Candela 加入了 Facebook 的广告团队，他的任务是领导一个能够为用户展示相关性更强的广告的团队。尽管当时他们系统确实在使用机器学习，但他说：「我们使用的模型并不高级，它们非常简单」。

Facebook 20 号楼内部场景。

另一位同时加入 Facebook 的工程师是 Hussein Mehanna（他们一起参加了新员工的「代码启动训练营（code boot camp）」），他同样对公司的系统中构建人工智能方面进展的缺乏感到惊讶。Mehanna 说：「当我进入 Facebook 之前，看到产品的质量时，以为所有技术都已经成熟，但很显然不是这样。开始工作的几周内，我告诉 Joaquin：Facebook 真正缺少的是一个合适的世界级机器学习平台。我们有机器，但缺乏能够使其从数据中尽可能学习的合适软件」。（Mehanna 是如今 Facebook 的核心机器学习主任，同样是一个微软老员工——和其他被采访工程师一样。这是巧合吗？）

Mehanna 所说的「机器学习平台」，是指采用大致基于大脑行为方式的模型——这一范式将人工智能从上世纪荒芜的「冬天」（早期实现「会思考的机器」的希望已然渺茫）变成了如今的「百花齐绽」。在广告领域，Facebook 需要它的系统完成一个没人做得到的事情：即时（并准确！）地预测有多少人会点击指定的广告。于是 Candela 和他的团队开始创建一个基于机器学习程序的新系统。由于该团队希望将系统构建为一个所有在该部门工作的工程师都能访问的平台，他们便以一种能使建模和训练被推广与复制的方式来实现。

构建机器学习系统的一个关键因素便是获得高质量数据——越多越好。这恰好是 Facebook 最大的资产之一：当每天有超过十亿人与你的产品交互，便能收集大量的数据作为训练集，并且一旦你开始测试，就能够得到无尽的用户行为实例。因此广告团队能够从几周发布一个新模型转变为每周运送多个模型。另外，因为这将会变为一个允许其他人在内部使用，以构建自己的产品的平台，所以 Candela 确保以多团队参与的方式来完成他的工作。这是一个有条不紊的三步过程。他说：「首先你应专注于性能，而后是效用，最后建立一个社区」。

Candela 的广告团队已经证明，机器学习在 Facebook 可以具有多大的变革性。他说：「我们在预测点击次数、点赞、转发次数等方面取得了难以置信的成功」。自然而然，将这种方法向更大型服务推广的想法便产生了。事实上，FAIR 的领导 LeCun 已经在支持一个致力于将人工智能应用到产品中的团队——特别是以一种能够使机器学习向公司内部更广泛传播的方式。LeCun 说：「我确实在努力实现它，因为你需要具有杰出的才能的工程师组织在一起，他们不会直接关注产品，而是注重能够被多种产品使用的基础技术」。

2015 年 10 月，atv，Candela 成为新的 AML 团队主管（在一段时间里，出于谨慎，他还保留着在广告部门的职位，两者兼顾）。他与位于纽约、巴黎和门洛帕克的 FAIR 保持着密切联系，那里研究人员与 AML 工程师平起平坐。

一个在开发中的产品可以说明这种协作的方式，这个产品为 Facebook 上发布的图片提供语音描述。在过去几年，训练一个系统去识别场景中的物体或者进行基本总结，来判定照片是在室外还是室内拍摄，成为了一种人工智能标准实践应用。不过，最近 FAIR 的科学家已经可以训练神经元网络去识别图像中几乎每一个有意义的物体，并通过物体的位置和与其他物体的关系，来判断照片的内容——通过分析姿势，来判断一张照片里的人在拥抱，或者一个人在骑马。「我们把这个给 AML 的人看了，」LeCun 说，「他们想了一会儿，说『你知道的，这在有些情况下可能会非常有用。』」最终出现的是一个为视力障碍人士准备的一项功能的原型，它可以在视力障碍人士将手指放在图片上时，让手机读出照片的描述。

「我们一直在交流，」Candela 说起他的兄弟团队（指代 FAIR）。「从更大的层面来说，科学理论到实际的项目，你需要『胶水』，我们就是『胶水』。」

Candela 将人工智能的应用分为四个领域：视觉、语言、语音和摄像头效果。他说，所有这些，都会为一个「内容理解引擎」服务。通过掌握理解内容的方法，Facebook 试图检测到评论中的隐含意图、从口语中提取出细微的差别、从视频中识别出你朋友短暂出现的面部，以及理解你的表达，并将其绘制在虚拟现实地图中的图标上。