Meta kondigt met trots het nieuw ontwikkelde advertentie-foundation-model Generative Ads Recommendation Model (GEM) aan — een grote stap in de evolutie van advertentie-aanbeveling. Het model is ontworpen om relevantie, schaal en efficiëntie van advertenties te versterken en zo zowel voor gebruikers als adverteerders betere resultaten te boeken.
|
Meta’s Generative Ads Model (GEM): The Central Brain Accelerating Ads Recommendation AI InnovationWe’re sharing details about Meta’s Generative Ads Recommendation Model (GEM), a new foundation model that delivers increased ad performance and advertiser ROI by enhancing other ads recommendation … |
Een ‘centrale memory’ voor advertenties
Meta beschouwt GEM als het meest geavanceerde fundament binnen haar advertentie-aanbevelingssysteem — geïnspireerd op grootschalige taalmodellen (LLM’s) maar specifiek toegesneden op advertentie-data. Dankzij deze architectuur – die moeiteloos groeit met meer parameters en data – maakt GEM meer accurate voorspellingen terwijl de efficiëntie behouden blijft.
Waarom dit model een doorbraak is
- Schaalbaarheid & efficiëntie: GEM is viermaal zo efficiënt in het genereren van advertentie-prestatiewinst voor dezelfde hoeveelheid data en compute vergeleken met de vorige generatie van Meta’s advertentie-rankingmodellen.
- Kennis-overdracht (knowledge transfer): Het model introduceert nieuwe technieken waarmee kennis wordt overgedragen naar honderden downstream-modellen in de advertentie-stack — met een twee-maal zo hoge effectiviteit dan standaard kennisdistillatie.
- Training op LLM-schaal: Meta heeft duizenden GPU’s ingezet, geavanceerde parallelisme, custom kernels en geheugentechnieken toegepast om GEM te trainen
Hoe GEM technisch werkt
Het model verwerkt een enorme variëteit aan signalen: van sequenties van gebruikersinteracties (klik, weergave, conversie) tot statische kenmerken (leeftijd, locatie, advertentie-formaat) en creatieve input.
- Sequentie-feature-modellering: GEM gebruikt een piramide-parallelstructuur om duizenden events in de gebruikersgeschiedenis te verwerken en diepere patronen te ontdekken.
- Niet-sequentie-feature-interacties: Via een aangepaste architectuur (o.a. stackable factorization machines in de ‘Wukong’ blokken) leert het model welke combinaties van kenmerken het meest voorspellend zijn.
- Multidomein-leren: Gebruikersgedrag op bijvoorbeeld Instagram wordt benut om advertentie-aanbevelingen op Facebook Feed te verbeteren – terwijl specifieke kenmerken van elk platform behouden blijven.
Resultaten en impact
Sinds de lancering in 2025 meldt Meta dat de advertentieconversies op Instagram met ongeveer 5% zijn gestegen en op Facebook Feed met ongeveer 3% in Q2. Bovendien is de prestatieboost door data & compute-toekenning in Q3 verdubbeld — wat betekent dat Meta met elke extra inspanning meer rendement behaalt. Voor adverteerders vertaalt dit zich in een hogere Return on Ad Spend (ROAS) terwijl Meta haar infrastructuur beter benut.
Waarom dit relevant is
Voor jou is dit een interessant signaal:
- Advertentieplatformen evolueren van simple recsys naar generatieve foundation-modellen.
- De koppeling tussen creatie (ad-content), gebruikersgedrag en AI-architectuur wordt steeds hechter.
- De schaal en complexiteit van deze systemen groeit: wat vandaag nog experimenteel is, wordt morgen standaard.
Wat betekent dit voor de toekomst?
Meta geeft aan dat GEM zich verder zal uitbreiden: van tekst en klik-data naar multimodale input (beelden, audio, video) en naar alle belangrijke oppervlakken van Facebook en Instagram. Het doel: een “unified engagement model” dat zowel organische content als advertenties slimmer kan ranken en presenteren — voor een naadloze gebruikerservaring én effectievere advertentieplaatsing. Voor bedrijven en ontwerpers betekent dit dat personalisatie op grote schaal niet langer een wens is, maar snel een basisvoorwaarde wordt.
Meta’s GEM-model markeert een belangrijk moment in de advertentie-AI-wereld: niet enkel vanwege de technische schaal of de prestatieverbeteringen, maar ook omdat het een verschuiving toont richting generatieve, foundation-modelgedreven recsys in plaats van traditionele rankingmodellen.
