Meta describió un sistema de plantillas reutilizables para desarrollar y actualizar los modelos de aprendizaje automático que utiliza en la clasificación de anuncios. La compañía busca resolver un problema de escala: una mejora que funciona en un modelo no siempre puede trasladarse fácilmente a otros con datos, arquitecturas y objetivos diferentes.
Según la empresa, el enfoque redujo un 92% el tiempo de ingeniería por modelo durante los últimos dos años. El dato corresponde a su propia operación publicitaria y no implica que otras organizaciones obtengan el mismo resultado.
De modelos aislados a componentes compartidos
Los sistemas publicitarios de Meta utilizan numerosos modelos para distintas superficies y objetivos. Con el tiempo, las diferencias entre sus configuraciones hicieron más costoso adaptar una técnica exitosa a cada uno y verificar que no afectara su rendimiento.
La respuesta de la compañía fue agrupar modelos similares alrededor de un conjunto más reducido de plantillas, denominadas Standard Model Templates. Cada plantilla reúne componentes compartidos, como decisiones de arquitectura, selección de variables y configuración de entrenamiento, sin eliminar necesariamente las particularidades de cada modelo.
En lugar de probar una mejora desde cero en cada implementación, los equipos pueden evaluarla sobre modelos representativos y, si cumple los criterios establecidos, incorporarla a una nueva versión de la plantilla. Meta informa que también valida las técnicas en modelos que no participaron de la selección inicial, para comprobar si los resultados se trasladan.
Qué muestran los resultados de Meta
Además de la reducción de tiempo por modelo, la empresa afirma haber llevado a producción más de 5.000 combinaciones de técnicas y modelos en dos años. Son resultados comunicados por Meta sobre su infraestructura y sus procesos; la fuente no constituye una evaluación independiente ni establece una referencia universal para otras empresas.
La estandarización tampoco elimina la necesidad de pruebas. Una mejora promedio puede ocultar retrocesos en modelos particulares, por lo que Meta señala que considera tanto el rendimiento general como las regresiones antes de integrar cambios.
En un artículo complementario, la compañía explica que también usa agentes de IA para asistir en la identificación, adaptación y evaluación de técnicas. En ese proceso, las personas revisan decisiones relevantes y aprueban lo que llega a producción.
Una oportunidad para empresas con modelos predictivos
Una organización argentina que pronostica demanda por familia de productos, por ejemplo, podría terminar manteniendo modelos separados para distintas líneas comerciales. Si cada uno utiliza procesos y configuraciones incompatibles, incorporar una mejora o corregir un error puede exigir trabajo repetido.
Una alternativa sería construir una base común para preparar datos, entrenar modelos y registrar resultados, conservando ajustes específicos donde hagan falta. Una mejora validada en un grupo representativo podría evaluarse después en otras líneas, en lugar de rediseñar el proceso completo para cada una.
Ese escenario es una aplicación posible del principio descrito por Meta, no una implementación anunciada por la empresa. Su conveniencia dependerá de contar con datos suficientes y comparables, criterios de evaluación adecuados y modelos que compartan características. Para una PyME con un solo modelo sencillo, crear una plataforma de plantillas podría no justificarse.
La reutilización también necesita control
Compartir componentes puede facilitar el mantenimiento, pero también extender un error a varios modelos. Por eso, cualquier enfoque de este tipo requiere registrar versiones, comparar resultados y conservar la posibilidad de revisar o revertir cambios.
La experiencia de Meta muestra que escalar una solución de datos no consiste solamente en crear más modelos: también exige organizar cómo se prueban y evolucionan. Quinto Impacto podría acompañar a las empresas en ese trabajo mediante analítica de datos, desarrollo de software y consultoría tecnológica, con un alcance proporcionado a sus necesidades.