
بنية Meta Lattice قادرة على تحسين أداء نظام الإعلانات لدينا بشكل كلي. فقد عززت ميتا أدائها من خلال بنية عالية السعة تسمح لنظام ميتا الإعلاني بفهم المفاهيم والعلاقات الجديدة في البيانات على نطاق أوسع وأعمق ويفيد المعلنين من خلال التحسين المشترك لعدد كبير من الأهداف.
تظهر النتائج المبكرة على إنستغرام أن مشاركة المعرفة عبر مساحاته المختلفة (على سبيل المثال، الموجز والقصص ومقاطع Reels) وعبر أهداف المعلنين المختلفة (على سبيل المثال، النقرات ومشاهدات الفيديو والتحويلات) أدت إلى زيادة الأداء للمعلنين. أدى التحسين المشترك للقيمة للأشخاص والمعلنين إلى تجارب إعلانية أفضل للأشخاص، حيث أظهر تحسن بنسبة 8% تقريباً في جودة الاعلانات.
*تحسين كفاءة الذكاء الاصطناعي
تتوقع ميتا أن يسمح الانتقال إلى Meta Lattice بتحسين كفاءة الحوسبة لدى أسطولنا، ومنحنا المزيد من المساحة للموارد لنستكشف آفاقاً جديدة في الذكاء الاصطناعي.
*تكيف أسرع مع مشهد السوق المتغير
تعمل لوائح استخدام البيانات المتطورة وممارسات النظام الأساسي على تغيير نوع وكمية البيانات المتاحة لنماذج التعلم الآلي. لقد صممنا Meta Lattice لتعزيز أداء المعلن في بيئة الإعلان الرقمي الجديدة التي أنشأتها هذه القيود. بالإضافة إلى ذلك، فإن Lattice قادر على تعميم التعلم عبر النطاقات والأهداف، وهو أمر بالغ الأهمية بشكل خاص عندما يكون لدى النموذج بيانات محدودة للتدريب عليها. كما أن عدد النماذج الأقل يعني أنه يمكننا تحديث نماذجنا بشكل استباقي وبكفاءة والتكيف مع مشهد السوق سريع التطور.
