AI agent

Meta sử dụng tác nhân AI để tự động hóa cập nhật mô hình ML trên toàn bộ hệ thống quảng cáo

Meta báo cáo rằng các tác nhân AI hiện xử lý hơn 60% việc phổ biến kỹ thuật cho các mô hình xếp hạng quảng cáo, giúp giảm 4 lần chi phí tính toán huấn luyện và tiết kiệm ước tính khoảng 45 triệu USD.

Minh họa các tác nhân AI quản lý hạ tầng máy chủ và mô hình ML
Minh họa được tạo riêng cho bài viết này

Được dịch tự động từ bản gốc tiếng Anh.

Meta đã triển khai các tác nhân AI tự động để quản lý việc phổ biến các cải tiến máy học (machine learning) trên hạ tầng xếp hạng quảng cáo quy mô lớn của mình. Kể từ tháng 3 năm 2026, các tác nhân này đã đảm nhận hơn 60% khối lượng công việc trước đây do kỹ sư con người thực hiện, dẫn đến những cải thiện đáng kể về hiệu quả và cắt giảm chi phí.

Điều gì đã xảy ra

Hệ thống đề xuất quảng cáo của Meta phụ thuộc vào một danh mục lớn các mô hình xếp hạng riêng biệt, mỗi mô hình được thiết kế riêng cho các bề mặt sản phẩm và mục tiêu nhà quảng cáo cụ thể. Khi các nhà nghiên cứu phát triển một cải tiến mới, được gọi là "kỹ thuật", nó phải được điều chỉnh cho từng mô hình trong hệ thống. Quá trình này, gọi là phổ biến kỹ thuật, rất phức tạp vì mỗi mô hình có kiến trúc, ràng buộc dữ liệu và yêu cầu phục vụ (serving) độc đáo. Một kỹ thuật hoạt động tốt trên một mô hình hiếm khi chuyển giao trực tiếp sang mô hình khác mà không cần tùy chỉnh đáng kể.

Để giải quyết nút thắt cổ chai này, Meta đã giới thiệu các tác nhân AI nhằm tự động hóa những khía cạnh đòi hỏi nhiều phán đoán trong quá trình phổ biến. Các tác nhân này xác định những kỹ thuật đã được chứng minh, khái quát hóa chúng cho các kiến trúc mô hình khác nhau và quản lý quy trình áp dụng bao gồm cả huấn luyện và gỡ lỗi. Kết quả thu được rất đáng kể. Các phép đo ban đầu cho thấy năng suất kỹ thuật tăng gấp ba lần, cho phép mỗi kỹ sư giám sát số lượng điều chỉnh gấp ba lần so với trước đây. Ngoài ra, các tác nhân đạt được mức giảm trung vị bốn lần về tài nguyên tính toán huấn luyện cho một số tổ hợp nhất định, dẫn đến khoản tiết kiệm ước tính 45 triệu USD vào cuối năm.

Sự thay đổi này đánh dấu bước chuyển từ việc điều chỉnh thủ công, dựa vào chuyên gia sang một hệ thống tự động, chuẩn hóa, có khả năng đưa ra các quyết định kỹ thuật phức tạp. Mặc dù các kỹ sư vẫn xem xét các quyết định quan trọng và phê duyệt bản phát hành cuối cùng, nhưng các tác nhân đảm nhận phần lớn công việc thực thi, chẩn đoán và tối ưu hóa.

Cách thức hoạt động

Hệ thống phổ biến hoạt động thông qua ba khả năng chính: khám phá, khái quát hóa và áp dụng. Trong giai đoạn khám phá, các tác nhân quét cơ sở tri thức chung về các kỹ thuật đã được chứng minh và ước tính mức độ phù hợp của chúng trên toàn bộ hệ thống mô hình. Thay vì dựa vào ký ức của từng chuyên gia, các tác nhân sử dụng dữ liệu lịch sử để xếp hạng các cặp kỹ thuật-mô hình theo tác động dự kiến, tạo ra một danh sách ưu tiên để xem xét.

Khái quát hóa liên quan đến việc điều chỉnh một kỹ thuật để hoạt động trên các mô hình mà nó không được thiết kế ban đầu. Đối với các mô hình được xây dựng từ các mẫu chuẩn hóa, các tác nhân tối ưu hóa chính mẫu đó, cho phép kỹ thuật tự động lan truyền đến tất cả các mô hình sử dụng cấu trúc tương tự. Đối với các mô hình tùy chỉnh, mang lại doanh thu cao, các tác nhân học hỏi từ những lần điều chỉnh ban đầu do con người dẫn dắt. Chúng theo dõi các thay đổi cấu hình và kết quả, sau đó đề xuất và thử nghiệm các điều chỉnh cho những mô hình còn lại. Bằng cách thu hẹp không gian tìm kiếm siêu tham số dựa trên kết quả trước đó, chúng tránh lãng phí tài nguyên tính toán vào các cấu hình ít có khả năng thành công.

Trong giai đoạn áp dụng, các tác nhân khởi chạy các thí nghiệm, giám sát các quá trình huấn luyện kéo dài nhiều ngày và chẩn đoán lỗi. Nếu một công việc bị đình trệ hoặc phân kỳ, tác nhân sẽ xác định nguyên nhân gốc rễ, chẳng hạn như lỗi đường ống dữ liệu, và áp dụng các biện pháp sửa chữa hoặc thử lại. Chúng cũng quản lý năng lực tính toán tổng thể, ưu tiên các công việc giá trị cao và dừng các lần chạy ưu tiên thấp để đảm bảo GPU được sử dụng hiệu quả. Sự điều phối này cho phép hàng trăm quy trình làm việc chạy đồng thời với sự can thiệp tối thiểu từ con người.

Chi tiết chính

  • Các tác nhân AI đã xử lý hơn 60% nhiệm vụ phổ biến kỹ thuật kể từ tháng 3 năm 2026.
  • Năng suất kỹ thuật tăng gấp 3 lần, cho phép các kỹ sư quản lý nhiều lần điều chỉnh hơn.
  • Mức sử dụng tài nguyên tính toán huấn luyện giảm trung vị 4 lần đối với một số tổ hợp kỹ thuật-mô hình chọn lọc.
  • Meta ước tính tổng khoản tiết kiệm tài nguyên tính toán lên tới hơn 45 triệu USD vào cuối năm.
  • Hệ thống nhắm mục tiêu rút ngắn thời gian phổ biến kỹ thuật từ hơn một năm xuống còn ba tháng.
  • Các tác nhân sử dụng một cơ sở tri thức chung chứa hàng triệu lần chạy huấn luyện trước đó để hỗ trợ ra quyết định.

Tại sao điều này quan trọng

Đối với các nhóm xây dựng hệ thống ML quy mô lớn, nút thắt cổ chai thường không nằm ở việc khám phá các kỹ thuật mới mà là ở việc triển khai chúng rộng rãi. Việc điều chỉnh thủ công không thể mở rộng quy mô vì nó đòi hỏi chuyên môn sâu về lĩnh vực cho từng biến thể mô hình đơn lẻ. Cách tiếp cận của Meta chứng minh rằng tự động hóa "chặng cuối cùng" của việc triển khai ML có thể mở khóa giá trị đáng kể. Bằng cách giảm thời gian cần thiết để một đổi mới đi vào môi trường sản xuất, các công ty có thể nắm bắt giá trị trước khi thế hệ kỹ thuật tiếp tục làm cho kỹ thuật hiện tại trở nên lỗi thời.

Khoản tiết kiệm về mặt tính toán cũng equally quan trọng. Huấn luyện các mô hình lớn tốn kém, và các chiến lược phổ biến ngây thơ lãng phí nguồn lực vào các thí nghiệm thất bại. Sử dụng các tác nhân để thông minh thu hẹp không gian tìm kiếm và dừng sớm các công việc thất bại giúp bảo toàn ngân sách cho các công việc tiềm năng cao. Hiệu quả này cho phép các tổ chức khám phá phạm vi giả thuyết rộng hơn mà không vượt quá giới hạn hạ tầng, thúc đẩy các chu kỳ đổi mới nhanh hơn.

Hơn nữa, nghiên cứu tình huống này làm nổi bật sự thay đổi trong vai trò của các kỹ sư ML. Thay vì dành thời gian cho việc tinh chỉnh và gỡ lỗi lặp đi lặp lại, các kỹ sư đóng vai trò là người giám sát, đặt ra các ưu tiên và xác thực đầu ra của tác nhân. Quy trình làm việc lai này tận dụng tốc độ của tự động hóa trong khi vẫn duy trì sự giám sát của con người đối với các quyết định quan trọng, cung cấp một khuôn mẫu thực tế để mở rộng quy mô vận hành AI.

Bạn có thể làm gì

  • Kiểm toán quy trình triển khai ML của bạn để xác định các nhiệm vụ điều chỉnh lặp đi lặp lại đang tiêu tốn băng thông kỹ thuật.
  • Chuẩn hóa kiến trúc mô hình ở mức có thể để cho phép phổ biến các cải tiến dựa trên mẫu.
  • Xây dựng một cơ sở tri thức tập trung về các thí nghiệm trong quá khứ, bao gồm cả những thất bại, để hỗ trợ các nỗ lực tự động hóa trong tương lai.
  • Triển khai các cơ chế giám sát và phục hồi tự động cho các công việc huấn luyện chạy dài để giảm bớt việc phân loại thủ công.
  • Bắt đầu với sự hỗ trợ của tác nhân ở quy mô nhỏ cho việc tinh chỉnh siêu tham số trước khi mở rộng sang điều phối toàn bộ quy trình làm việc.
  • Xác định rõ các chỉ số rào chắn (guardrail metrics), chẳng hạn như chi phí suy luận và độ trễ, để đảm bảo các thay đổi tự động không làm giảm hiệu suất.
  • #meta
  • #ai agents
  • #machine learning
  • #ads ranking
  • #mlops
  • #automation

Công cụ từ cửa hàng Bytechap

Đọc tiếp

Tất cả bài viết