Meta систематично перетворює свої внутрішні операції на щось, що за суттю є розгалуженим середовищем після навчання для моделей штучного інтелекту.
Що означає пост-навчання та чому це має значення
Створення моделі ШІ відбувається у двох основних етапах. Попереднє навчання — це етап, на якому модель отримує величезні обсяги даних, щоб вивчити шаблони, мову та міркування. Післянавчання — це те, що відбувається далі: доналаштування, вирівнювання, зворотні зв’язки, які перетворюють розумну, але необроблену модель на щось справді корисне.
Meta використовує всю свою корпоративну машинерію як живу лабораторію для другого етапу. Внутрішні програми, такі як «AI Week», створені для того, щоб привернути співробітників компанії до активного використання інструментів і проектів ШІ, отримуючи реальні відгуки.
Коли тисячі співробітників взаємодіють з системами ШІ під час своєї роботи — чи то цільова реклама, модерація контенту, проектування продуктів чи внутрішні комунікації — кожна взаємодія стає даними. Кожна виправлена помилка стає сигналом для навчання. Кожен робочий процес стає еталоном.
Інфраструктура, що лежить в основі стратегії
У лабораторіях суперінтелекту Meta створюються нові посади, такі як «Науковець з штучного інтелекту, після навчання». Ці посади існують виключно для розробки, управління та оптимізації зворотних зв’язків між працівниками Meta та його моделями штучного інтелекту.
Meta інвестувала 14,3 млрд доларів США за 49% стейк у Scale AI — компанії з маркування та оцінки даних. Scale AI спеціалізується на високоякісній людській оцінці, яка робить після-навчання ефективним. Поєднання цієї зовнішньої здатності з внутрішньою стратегією «робоча сила як тестова платформа» надає Meta двохстороннього підходу.
Чому це пов’язано з реклamoю, доходами та все інше
Марк Цукерберг підкреслив роль ШІ у підвищенні ефективності реклами на платформах Meta. Коли моделі ШІ краще розуміють наміри користувачів, передбачають включення та генерують творчі матеріали, дохід від реклами зростає.
Працівник відділу реклами Meta використовує інструмент ШІ для оптимізації націлювання кампаній. Інструмент робить пропозицію. Працівник приймає її, змінює або відхиляє. Кожна з цих дій є навчальним сигналом, який повертається до моделі. Помножте це на тисячі працівників і мільйони рішень — і власні операції Meta стають ресурсом після навчання.
Що це означає для інвесторів та ширшого AI-ландшафту
Інвестиція у Scale AI у розмірі 14,3 мільярда доларів США додає зовнішньої строгості до внутрішнього процесу. Професійна розмітка та оцінка даних у поєднанні з органічними відгуками співробітників створюють післятренувальну пайплайн, який є широким і глибоким.
Ризик полягає у виконанні. Перетворення величезної корпорації на згуртоване середовище для навчання ШІ вимагає координації, яка не є природною для організацій розміру Meta. Внутрішні ініціативи в галузі ШІ можуть стати виконавськими, коли співробітники формально проходять через «Тиждень ШІ», не надаючи справжнього, якісного зворотного зв’язку, що дійсно покращує моделі.
Meta має історичні зв’язки з проектами стейблкоїнів та інфраструктурою цифрових платежів. Більш потужний шар ШІ на платформах Meta в майбутньому може вплинути на те, як цифрові активи інтегруються в повідомлення, комерцію та рекламу.