Meta Platforms આર્ટિફિશિયલ ઇન્ટેલિજન્સ (AI) અને લાર્જ લેંગ્વેજ મોડેલ્સ (LLMs) નો ઉપયોગ કરીને ઝડપથી નવા સ્ટેન્ડઅલોન મોબાઇલ એપ્લિકેશન્સ લોન્ચ અને સ્કેલ કરી રહ્યું છે. આ રણનીતિ Threads ની સફળતા પર આધારિત છે, જે તાજેતરમાં **500 મિલિયન** માસિક વપરાશકર્તાઓ સુધી પહોંચી ગયું છે. રોકાણકારો આ નવી AI-ડ્રાઇવ્ડ પ્રોડક્ટ લોન્ચ કેવી રીતે કંપનીના લાંબા ગાળાના વપરાશકર્તા વૃદ્ધિ અને કાર્યક્ષમતાને અસર કરશે તેના પર નજર રાખી રહ્યા છે.
Meta Platforms તેની પ્રોડક્ટ ડેવલપમેન્ટ વ્યૂહરચનામાં ફેરફાર કરી રહ્યું છે અને આર્ટિફિશિયલ ઇન્ટેલિજન્સ (AI) ને તેની મુખ્ય એન્જિનિયરિંગ પ્રક્રિયાઓમાં સમાવી રહ્યું છે. કંપનીના તાજેતરના બીજા ક્વાર્ટરના અર્નિંગ્સ (Earnings) દરમિયાન, CEO Mark Zuckerberg એ જણાવ્યું હતું કે લાર્જ લેંગ્વેજ મોડેલ્સ (LLMs) કંપનીને પહેલા કરતાં ઘણી ઝડપથી નવા મોબાઇલ એપ્લિકેશન્સનું પરીક્ષણ અને ડિપ્લોય કરવામાં મદદ કરી રહ્યા છે. આનો મુખ્ય ઉદ્દેશ્ય ધીમા ડેવલપમેન્ટ સાયકલથી દૂર થઈને એક એવા વાતાવરણનું નિર્માણ કરવાનો છે જ્યાં નવા કોન્સેપ્ટ્સ (Concepts) ને ઝડપથી બનાવી, ચકાસી અને સ્કેલ કરી શકાય.
AI સિસ્ટમ્સ દ્વારા એપ્લિકેશન્સને સ્કેલ કરવી
કંપનીએ પહેલેથી જ માર્કેટપ્લેસ (Marketplace) વિક્રેતાઓ, ફેસબુક ગ્રુપ (Facebook Groups) વપરાશકર્તાઓ અને ફોટો ઉત્સાહીઓ જેવા ચોક્કસ સેગમેન્ટ્સને લક્ષ્યાંકિત કરતી અનેક પ્રાયોગિક એપ્લિકેશન્સ રોલઆઉટ કરી છે. જ્યારે આ પ્રારંભિક રિલીઝ પરીક્ષણ તરીકે સેવા આપે છે, Meta AI-નેટિવ રેકમેન્ડેશન સિસ્ટમ્સ (AI-native recommendation systems) બનાવી રહ્યું છે જે આ એપ્લિકેશન્સને વધુ ઝડપથી ટ્રેક્શન મેળવવામાં મદદ કરશે. AI નો ઉપયોગ કરીને કન્ટેન્ટને સમજવા અને માહિતીને કેવી રીતે રેન્ક (Rank) કરવામાં આવે છે તેમાં સુધારો કરીને, કંપની નવા એપને વિશાળ વપરાશકર્તા આધાર સુધી પહોંચવામાં લાગતો સમય ઘટાડવાનો હેતુ ધરાવે છે.
ભૂતકાળના પડકારોમાંથી શીખવું
Meta નો સ્ટેન્ડઅલોન એપ્લિકેશન્સ તરફનો વર્તમાન પ્રયાસ ભૂતકાળના પ્રયોગોના ઇતિહાસ પછી આવે છે જે લાંબા ગાળાની લોકપ્રિયતા મેળવવામાં સંઘર્ષ કરી રહ્યા હતા. ક્રિએટિવ લેબ્સ (Creative Labs) અને NPE ટીમ (NPE Team) જેવી પહેલ અગાઉ Slingshot અને Paper જેવી અનેક સોશિયલ એપ્સ લોન્ચ કરી હતી, જે વપરાશકર્તાઓની ઓછી સંલગ્નતાને કારણે આખરે બંધ કરવામાં આવી હતી. જોકે, મેનેજમેન્ટ માને છે કે વર્તમાન વાતાવરણ અલગ છે કારણ કે AI હવે કન્ટેન્ટ ડિસ્કવરી (Content discovery) અને વાસ્તવિક બિલ્ડિંગ પ્રક્રિયા બંનેને શક્તિ આપે છે, જે અગાઉના પ્રયાસો કરતાં વધુ મજબૂત પાયો પૂરો પાડે છે.
Threads ગ્રોથનું ઉદાહરણ
Threads ની ઝડપી વૃદ્ધિ, જે 500 મિલિયન માસિક સક્રિય વપરાશકર્તાઓ સુધી પહોંચી ગઈ છે, તે આ રણનીતિ માટે પ્રાથમિક મોડેલ તરીકે સેવા આપે છે. એપની સફળતા Meta ના હાલના સોશિયલ નેટવર્ક કનેક્શન્સનો લાભ લઈને બનાવવામાં આવી હતી, જ્યારે વપરાશકર્તાઓને તાજા કન્ટેન્ટ સાથે સંલગ્ન રાખવા માટે AI-ડ્રાઇવ્ડ રેકમેન્ડેશન્સ (AI-driven recommendations) નો ઉપયોગ કરવામાં આવ્યો હતો. CFO Susan Li એ નોંધ્યું કે કન્ઝ્યુમર (Consumer) સુવિધાઓ ઉપરાંત, LLMs Meta ની આંતરિક એન્જિનિયરિંગ ટીમોને વધુ સારો ટ્રેનિંગ ડેટા (Training data) જનરેટ કરવામાં અને કન્ટેન્ટની ગુણવત્તાનું વધુ અસરકારક રીતે મૂલ્યાંકન કરવામાં સક્રિયપણે મદદ કરી રહ્યા છે. AI નો આ આંતરિક ઉપયોગ Meta ના તમામ પ્લેટફોર્મ્સને સમર્થન આપતી મુખ્ય બિઝનેસ સિસ્ટમ્સને ઑપ્ટિમાઇઝ (Optimize) કરવા માટે છે.
જેમ જેમ Meta આર્ટિફિશિયલ ઇન્ટેલિજન્સ ઇન્ફ્રાસ્ટ્રક્ચર (Artificial intelligence infrastructure) પર તેના મૂડી ખર્ચમાં વધારો કરવાનું ચાલુ રાખે છે, તેમ કંપની આ નવા ઉત્પાદન પ્રયોગો અર્થપૂર્ણ આવક અથવા વપરાશકર્તા વૃદ્ધિને વેગ આપી શકે છે તે સાબિત કરવાના પડકારનો સામનો કરે છે. રોકાણકારો માટે આગામી તબક્કો આ કન્ઝ્યુમર પ્રોડક્ટ્સ (Consumer products) ના લોન્ચ કેડન્સ (Launch cadence) અને શું તેઓ Instagram અને WhatsApp જેવા કંપનીના સ્થાપિત પ્લેટફોર્મ્સ જેવી ટકાઉ સંલગ્નતા સ્તર પ્રાપ્ત કરી શકે છે તેના પર દેખરેખ રાખવાનો રહેશે.