Ranking Engineer Agent (REA): O Agente de IA Autônomo que Acelera a Inovação no Ranking de Anúncios da Meta

O Ranking Engineer Agent (REA) não é só mais um agente de IA que roda experimentos: ele é uma mudança estrutural no ciclo de engenharia de modelos de ranking da Meta. Enquanto a maioria dos agentes atuais opera em sessões curtas e reativas, o REA foi projetado para gerenciar fluxos de trabalho assíncronos de dias ou semanas, hibernando entre etapas, serializando estado completo (plano, rastreamentos de ferramentas, memória hierárquica) em banco de dados persistente e retomando exatamente onde parou. Essa capacidade de longo prazo depende do framework Confucius, já em produção desde 2024 e usado em mais de 60 aplicações de rede. O REA Planner define hipóteses com base em dois vetores: um banco de dados curado de experimentos passados e um Agente de Pesquisa de ML que explora configurações além do manual interno, evitando, por exemplo, propostas que estourariam orçamentos de inferência ou travariam pipelines conhecidos.

Na prática, o REA não substitui engenheiros, mas redistribui seu tempo: três profissionais agora entregam melhorias para oito modelos, um salto de 5x na produtividade. E os resultados são mensuráveis: +100% na precisão média de modelos em seis casos iniciais. Isso só foi possível porque o REA opera dentro de um framework de três fases (Validação → Combinação → Exploração), com runbooks integrados para falhas e orquestração fina de recursos, incluindo uso do KernelEvolve, que otimizou kernels de baixo nível para o modelo Andromeda Ads, com ganhos de +60% em throughput de inferência em GPUs NVIDIA.

Para equipes de dados e engenharia de ML, o REA mostra como agentes autônomos deixam de ser conceitos teóricos e viram peças críticas de infraestrutura. Ele resolve um gargalo real: ciclos manuais de experimentação que levavam dias ou semanas. Ao desacoplar planejamento de execução e persistir estado entre fases, o REA transforma o desenvolvimento de modelos de ranking em um processo contínuo, auditável e adaptativo, não apenas mais rápido, mas mais robusto. Isso tem implicações diretas para quem constrói pipelines de ML em escala: a automação não está mais limitada a treinamento ou deploy isolados, mas abrange toda a cadeia de inovação, desde geração de hipótese até otimização de kernel. E o fato de exigir aprovação explícita de engenheiros para orçamentos e acesso à infraestrutura reforça que autonomia aqui não significa ausência de governança.