Berdasarkan tulisan di blog resminya, Meta (18/11) memaparkan cara perusahaan menggunakan agen AI untuk menyebarkan inovasi machine learning ke ribuan model pemeringkat iklan (ads ranking models) yang beroperasi di berbagai permukaan produk. Sistem yang disebut Ranking Engineer Agent (REA) ini diklaim mampu menangani lebih dari 60% seluruh proses propagasi teknik sejak agen mulai menjalankan tugas pada Maret 2026, dengan produktivitas rekayasa naik sekitar tiga kali lipat dibanding cara manual.
Inti persoalan yang dijawab Meta sederhana: model iklan mereka bukan satu, melainkan banyak, dan masing-masing punya arsitektur, data, serta keterbatasan yang berbeda. Ketika peneliti menemukan teknik baru—misalnya lapisan faktorisasi Wukong atau jaringan interaksi Interformer—teknik itu tidak bisa langsung disalin-tempel ke model lain. Butuh adaptasi, dan setiap adaptasi memakan waktu serta daya komputasi. Karena teknik machine learning punya umur pakai sebelum tergantikan inovasi berikutnya, kecepatan penyebaran menjadi penentu nilai.
Meta menjawab tantangan itu lewat tiga kemampuan utama: Discovery, Generalization, dan Adoption. Discovery adalah kemampuan memetakan teknik mana yang sudah terbukti dan memperkirakan seberapa besar dampaknya bila diterapkan ke model lain, sehingga muncul daftar kandidat yang sudah diurutkan berdasarkan prioritas. Generalization berarti menyesuaikan teknik agar cocok dengan model yang bukan target awal; untuk model yang dibangun dari template bersama, penyesuaian cukup dilakukan sekali per template dan otomatis menjangkau semua model di bawahnya. Adoption adalah tahap akhir: mengubah hasil yang valid menjadi model yang benar-benar tayang, termasuk menjalankan eksperimen, memantau pelatihan berdurasi beberapa hari, mendiagnosis kegagalan, dan merakit proposal peluncuran.
Agen AI kini mengambil alih bagian yang selama ini paling banyak makan waktu insinyur: keputusan-keputusan yang tidak bisa ditulis sebagai aturan baku. Mereka menggabungkan penalaran berbasis large language model (LLM) dengan akses ke data dan alat internal, lalu memutuskan teknik mana yang layak dicoba di model mana, seberapa luas pencarian hyperparameter yang dibutuhkan, hingga mengapa sebuah model gagal menunjukkan peningkatan. Klaim Meta, sejak agen mulai menjalankan eksekusi pada Maret 2026, lebih dari 60% propagasi teknik ditangani secara otomatis, dengan penghematan biaya komputasi yang diperkirakan mencapai lebih dari 45 juta dolar AS hingga akhir tahun.
Secara umum, istilah “propagasi teknik” di sini merujuk pada proses membawa satu inovasi machine learning dari model tempat ia diuji ke seluruh armada model lain yang relevan. Pendekatan template-driven yang sudah dijalankan Meta selama dua tahun terakhir memungkinkan satu pembaruan di tingkat template langsung diterapkan ke ribuan model turunan, sehingga pekerjaan insinyur tinggal fokus pada kasus-kasus yang memang butuh penalaran mendalam. Kombinasi template bersama dan agen AI ini menjadi cara Meta menjaga agar pembaruan tidak tersumbat di satu model sementara model lain menunggu giliran.