Meta Andromeda 系統推出後，AI 真的比人手選擇受眾用戶更好?

 Meta Andromeda 是 Meta 在廣告技術上的一大進步，它代表著廣告推薦技術朝向更個人化、更精準的方向發展。對於使用者來說，這意味著將看到更符合自己需求的廣告；對於廣告主來說，這意味著能夠更有效地投放廣告，提高投資回報率。

想一下，假如現在大家想推廣一款運動鞋，在舊系統上我們只能設定性別，興趣較單一的項目，但在新系統 Andromeda下就可以透過分析用戶的瀏覽記錄，發現近期瀏覽過相關運動品牌網站或運動用品相關文章的用戶，並將廣告投放給這些用戶。此外，系統還可以根據用戶的運動習慣、偏好顏色等更細緻的資料，為用戶推薦最適合的運動鞋款式。

Meta Andromeda 如何改變現在的系統運作？

Meta Andromeda 的影響主要在廣告投放後的環節。對於設置廣告的用戶而言，實際的操作流程並未發生太大改變。Meta 的廣告系統仍然會在廣告投放後，收集用戶在 Meta 平台上的各類行為數據，如瀏覽過的網頁、點擊的按鈕、互動過的廣告等。同時，也會匯總廣告內容、目標受眾以及過去的表現等相關資訊，並對這些數據進行清洗與處理。而 Andromeda 的核心作用，則在於將清洗後的數據轉化為模型可理解的數值特徵，進一步進行處理。

Andromeda 通過大量數據訓練模型，使其能夠精確預測用戶對不同廣告的偏好。訓練過程中，系統先提取相關特徵，並將這些特徵輸入到訓練好的模型中，生成用戶對廣告的預測點擊率或轉換率。Andromeda 的最大優勢在於，能根據預測得分對所有可能的廣告進行排序，從中選出最有可能吸引用戶點擊或轉化的廣告。該模型還會根據用戶的實際反饋進行持續調整，不斷提升預測的準確性。此外，系統會通過 A/B 測試驗證不同模型和算法的效果，以選擇最佳方案。

Meta Andromeda 跟現在的系統有什麼分別？

如果你是一位有經驗的廣告操作員，或許過去你會認為手動設定目標受眾（TA）比使用 Meta 的 Advantage+ 更有效。然而，當你了解 Andromeda 的強大學習能力後，可能會改變你的看法。

a.) 複雜的AI 學習模型
Andromeda 採用了 DNN（深度神經網絡）和 RNN（循環神經網絡）作為 AI 學習模型，而舊有的廣告系統則使用 LR（邏輯回歸）和決策樹作為學習模型，兩者相比實在無法相提並論。以下是簡單的解釋：

Andromeda 的學習模型:

DNN: 由多層神經元組成的神經網絡，能夠學習複雜的非線性關係。DNN 的層數和神經元數量可以根據任務進行調整。常用於圖像分類、自然語言處理、語音識別等任務。DNN 是 Meta Andromeda 的核心模型，用於學習複雜的用戶行為模式。

RNN: 是一種用於處理序列數據的神經網絡，它具有循環連接，能夠捕捉序列數據中的時序依賴性。其常用於處理用戶的時序行為數據，如最近瀏覽的商品、搜索記錄等。

舊有的學習模型:

LR (Logistic Regression): 是一種線性模型，通常用於二分類問題。它通過建立一個線性方程，將特徵的線性組合映射到一個概率值。表達能力有限，只能表示線性分割面。

決策樹: 是一種樹形結構的模型，通過一系列的 if-then 規則進行分類或迴歸。每個內部節點代表一個特徵，每個分支代表一個特徵取值，葉節點代表類別或連續值。

DNN 和 RNN 是深度學習模型，它們具有更強的學習能力和表達能力，能夠處理複雜的數據和任務。
LR 和 決策樹 屬於傳統的機器學習模型，它們在某些簡單的任務上表現良好，但對於複雜的任務，它們的表達能力有限。

b.) 多項數據收集

傳統系統收集用戶數據有限，就像一個只能看到用戶表面行為的觀察者，而 Meta Andromeda 就像一個全能的偵探，可以從多個角度、多種方式來了解用戶。

Andromeda學數據收集:

多樣化的數據來源： 不僅收集傳統的用戶行為數據，還包括用戶在其他平台的行為、社交媒體上的互動、以及用戶設備產生的各種數據。

深度學習： 利用深度學習技術，從海量的非結構化數據中提取出有價值的信息，例如圖片、文字、視頻等。這個舊系統是做不到的。

實時數據處理： 能夠實時收集和處理用戶數據，捕捉用戶行為的變化。

隱私保護： 在收集和使用數據的過程中，更加注重用戶隱私的保護，採用了更安全的數據處理方式。

舊系統的數據收集:

有限的數據種類： 主要收集用戶的人口統計資料（年齡、性別、地區）、瀏覽紀錄、點擊行為等。

數據深度不足： 對用戶的興趣、偏好、行為模式的刻畫不夠深入。

數據利用率低： 收集到的數據可能並未被充分利用，無法精準地反映用戶的真實需求。

c.)  廣告學習及真實回饋反應較快:

新舊系統在適應性上展現出顯著差異。新系統採用了微服務架構、容器化技術以及雲端原生設計，具備高度靈活性、可擴展性和維護性。這些系統通常整合了機器學習演算法，能從海量數據中進行學習，並持續優化模型，以應對不斷變化的廣告需求。此外，新系統還採用現代化的架構設計與開發方法，能快速響應市場變化，有效縮短開發週期。

相較之下，舊系統多以單體應用架構為主，系統耦合度高，導致維護和升級困難。其技術棧較為老舊，缺乏對新興技術的支持，因此難以滿足現代應用對性能、可靠性及可擴展性的要求。面對複雜多變的業務環境，新系統顯得更加適應且靈活。

Meta 推出的 Andromeda 新系統，不僅是將所有廣告設定轉為 AI 學習模式，更在數據的收集與分析能力上大幅提升，超越舊系統。這不僅鞏固了 Meta 在市場中的領先地位，也為其在 Meta AI 的研發上邁出了一大步。