Meta의 AI 에이전트는 한 달에 1,000개 이상의 실험을 실행했지만 검색 성능은 0.23%만 향상되었습니다.
제목 연관성·주요 수치·시장 영향·향후 전망을 기준으로 핵심 문장을 선별한 요약 브리핑입니다.
핵심 포인트
- Meta는 AI 에이전트를 사용하여 1,097개의 검색 순위 변경을 테스트했으며 325개를 승인한 후 실시간 검색 활동이 0.23% 증가했습니다.
- 자동화된 엔지니어링 캠페인은 360,000 GPU 시간을 소비했으며 AI 기반 최적화와 사용자 경험 간의 균형을 노출했습니다.
- 메타 연구자들은 AI 에이전트를 배포하여 31일 동안 1,097개의 기계 학습 실험을 실행했으며, 검색 활동을 0.23% 향상시키기 위해 약 360,000 GPU 시간을 소비했습니다.
본문
Meta는 AI 에이전트를 사용하여 1,097개의 검색 순위 변경을 테스트했으며 325개를 승인한 후 실시간 검색 활동이 0.23% 증가했습니다. 자동화된 엔지니어링 캠페인은 360,000 GPU 시간을 소비했으며 AI 기반 최적화와 사용자 경험 간의 균형을 노출했습니다. 메타 연구자들은 AI 에이전트를 배포하여 31일 동안 1,097개의 기계 학습 실험을 실행했으며, 검색 활동을 0.23% 향상시키기 위해 약 360,000 GPU 시간을 소비했습니다. 18 연구 논문에서는 자율 AI 시스템이 제한된 인간 개입으로 대규모 추천 모델의 개선 사항을 어떻게 개발하고 테스트할 수 있는지 보여주었습니다. Meta의 접근 방식은 해당 프로세스의 대부분을 자동화하여 에이전트가 여러 실험을 동시에 수행하는 동시에 엔지니어가 연구 우선 순위 및 최종 배포 결정을 제어할 수 있도록 했습니다.
31일 동안 에이전트는 1,097개의 후보 실험을 완료하고 325개를 승인했으며 이는 29.6%의 승인률을 나타냅니다. 이는 여러 실험을 병렬로 실행하는 대신 순차적으로 변경 사항을 평가했던 이전 버전 시스템의 승인률 15.6%와 비교됩니다. Meta는 완료된 실험, 학습 변동성을 측정하는 추가 테스트, 실패하거나 재시도한 작업을 포함하여 약 360,000 GPU 시간으로 총 소비를 추정했습니다. 그 결과 검색 세션량이 0.23% 증가했으며 95% 신뢰 구간은 ±0.15% 포인트였습니다. 문제는 에이전트가 검색 참여의 오프라인 측정에 대해 성능을 최적화하는 반면 연구원은 인터페이스 렌더링 속도를 별도로 모니터링했기 때문에 발생했습니다. 캠페인을 통해 검색 활동이 통계적으로 크게 증가했지만 Meta는 재정적 비용을 공개하지 않았으며 소비되는 리소스를 기존 엔지니어링 팀에 필요한 리소스와 비교하지 않았습니다.
메타 연구원들은 대략 360,000 GPU 시간을 사용한 캠페인 이후 라이브 테스트에서 검색 세션이 0.23% 더 많고 렌더링 속도가 느려졌다고 보고했습니다.