"Meta Andromeda" AI ตัวใหม่ที่คนทำ Facebook Ads ต้องรู้

Meta Ads กำลังเปลี่ยนเกม: จาก Sequence Learning สู่ Andromeda และ GEM — สิ่งที่ทีม Agency และ Marketer ต้องเข้าใจในปีนี้

Meta Ads ไม่ได้ชนะกันด้วย manual setup แบบเดิมอีกต่อไป บทความนี้สรุป 3 เทคโนโลยีสำคัญของ Meta — Sequence Learning, Andromeda และ GEM — และอธิบายว่าทีม Agency/Marketer ควรปรับกลยุทธ์อย่างไรให้ทันระบบโฆษณายุค AI. (Engineering at Meta)

---

หลายปีที่ผ่านมา คนทำ Performance Marketing จำนวนมากน่าจะสังเกตเหมือนกันว่า การยิงแอดบน Meta ไม่ได้ชนะกันด้วย “เทคนิคการตั้งค่า” แบบเดิมเท่าเมื่อก่อนแล้ว ไม่ว่าจะเป็นการแยก audience ละเอียดยิบ การซอย ad set จำนวนมาก หรือการพยายามคุม delivery ทุกจุดด้วยมือ วันนี้ Meta กำลังเปลี่ยนโครงสร้างของ ads system ให้ AI เข้าใจผู้ใช้ โฆษณา และบริบทของการแสดงผลได้ลึกขึ้นอย่างเป็นระบบ ไม่ใช่แค่เพิ่ม automation แบบผิวเผินเท่านั้น (Engineering at Meta)

ถ้ามองจากบทความวิศวกรรม 3 ชิ้นของ Meta ภาพใหญ่ค่อนข้างชัดเจนมาก ชิ้นแรกอธิบายว่า Meta กำลังย้ายจากการใช้ฟีเจอร์ที่มนุษย์ออกแบบไว้ล่วงหน้า ไปสู่การให้โมเดลเรียนรู้จาก “ลำดับพฤติกรรมจริง” ของผู้ใช้ผ่าน sequence learning ชิ้นที่สองอธิบาย Andromeda ซึ่งเป็น retrieval engine รุ่นใหม่ที่ช่วยเลือกโฆษณาที่เหมาะจาก candidate จำนวนมหาศาล ส่วนชิ้นที่สามอธิบาย GEM หรือ Generative Ads Model ซึ่ง Meta วางให้เป็น foundation model กลางสำหรับ ads recommendation และใช้ถ่ายทอดความรู้ไปยังโมเดลย่อยต่างๆ ในระบบโฆษณาโดยรวม (Engineering at Meta)

1) Sequence Learning: Meta ไม่ได้อยากรู้แค่ว่า “ผู้ใช้นี้สนใจอะไร” แต่ต้องการเข้าใจว่า “เขาเคลื่อนผ่าน journey อย่างไร”

ในบทความแรก Meta อธิบายว่าระบบเดิมที่พึ่ง DLRM และ sparse features แบบ human-engineered แม้จะทำงานได้ดีมานาน แต่มีข้อจำกัดสำคัญ เพราะข้อมูลที่ถูก aggregate ออกมาเป็นฟีเจอร์ มักทำให้ “ลำดับของเหตุการณ์” หายไป เช่น ผู้ใช้เห็นอะไร คลิกอะไร แล้วค่อยคอนเวิร์ตอย่างไร รวมถึงทำให้รายละเอียดเชิงบริบทของแต่ละ event หายไปด้วย Meta จึงเปลี่ยนไปใช้ event-based learning และ sequence learning เป็นแกนของระบบ recommendation รุ่นใหม่ (Engineering at Meta)

ระบบใหม่นี้ใช้สิ่งที่เรียกว่า Event-Based Features หรือ EBFs ซึ่งเก็บ event เป็นหน่วยข้อมูลที่มีทั้ง event stream, ความยาว sequence และข้อมูลบริบทของ event เช่น timestamp หรือ semantic information ของสิ่งที่ผู้ใช้มีปฏิสัมพันธ์ด้วย จากนั้นจึงสร้าง event embeddings แล้วส่งเข้า sequence model แบบ attention-based เพื่อสรุปพฤติกรรมของผู้ใช้จากลำดับเหตุการณ์จริง Meta ระบุว่าหลังเปิดใช้ ระบบใหม่นี้ช่วยเพิ่ม ads prediction accuracy และนำไปสู่ conversion เพิ่มขึ้น 2–4% ในบาง segment ที่เลือกวัดผล (Engineering at Meta)

ในภาษาของคนทำ media ความหมายคือ Meta กำลังพยายามอ่าน “intent ที่เปลี่ยนตามเวลา” ของผู้ใช้ ไม่ใช่แค่มองจาก snapshot ของ demographic หรือ interest แบบหยาบๆ อีกต่อไป ถ้าระบบเข้าใจลำดับพฤติกรรมได้ดีขึ้น มันก็มีโอกาสคาดเดาได้แม่นขึ้นว่าตอนนี้ผู้ใช้คนนี้ควรเห็นโฆษณาแบบไหนที่สุด และนั่นทำให้คุณค่าของ event signal ที่สะอาดกับ conversion data ที่ต่อเนื่องสูงขึ้นมาก (Engineering at Meta)

2) Andromeda: เมื่อระบบเข้าใจผู้ใช้ดีขึ้น ขั้นต่อไปคือ “ต้องหยิบโฆษณาที่ใช่ขึ้นมาให้ได้”

บทความที่สองพูดถึง Andromeda ซึ่ง Meta อธิบายว่าเป็น next-generation personalized ads retrieval engine หน้าที่ของมันคือช่วยระบบเลือกจากโฆษณาจำนวนมหาศาล ว่าโฆษณาใดควรถูกดึงขึ้นมาเป็น candidate ก่อนเข้าสู่ขั้น ranking ต่อไป เรื่องนี้สำคัญมาก เพราะในยุค Advantage+ และ GenAI จำนวนโฆษณาและ creative variations เพิ่มขึ้นเร็วมาก ระบบจึงต้องเก่งขึ้นในขั้น “คัดของที่ควรเอามาแข่ง” ตั้งแต่ต้นทาง (Engineering at Meta)

Meta ระบุว่า Andromeda ถูก deploy บน Facebook และ Instagram แล้ว และช่วยเพิ่ม retrieval recall ได้ 6% กับเพิ่ม ads quality ได้ 8% ในบาง segment ที่เลือกวัดผล บทความเดียวกันยังอธิบายว่า Advantage+ และเครื่องมือ creative automation ทำให้จำนวน eligible ads โตขึ้นอย่างมีนัยสำคัญ และ Meta ยกตัวอย่างว่าผู้ลงโฆษณาที่เดิมไม่ได้ใช้ Advantage+ creative เมื่อเปิดใช้ AI-driven targeting features แล้วมี ROAS เพิ่มขึ้น 22% ในกรณีศึกษาที่นำเสนอ นอกจากนี้ Meta ยังระบุว่าธุรกิจที่ใช้ image generation มี conversion เพิ่มขึ้นเฉลี่ย 7% และมีผู้ลงโฆษณากว่าหนึ่งล้านรายใช้เครื่องมือ GenAI เพื่อสร้างโฆษณามากกว่า 15 ล้านชิ้นในหนึ่งเดือน (Engineering at Meta)

สิ่งที่ทีม Agency/Marketer ควรอ่านออกจาก Andromeda คือ เกมไม่ได้อยู่ที่การมี “winning ad” เพียงตัวเดียวอีกต่อไป แต่อยู่ที่การมี creative options ที่ต่างกันจริง มากพอให้ระบบเลือกไป match กับผู้ใช้แต่ละคนและแต่ละช่วงของ journey หาก retrieval engine ฉลาดขึ้น แต่ใน account ของเรามีแต่ครีเอทีฟคล้ายกัน ข้อความขายคล้ายกัน หรือมีแค่ 1–2 angle ระบบก็มีตัวเลือกจำกัดอยู่ดี ต่อให้ AI เก่งขึ้นก็ใช้ศักยภาพได้ไม่เต็มที่ (Engineering at Meta)

3) GEM: Meta กำลังมี “สมองกลาง” สำหรับระบบโฆษณา

บทความที่สามยกระดับภาพขึ้นไปอีก เพราะ GEM หรือ Generative Ads Model ไม่ได้เป็นเพียงโมเดลหนึ่งตัวใน stack แต่ Meta อธิบายว่ามันคือ ads foundation model ขนาดใหญ่ระดับ LLM-scale ที่ทำหน้าที่เป็น “central brain” ของ ads recommendation system โดยเรียนรู้จากทั้ง ad content และ user engagement data จากทั้ง ads และ organic interactions บน Facebook และ Instagram แล้วนำความรู้นั้นไปช่วยโมเดล downstream จำนวนมากในระบบโฆษณา (Engineering at Meta)

GEM เรียนรู้จากทั้ง sequence features เช่น activity history ของผู้ใช้ และ non-sequence features เช่น age, location, ad format หรือ creative representation พร้อมทั้งออกแบบ attention ให้เหมาะกับ feature แต่ละกลุ่ม และรองรับ sequence ยาวระดับหลายพัน events เพื่อให้เข้าใจ purchase journey ได้ดีขึ้น Meta ระบุว่าหลัง rollout GEM บน Facebook และ Instagram แล้ว GEM ช่วยเพิ่ม ad conversions 5% บน Instagram และ 3% บน Facebook Feed ใน Q2 และใน Q3 architecture ยังให้ประโยชน์จากการเพิ่ม data และ compute ดีขึ้นอีกเท่าตัวตามที่บริษัทอธิบายไว้ (Engineering at Meta)

ในมุมของ marketer นี่คือสัญญาณว่าระบบโฆษณาของ Meta กำลังรวมความฉลาดไว้ที่แกนกลางมากขึ้น ไม่ใช่แค่มีโมเดลย่อยแยกกันทำงานคนละส่วน Meta ยังเน้นเรื่อง knowledge transfer จาก GEM ไปยัง downstream models ผ่าน post-training, distillation และ parameter sharing ด้วย นั่นหมายความว่า แม้ทีม Agency/Marketer จะไม่ได้ “เปิดใช้ GEM” เหมือนเปิด feature แต่การ optimize ที่เกิดขึ้นในระบบโดยรวมจะค่อยๆ สะท้อนความเข้าใจของ foundation model ตัวนี้มากขึ้นเรื่อยๆ (Engineering at Meta)

4) ถ้าเอา 3 เรื่องนี้มารวมกัน Meta Ads กำลังเปลี่ยนจาก audience-first ไปสู่ intent-first

เมื่อวางทั้ง 3 บทความต่อกัน ภาพจะชัดมาก Sequence Learning ทำให้ Meta เข้าใจพฤติกรรมผู้ใช้เป็นลำดับเหตุการณ์จริง Andromeda ทำให้ระบบคัดโฆษณาที่ควรเข้าแข่งขันได้ฉลาดขึ้น และ GEM ทำให้ความเข้าใจเรื่อง user intent, ad content, cross-surface behavior และบริบทต่างๆ ถูกรวมเป็นความรู้ระดับระบบมากขึ้น นี่คือเหตุผลที่โลกของ Meta Ads กำลังขยับจากการพึ่ง audience segmentation ด้วยมือ ไปสู่การพึ่ง AI-driven matching ที่เข้าใจ “moment” ของผู้ใช้มากกว่าเดิม (Engineering at Meta)

นี่ไม่ได้แปลว่า audience หรือ media planning หายไป แต่แปลว่า “ความแม่นยำที่ได้จาก manual setup” อาจไม่ใช่แหล่งได้เปรียบหลักอีกต่อไป ในทางกลับกัน สิ่งที่มีมูลค่ามากขึ้นคือ signal quality, creative diversity, account structure ที่ไม่แตกเกินไป, และการวัดผลที่ตอบได้ว่า message ไหน, hook ไหน, proof แบบไหน หรือ format ไหน มีบทบาทต่อ conversion จริงมากกว่าแค่ report delivery metrics แบบผิวๆ (Engineering at Meta)

5) สิ่งที่ทีม Agency และ Marketer ควรทำต่อจากนี้

อย่างแรกคือให้ความสำคัญกับ signal hygiene มากขึ้นจริงจัง ไม่ว่าจะเป็น Pixel, CAPI, deduplication, event prioritization หรือการเลือก optimization event ให้ตรงกับ business objective เพราะทั้ง Sequence Learning และ GEM พึ่งพา event-level data กับ measurement signals เป็นรากฐานของการเรียนรู้ ถ้าสัญญาณไม่สะอาด ระบบที่ฉลาดขึ้นก็ไม่ได้แปลว่าจะ optimize ได้เต็มที่ (Engineering at Meta)

อย่างที่สองคือ simplify account structure เท่าที่ทำได้ บทความของ Andromeda และ GEM สะท้อนตรงกันว่า Meta กำลังเก่งขึ้นในการเรียนรู้ pattern ซับซ้อนจากข้อมูลขนาดใหญ่และ candidate จำนวนมาก เพราะฉะนั้นการแบ่ง campaign หรือ ad set ละเอียดเกินจำเป็นอาจยิ่งทำให้สัญญาณแตกและลดประสิทธิภาพของการเรียนรู้ แทนที่จะช่วยควบคุมระบบให้ดีขึ้นเหมือนในอดีต (Engineering at Meta)

อย่างที่สามคือ สร้าง creative system ไม่ใช่แค่ creative asset ในโลกที่ retrieval ฉลาดขึ้นและ recommendation model เข้าใจ user intent ลึกขึ้น ความได้เปรียบจะมาจากการมีหลาย angle, หลาย hook, หลาย proof style และหลาย format มากกว่าการหวังพึ่ง ad ชิ้นเดียวให้ชนะทุกคน ทุก moment และทุก funnel stage ระบบ AI ต้องการตัวเลือกที่ต่างกันจริงเพื่อ match ให้เหมาะกับผู้ใช้แต่ละคนได้ดีขึ้น (Engineering at Meta)

อย่างที่สี่คือ เปลี่ยน reporting จาก campaign-centric ไปเป็น message-centric ถ้าระบบเก่งขึ้นในการจับคู่ user กับ ad งานของทีม Agency/Marketer ไม่ควรหยุดแค่บอกว่า campaign ไหน CPA ต่ำกว่า แต่ควรตอบให้ได้ว่า message ไหน scale ได้, proof แบบไหนช่วยลด CPA, format ไหนเหมาะกับ new customer acquisition มากกว่า และ creative family ไหนมี longevity ดีกว่า เพราะสิ่งเหล่านี้คือ insight ที่มีมูลค่าทางกลยุทธ์มากกว่าชื่อ campaign หรือ CTR ที่สวยเพียงอย่างเดียว (Engineering at Meta)

สรุป

ถ้าจะสรุปทั้งหมดให้เหลือประโยคเดียว Meta กำลังสร้างระบบโฆษณาที่ เข้าใจคนได้ดีขึ้น, เลือกโฆษณาได้ดีขึ้น, และรวมความฉลาดของทั้ง stack ไว้ในโมเดลกลางมากขึ้น นั่นทำให้การทำ Performance Marketing บน Meta ในอนาคตพึ่ง manual tricks น้อยลง และพึ่งคุณภาพของ signal, creative system และ measurement framework มากขึ้นเรื่อยๆ (Engineering at Meta)

ทีมที่จะได้เปรียบจึงไม่ใช่ทีมที่แบ่ง audience เก่งที่สุด แต่คือทีมที่ทำ 4 เรื่องนี้ได้ดีกว่าใคร: ส่ง signal ที่สะอาด, สร้าง creative diversity อย่างเป็นระบบ, รักษา account structure ให้เรียบพอให้ AI เรียนรู้ได้, และแปล performance ออกมาเป็น insight เชิง message และ decision-making ได้จริง (Engineering at Meta)