Meta (Facebook)

Meta는 Tectonic 블록 계층과 전역 BLOB-storage 계층을 진화시켜 스토리지 병목을 완화하고 GPU 활용도와 연구 반복 속도를 높였다.

Meta는 동일 필드명의 모호성과 AI 네이티브 데이터 복잡성을 해결하기 위해 LLM으로 애매한 자산을 해석하고 이를 버전된 결정적 규칙으로 증류하는 하이브리드 프라이버시 인프라를 제시한다.

Facebook이 그룹 검색의 정확도를 높이기 위해 키워드 기반 검색과 시맨틱 검색을 결합한 하이브리드 아키텍처 및 Llama 3 기반 자동 평가 시스템을 도입했습니다.

Meta는 AI 에이전트 플랫폼을 구축하여 인프라 성능 저하(Regression) 감지와 최적화 기회(Offense) 발굴 및 코드 수정을 자동화함으로써 수백 MW의 전력을 절감했다.

Meta Tech 팟캐스트에서 대규모 인프라의 설정 배포 안전성을 높이기 위한 카나리 배포, 모니터링, 그리고 AI 기반의 장애 대응 최적화 전략을 공유했다.

Meta는 50개 이상의 전문 AI 에이전트를 활용해 대규모 코드베이스의 암묵적 지식을 추출하고, 이를 AI 에이전트용 내비게이션 가이드로 변환하는 사전 연산 엔진을 구축했다.

Meta는 다양한 하드웨어 환경에서 AI 모델의 커널 최적화를 자동화하여 성능을 최대 60% 향상시키는 자율 에이전트 시스템 KernelEvolve를 발표했다.

Meta가 베이지안 최적화를 활용해 고성능·친환경 콘크리트 배합을 설계하는 AI 모델 'BOxCrete'를 오픈 소스로 공개했다.

Facebook Reels는 사용자 간 친밀도 모델과 다중 작업 학습(MTML) 랭킹 시스템을 결합하여 친구가 반응한 고품질 콘텐츠를 우선 추천하고 소셜 연결성을 강화한다.

Meta는 광고 랭킹 모델의 가설 생성부터 학습, 디버깅까지 전 과정을 자율적으로 수행하여 모델 정확도를 2배, 엔지니어 생산성을 5배 높인 REA를 공개했다.

Meta는 안전하지 않은 Android API를 래핑한 보안 프레임워크와 생성형 AI 기반의 자동 코드 수정 도구를 결합하여 대규모 보안 패치 시스템을 구축했다.

Meta가 Messenger의 종단간 암호화 환경에서 사용자 프라이버시를 침해하지 않고 악성 링크를 탐지하기 위해 도입한 고급 브라우징 보호(ABP)의 암호화 및 인프라 기술을 상세히 기술한다.

Meta가 수년간 유지하던 자체 FFmpeg 포크를 폐기하고, 멀티레인 트랜스코딩과 실시간 품질 지표 기능을 공식 버전에 기여하며 업스트림으로 완전히 전환했습니다.

Meta는 단순 시청 지표를 넘어 사용자 설문 데이터를 직접 학습하는 UTIS 모델을 통해 Facebook Reels의 추천 정확도와 사용자 만족도를 획기적으로 높였습니다.

메타가 XR 기기의 화면 제약을 극복하기 위해 컴패니언 앱과 푸시 알림을 활용한 새로운 교차 기기 패스키 인증 방식을 도입했다.