CARA de Moloco
Compound Ad Recommendation Architecture for Moloco Ads
Qu'est-ce que CARA ?
CARA (Compound Ad Recommendation Architecture) est le système d’IA de Moloco. Il gère plus de 30 modèles, agents et logiciels spécialisés pour générer des résultats de performance sur l’internet ouvert. La publicité sur l’internet ouvert est complexe. L’écosystème comprend des milliards d’utilisateurs, plus d’un billion d’opportunités publicitaires quotidiennes, des milliers d’annonceurs et des millions d’applis. Chaque décision doit être pour l’impression publicitaire, en dizaines de millisecondes. La plupart des combinaisons annonceur-utilisateur-contexte n’ont jamais été observées auparavant. Et les signaux dont l’IA se nourrit se présentent sous différents formats, à différentes vitesses et à des niveaux de fiabilité différents. Moloco élabore des solutions adaptées depuis 2013, bien avant l’engouement actuel pour l’IA. CARA utilise des architectures de deep learning pour ingérer simultanément des signaux issus de nombreuses sources et générer des informations cruciales sur les rapports entre utilisateurs, applis, créatifs et conversions. Sur plus d’un billion d’opportunités publicitaires quotidiennes en moyenne, CARA évalue l’intention de l’utilisateur, la probabilité de conversion, la pertinence des créations et la rentabilité des enchères – de manière adaptée à chaque annonceur, en temps réel. ⓘ
Architecture
Pour Moloco Ads, le système est organisé en six domaines techniques, composés de nombreux modèles, agents et logiciels spécialisés : automatisation des campagnes, offre, recommandations publicitaires, enchères, créations et signaux.
.png)
Les domaines en détail
Chaque domaine relève un défi distinct et fonctionne de concert pour générer des résultats de performance rentables.
Les annonceurs définissent leurs objectifs pour leur entreprise : optimiser le ROAS ou générer des actions in-app, telles des inscriptions, des acomptes ou des achats. De plus, les agents CARA évaluent les campagnes en cours, identifient les possibilités d’amélioration des performances et communiquent leurs conclusions aux annonceurs.
CARA a accès à un inventaire publicitaire capable d’atteindre plus de 2 milliards d’utilisateurs actifs quotidiens sur plus de 2,8 millions d’applis indépendantes dans le monde, via des intégrations directes auprès des éditeurs via notre SDK et à plus de 35 connexions à des plateformes d’échange.
Grâce à notre SDK, nous contrôlons le rendering des créations sur les appareils, ce qui permet des formats publicitaires plus riches et de meilleurs signaux qui optimisent les performances dans tous les domaines. Avec l'expansion de la couverture de notre SDK, chaque nouvelle intégration renforce les performances de l'ensemble du système, car elle fournit à nos modèles des signaux plus riches sur l'interaction des utilisateurs avec les publicités. ⓘ
Pour chaque impression, CARA évalue la valeur de l’opportunité en fonction de la probabilité d'une action particulière d’un utilisateur, mesurée par rapport à la valeur de cette action pour l’annonceur. Pour y parvenir, nos modèles utilisent le deep learning afin d'ingérer simultanément des signaux issus de nombreuses sources et définir des informations cruciales sur les comportements des utilisateurs, les applis des éditeurs, les produits, les formats de création, le contenu et l’interaction entre tous ces éléments.
Notre système évalue plus d’un billion d’opportunités publicitaires par jour, et le système d’IA émet des prévisions pour chacune d’entre elles, ne soumettant une offre que lorsque la rentabilité unitaire est favorable à l’annonceur. La plupart des enchères dans l'écosystème des applis fonctionnent selon le principe du « premier prix » : le plus offrant remporte l’enchère et règle exactement le montant correspondant, ce qui rend la précision de la tarification essentielle. CARA optimise simultanément les stratégies d’enchères dans le cadre d’enchères concurrentielles, répartissant les budgets dans le temps et les inventaires publicitaires, et sélectionnant le meilleur chemin d’approvisionnement. Y parvenir exige une connaissance approfondie de la dynamique des enchères, de l’économie des parcours d’approvisionnement et de la gestion du budget sous la pression concurrentielle en temps réel. ⓘ
Chaque utilisateur voit une création choisie spécifiquement pour lui : c'est une décision prise en fonction de chaque impression, et non au niveau de la campagne. Pour le SDK de Moloco, les modèles CARA optimisent les différents composants publicitaires que le SDK assemble en blocs publicitaires complets au moment de l'impression. Les modèles de sélection CARA identifient ensuite, parmi de multiples possibilités, la combinaison la plus à même de générer de bons résultats pour cet utilisateur, dans ce contexte précis.
Les signaux constituent la base des cinq autres domaines. CARA collecte des signaux issus d’une grande variété d’événements de conversion d’annonceurs, d’interactions d’éditeurs, de demandes d’enchères, de partenaires de mesure mobile et d’activités SDK. Ces signaux parviennent sous différents formats, à différentes vitesses et différents niveaux de fiabilité. Notre système est conçu pour les intégrer en totalité et identifier les modèles pertinents. Nos modèles ingèrent les relations entre utilisateurs, les produits, les créations, les contextes d'éditeurs et les événements de conversion pour obtenir un niveau commun qui affine chacun des autres domaines.
Comment le système fonctionne
Les améliorations apportées dans chaque domaine accentuent la performance globale du système et se renforcent mutuellement. Tous les domaines alimentent et exploitent un niveau de signaux commun ; ainsi, à mesure que ce domaine s’enrichit, tous les autres en bénéficient, même sans modification affectant l'un d'entre eux. Les gains se répercutent d’un domaine à l’autre : une meilleure sélection des créations améliore le signal d’entraînement pour les recommandations publicitaires, de meilleurs signaux d’offre améliorent la précision des enchères, et des enchères plus précises génèrent davantage de données de résultats qui affinent les prévisions en aval.
Nos équipes travaillent en parallèle pour améliorer les performances, en menant chaque jour des centaines d’expériences simultanées afin de tester de nouvelles approches sur le trafic réel. Ces expériences contribuent à l’amélioration des modèles, ce qui se traduira par 65 mises à jour de modèles en 2025.
Résultat : un système qui gagne en intelligence à chaque campagne. Grâce aux 65 mises à jour du modèle réalisées en 2025 pour Moloco Ads, CARA a réduit le CPI de 14 % et le CPA de 17 %, tout en augmentant le ROAS de 27 %. ⓘ
FAQ
Un système d’IA composé coordonne plusieurs modèles, agents et logiciels spécialisés au lieu de s’appuyer sur un seul modèle. Chaque composant de CARA est conçu et optimisé pour un domaine spécifique : enchères, création, offre, etc. Grâce à cette architecture composite, les améliorations apportées dans un domaine donné se répercutent sur les autres : un niveau de signaux plus performant affine la précision des enchères ; une meilleure sélection des créations génère des données d'entraînement plus complètes pour les recommandations publicitaires. Ces améliorations se multiplient à travers le système plutôt que de s’additionner séparément.
Des versions mises à jour des modèles sont déployées en production toutes les deux heures. Les résultats concrets – conversions, clics et indicateurs d’engagement – sont continuellement réinjectés dans le système sous forme de données d’apprentissage. Grâce à cette boucle de rétroaction continue, le système s'entraîne en permanence à partir des données les plus récentes, de ce qui convient le mieux à chaque annonceur, de chaque segment d’utilisateurs et de chaque contexte d’offre.
Les signaux clairsemés constituent l’un des principaux défis relevés par CARA. Sur l'internet ouvert, une part non négligeable de l’inventaire ne comporte que peu de signaux sur les utilisateurs, les nouveaux utilisateurs, les contextes d’applis peu actives ou les environnements à l’historique comportemental limité. L'architecture de modélisation de séquences de CARA (entraînée sur l’historique des événements des utilisateurs dans différentes applis) en matière de recommandations publicitaires est spécialement conçue pour prévoir les résultats dans ces conditions, en s’appuyant sur des représentations basées sur les relations entre l’offre et les annonceurs de Moloco.
Les signaux clairsemés constituent l’un des principaux défis relevés par CARA. Sur l'internet ouvert, une part non négligeable de l’inventaire ne comporte que peu de signaux sur les utilisateurs, les nouveaux utilisateurs, les contextes d’applis peu actives ou les environnements à l’historique comportemental limité. L'architecture de modélisation de séquences de CARA (entraînée sur l’historique des événements des utilisateurs dans différentes applis) en matière de recommandations publicitaires est spécialement conçue pour prévoir les résultats dans ces conditions, en s’appuyant sur des représentations basées sur les relations entre l’offre et les annonceurs de Moloco.
CARA désigne l’architecture d’IA composite de Moloco, et cette approche s’applique à l'ensemble de la gamme de produits de Moloco. Les domaines techniques spécifiques et leur configuration varient en fonction du contexte de chaque produit. Vous trouverez ici des informations sur la manière dont l'architecture d'IA composite s'applique à Moloco Commerce Media.
Le SDK de Moloco remplit deux fonctions simultanément. D’une part, il s’intègre directement aux éditeurs, ce qui permet à CARA d’accéder directement à leur inventaire publicitaire sans passer par des partenaires d’échange. D’autre part, il offre à CARA un contrôle direct sur le rendu des créations publicitaires sur les appareils, ce qui permet de proposer des formats publicitaires plus riches et de renvoyer des signaux comportementaux aux modèles. Chaque nouvelle intégration du SDK renforce l’ensemble du système, car le signal généré améliore la qualité des données d’entraînement dans les six domaines techniques.
Source:
Moloco internal data, January 2025 to December 2025.
Source:
Moloco internal platform data, daily average of events January 2025 to December 2025.
Moloco ExpLab platform data, Q4 2025. Moloco internal data, January 2025 to December 2025.
Moloco internal platform data. Reflects the combined impact of model updates released during 2025, each validated through a controlled A/B experiment before full deployment.
Source:
Moloco Internal Data; average daily ad opportunities received by Moloco Ads, January – March 2026. Figure is an estimate derived from sampled infrastructure data scaled to total volume.
