Meta îmbunătățește sistemele de targetare a reclamelor cu ajutorul inteligenței artificiale
Meta a dezvăluit noi informații despre sistemele sale în evoluție de targetare a reclamelor, evidențiind cum capacitatea sa extinsă de procesare a inteligenței artificiale (AI) generează rezultate mai bune pentru agenții de publicitate printr-o potrivire mai precisă a intereselor utilizatorilor.
Agenții de publicitate au observat îmbunătățiri semnificative în performanța campaniilor lor, datorită targetării prin AI, care ajută la identificarea clienților pe care anterior nu i-ar fi găsit. Meta oferă o privire detaliată asupra modului în care funcționează acest sistem și cum contribuie la îmbunătățirea performanței în toate ofertele sale publicitare.
Modelul GEM și avansurile sale
Modelul de recomandare a reclamelor Generative Ads Recommendation Model (GEM) reprezintă cea mai avansată fundație de model de reclame a Meta, construit pe un paradigme inspirat de modelele de limbaj mari (LLM) și antrenat pe mii de GPU-uri. Este cel mai mare model de bază pentru sistemele de recomandare din industrie, antrenat la o scară comparabilă cu cea a modelului de limbaj mare.
Meta a utilizat de ani de zile targetarea avansată prin mașini, având la dispoziție volume mari de date despre interesul și angajamentul utilizatorilor, ceea ce îi permite să identifice mai precis interesele utilizatorilor și să afișeze reclame relevante. Criticile anterioare privind targetarea psihografică, bazată pe datele a 3 miliarde de utilizatori, au fost transformate într-un avantaj major sub egida “AI”.
Performanța îmbunătățită a reclamelor
Modelul GEM aduce progrese semnificative în sistemele de targetare prin utilizarea “model scaling” cu arhitectură avansată, tehnici post-antrenare pentru transferul de cunoștințe și o infrastructură de antrenament îmbunătățită pentru a susține scalabilitatea. Aceste inovații cresc eficiența performanței reclamelor, permitând o partajare eficientă a cunoștințelor între modelele publicitare și optimizând utilizarea a mii de GPU-uri pentru antrenament.
Meta afirmă că sistemul său actualizat este de patru ori mai eficient în generarea de câștiguri de performanță publicitară pentru o cantitate dată de date și resurse de calcul, și de două ori mai eficient în transferul de cunoștințe, contribuind astfel la optimizarea performanței publicitare generale.
Structura datelor și îmbunătățirea relevanței
Modelul GEM este antrenat pe datele de conținut publicitar și interacțiunile utilizatorilor din reclame și interacțiuni organice. Din aceste date, Meta extrage caracteristici categorizate în două grupuri: caracteristici secvențiale (precum istoricul activității) și caracteristici non-secvențiale (precum atributele utilizatorilor și reclamelor). Mecanismele de atenție personalizată sunt aplicate fiecărui grup independent, permițând în același timp învățarea între caracteristici, ceea ce îmbunătățește acuratețea și scalează eficiența diferitelor blocuri de atenție.
Meta a anunțat planuri de a automatiza întregul proces de creare a reclamelor, folosind aceste sisteme evolutive pentru a crea, optimiza și gestiona bugetele publicitare, fără a necesita intervenția utilizatorului, cu excepția introducerii URL-ului produsului.
Colaborarea sistemelor Meta
Modelul GEM funcționează în tandem cu arhitectura “Lattice” a Meta, care gestionează clasificarea reclamelor și asigură plasarea optimă a fiecărei campanii, și cu modelele “Andromeda”, care asigură relevanța reclamelor bazate pe istoricul de angajament și interesele fiecărui utilizator.
Aceste sisteme combinate asigură o relevanță mai mare a reclamelor, utilizând tehnologia în continuă creștere a Meta pentru a învăța mai multe despre preferințele fiecărui utilizator și a îmbunătăți targetarea în consecință. Această capacitate extinsă de procesare permite analiza unui număr mare de puncte de date, conducând la rezultate publicitare de mare valoare.
Concluzie
Îmbunătățirile aduse de Meta în sistemele sale de publicitate prin utilizarea inteligenței artificiale nu doar că optimizează performanța reclamelor, dar schimbă și percepția asupra modului în care datele sunt utilizate pentru targetarea publicitară, având implicații semnificative pentru agenții de publicitate și utilizatori.
