Meta odpala agenta AI do optymalizacji reklam. REA sam pisze kod i debuguje
- Meta wdrożyła agenta AI o nazwie REA, który samodzielnie przeprowadza eksperymenty machine learning dla modeli rankingowych w systemie reklamowym.
- Agent autonomicznie generuje hipotezy badawcze, uruchamia zadania treningowe, wykrywa i naprawia błędy oraz iteruje nad rozwiązaniami bez interwencji inżynierów.
- REA pokrywa pełny cykl życia ML od pomysłu po wdrożenie, co ma przyspieszyć innowacje w jednym z najbardziej dochodowych produktów Mety.
Agent który sam pisze eksperymenty ML
Meta uruchomiła Ranking Engineer Agent (REA) — autonomicznego agenta AI, który samodzielnie przeprowadza pełny cykl eksperymentów machine learning dla modeli rankingowych w systemie reklamowym. REA generuje hipotezy, odpala joby treningowe, debuguje awarie i iteruje nad rozwiązaniami. Wszystko bez czekania na wolnego inżyniera.
To nie jest kolejny copilot podpowiadający kod. REA działa end-to-end: od pomysłu na eksperyment, przez implementację, po analizę wyników i naprawę tego co się wysypało.
Jak to działa w praktyce
Agent otrzymuje cel biznesowy lub techniczny — na przykład poprawę CTR dla konkretnego segmentu użytkowników. Na tej podstawie samodzielnie formułuje hipotezy badawcze. Nie czeka na brief od product managera ani na code review od seniora.
Po wygenerowaniu hipotezy REA:
- Pisze kod eksperymentu
- Konfiguruje pipeline treningowy
- Uruchamia job na infrastrukturze Mety
- Monitoruje przebieg treningu
- Analizuje metryki wynikowe
Gdy coś się sypie — a w ML sypie się często — agent nie czeka na dyżurnego. Sam diagnozuje problem, proponuje fix i odpala kolejną iterację. Pętla feedback-action-iteration działa 24/7.
Dlaczego akurat ads ranking
System reklamowy Mety to maszyna do drukowania pieniędzy — w Q4 2024 reklamy wygenerowały ponad 38 miliardów dolarów przychodu. Każda poprawa modeli rankingowych o ułamek procenta przekłada się na setki milionów w skali roku.
Problem: zespoły ML nie nadążają z eksperymentami. Typowy cykl od pomysłu do wdrożenia trwa tygodnie. Inżynierowie spędzają godziny na debugowaniu błędów infrastrukturalnych zamiast myśleć o architekturze modeli. REA ma odblokować to wąskie gardło.
Meta nie podała konkretnych liczb przyspieszenia, ale sam fakt publikacji na blogu inżynieryjnym sugeruje, że wyniki wewnętrzne są obiecujące.
Agent jako współpracownik, nie zastępca
REA nie działa w próżni. Inżynierowie definiują przestrzeń poszukiwań, ustalają guardrails i walidują najważniejsze decyzje. Agent nie może samodzielnie wrzucić zmian na produkcję bez ludzkiego sign-offu.
To model human-in-the-loop, ale z odwróconymi proporcjami. Zamiast inżyniera który robi 90% roboty i czasem używa narzędzi AI, mamy agenta który robi 90% roboty i czasem pyta człowieka o zdanie.
Meta pozycjonuje REA jako “autonomiczny, ale nadzorowany”. W praktyce oznacza to, że agent może eksperymentować do woli w sandbox, ale deployment wymaga approval chain.
Szerszy kontekst: wyścig agentów w big tech
Meta nie jest sama. Google od miesięcy rozwija agenty do wewnętrznego code review i testowania. Microsoft integruje agenty Copilot z cyklem życia oprogramowania w Azure DevOps. Amazon buduje agenty do automatyzacji AWS.
Wszystkie te firmy mają ten sam problem: za dużo pomysłów, za mało rąk do pracy. Nawet z budżetami na tysiące inżynierów, wąskie gardło przesuwa się z kodu na koordynację i iterację.
Agenci AI mają być mnożnikiem produktywności — nie przez zastępowanie ludzi, ale przez obsługę repetytywnych etapów procesu. REA robi dokładnie to dla ML: obsługuje nudne części (setup, debugging, re-run), żeby ludzie mogli skupić się na trudnych (architektura, trade-offy, decyzje produktowe).
Co REA zmienia dla rynku
Jeśli Meta pokaże, że agenci mogą bezpiecznie działać w krytycznych systemach produkcyjnych, to otworzy drzwi dla szerszej adopcji. Ads ranking to nie piaskownica — to system obsługujący miliardy requestów dziennie, gdzie bug kosztuje miliony.
Dla mniejszych firm sygnał jest jasny: automatyzacja ML lifecycle przestaje być science fiction. Narzędzia typu LangChain czy CrewAI pozwalają budować podobne rozwiązania bez budżetu big techu. Oczywiście bez skali infrastruktury Mety, ale z tą samą logiką działania.
Pytanie które Meta nie adresuje publicznie: co z inżynierami, których robota polega głównie na tym co REA teraz automatyzuje? Oficjalna narracja mówi o “uwolnieniu potencjału”, ale rotacja w teamach ML to temat na osobną dyskusję.
Co dalej
Meta zapowiada rozszerzenie REA na inne obszary niż ads ranking. Szczegółów brak, ale naturalnymi kandydatami są rekomendacje w Feedzie, moderacja treści i optymalizacja infrastruktury.
Agent który sam debuguje i iteruje nad modelami ML brzmi jak marzenie każdego tech leada. Albo jak koszmar każdego junior ML engineera szukającego pierwszej pracy.
