Фото: пресс-служба
erid: F7NfYUJCUneVeSxRkjur
В рекламных технологиях важно различать машинное обучение (ML) и искусственный интеллект на основе больших языковых моделей — это одно из направлений машинного обучения. Сегодня оба типа моделей постепенно встраиваются в рекламные продукты, но решают разные задачи.
Можно выделить три основных направления применения: оптимизация рекламных кампаний, борьба с рекламным фродом и автоматизация работы рекламодателя при запуске кампаний. В первых двух случаях используются алгоритмы машинного обучения, а большие языковые модели помогают автоматизировать часть работы рекламодателя в маркетинговых платформах.
От оптимизации до антифрода
Одно из перспективных направлений для машинного обучения в рекламе — алгоритмическая оптимизация рекламных кампаний, в частности в программатик-рекламе, то есть при автоматизированной закупке рекламных показов.
Специалист задает параметры кампании: аудиторию, бюджет, ограничения и ключевые показатели эффективности. Дальше рекламная система сталкивается с множеством вариантов для показа рекламы. Модель машинного обучения оценивает их и прогнозирует, насколько конкретный показ релевантен поставленной цели. На основании такого прогноза система может управлять ставкой в рекламном аукционе.
Математические модели помогают и с перераспределением бюджета. По мере накопления статистики алгоритм может определять, какие сегменты аудитории, площадки, форматы или периоды дают лучший результат, и, соответственно, корректировать распределение средств.
Другой пример использования машинного обучения — борьба с рекламным фродом, то есть недействительным рекламным трафиком. Мошеннические сценарии постоянно адаптируются, поэтому одних заранее заданных правил становится недостаточно. Модель машинного обучения анализирует сотни признаков, связанных с рекламным запросом и его атрибутами, а также последовательности событий. Это позволяет находить сложные закономерности, которые значительно труднее выявить с помощью отдельных детерминистских правил.
Такая система способна анализировать тысячи рекламных запросов в секунду и выявлять как общий недействительный трафик, так и его более сложные формы. Для обучения используются десятки терабайт данных, а результаты системы дополнительно сопоставляются с данными независимых верификаторов.
ИИ вышел на сторону рекламодателя
Если машинное обучение в оптимизации и антифроде во многом остается незаметным для рекламодателя, то эффект больших языковых моделей при запуске рекламы гораздо более очевиден. ИИ позволяет сократить количество ручных операций между идеей и запуском кампании.
Один из примеров — создание рекламных постов для соцсетей. ИИ учитывает специфику формата, может добавлять призыв к действию, специальное предложение и контактную информацию, а также адаптировать стиль и тон коммуникации под конкретную аудиторию.
Однако возможности ИИ не ограничиваются генерацией креатива. Модель умеет учитывать категорию рекламируемого товара или услуги и предлагать подходящий дисклеймер или требуемую законом пометку. Это решает вполне прикладную проблему: ошибки при заполнении юридического поля являются регуляторным и финансовым риском.
От больших ожиданий к реальным задачам
Все это, однако, не означает, что следующим шагом станет исключение человека из процесса. На нынешнем этапе более реалистичной выглядит модель не «автопилота», а «копилота», или ИИ-помощника. Машинное обучение и большие языковые модели хорошо справляются с задачами, где нужно быстро обработать большой объем информации, найти закономерности, предложить варианты или автоматизировать рутинные действия. Но постановка задачи и контроль результата по-прежнему остаются за человеком.
Ограничения технологии видны, в частности, при работе с креативами. Модели способны воспроизводить известные закономерности и предлагать варианты на их основе, однако им сложнее работать с юмором, культурным контекстом, неожиданными идеями и резкими изменениями общественных настроений. Поэтому сегодня задача ИИ скорее в том, чтобы расширять возможности специалиста и ускорять его работу, а не заменять его.
С этим связан и определенный этап разочарования, который сегодня можно наблюдать вокруг некоторых проектов с искусственным интеллектом. Одним из распространенных первоначальных ожиданий было то, что ИИ позволит быстро автоматизировать целые функции и существенно сократить затраты. На практике ускорить отдельную задачу оказалось гораздо проще, чем полностью заменить сложный рабочий процесс.
Так, для промышленного внедрения необходимы качественные данные, интеграция с существующими системами, инфраструктура, контроль качества результатов, безопасность, а во многих случаях и участие человека. Поэтому оценивать нужно не стоимость отдельного обращения к модели, а полную стоимость и эффект от внедрения технологии.
Особенно заметно это в сложных автономных сценариях. Создать работающий прототип ИИ-агента — системы, способной самостоятельно выполнять последовательность действий для решения поставленной задачи, — не самое сложное. Гораздо труднее обеспечить его надежную работу на длительном этапе с реальными данными, нестандартными ситуациями и ответственными бизнес-процессами.
Поэтому разочарование в отдельных проектах говорит скорее не о снижении потенциала искусственного интеллекта, а о росте зрелости рынка. Компании начинают точнее определять задачи, в которых технология способна дать измеримый эффект. Для рекламных технологий этот принцип не менее важен: применять ИИ имеет смысл там, где есть понятная задача и возможность измерить результат.
ИИ начинается до ИИ
И здесь мы возвращаемся к фундаментальному условию развития ИИ в рекламных технологиях — качеству данных. Сам по себе алгоритм не создает эффективность из ничего. Системе нужны сигналы о пользователях, рекламном инвентаре, ходе кампании и ее результатах.
При этом важен не только объем данных, но и то, насколько они позволяют решать конкретную задачу. Например, для оптимизации рекламы модели недостаточно знать, на какую аудиторию и на каких ресурсах был показан креатив. Необходимо понимать, какой результат принес этот контакт. Именно обратная связь позволяет алгоритму точнее оценивать эффективность разных сценариев и корректировать дальнейшие решения.
Чем больше качественных сигналов получает система и чем точнее измеряется результат рекламы, тем выше потенциал моделей. Поэтому следующий этап развития рынка — соединение данных, измеримости и моделей в единую систему.