Meta ділиться інформацією про свій процес таргетингу реклами на базі штучного інтелекту, що розвивається

Останнім часом, бачу купу непорозуміння як працює таргетована реклама. Але, на щастя, Meta поділилася деякими новими даними про свої системи таргетування реклами, що розвиваються. Також розписали про те, як розширення можливостей обробки на основі штучного інтелекту забезпечує кращі результати для таргетологів завдяки покращеному зіставленню інтересів.

Ну і як завжди рекомендую глянути курс з таргетованої реклами, який допоможе в усьому розібратись. Але про все по порядку.

Таргетологи звертають увагу на зміни. Все більше партнерів Meta ad повідомляють про покращення ефективності, адже таргетинг за допомогою штучного інтелекту допомагає знаходити клієнтів, яких вони б інакше пропустили. Але є і такі, що розповідають, що таргет став вести себе гірше й працює не так. Деякі навіть пророкують смерть професії (вибчте, що ставлюсь до цього скептично, але це вже 5 похорон професії який я застав з 2012 року, коли почав працювати).

Як працює таргет?

У своєму новому огляді Meta надає більше інформації про те, як працює її система, і як вона сприяє ширшим покращенням ефективності всіх рекламних пропозицій Meta завдяки постійному вдосконаленню.

Як пояснює сама Мета:

«Модель рекомендацій генеративної реклами (GEM)  — це найсучасніша базова модель реклами від Meta, побудована на парадигмі, натхненній LLM, і навчена на тисячах графічних процесорів. Це найбільша базова модель для систем рекомендацій (RecSys) у галузі, навчена в масштабі моделей великих мов».

Якщо з цього тексту ви мало зрозуміли, то це окей. Тут Meta просто хвалиться, які вони потужні. І цілком заслужено.

Взагалі, Meta вже багато років використовує розширений машинний таргетинг для реклами, а її величезні масиви даних про інтереси та залученість авдиторії дозволяють Meta точніше визначати інтереси користувачів і відповідно відображати релевантну рекламу. До цих покращень Meta пішла через тиск з боку Apple та законів ЄС. Ну і через велику любов Марка Цукерберга до ШІ.

Дійсно, ще до появи останньої хвилі інструментів штучного інтелекту на ринку, Meta вже багато років використовувала той самий підхід до таргетування на основі LLM, але переосмислення масштабованої обробки даних як «штучного інтелекту» змінило парадигму сприйняття цього процесу.

По суті, Meta раніше критикували за сприяння психографічному таргетуванню, яке базується на даних про 3 мільярдів користувачів, включаючи сторінки, які їм подобаються, людей, з якими вони пов’язані, інтереси, риси характеру тощо.

Але тепер усе це не лише прийнятна практика під гаслом «штучного інтелекту», але й дані Meta вважаються значною перевагою. І з огляду на це, після того, як Цукерберг пережив усі ці негативні наслідки, стає зрозуміло, чому він так прагне претендувати на звання лідера у сфері ШІ.

Meta стверджує, що їхня остання модель GEM представляє значний прогрес у системах цільового призначення, використовуючи «масштабування моделі з передовою архітектурою, методи передачі знань після навчання та вдосконалену навчальну інфраструктуру для підтримки масштабованості».

«Ці інновації значно підвищують ефективність реклами, дозволяють ефективно обмінюватися знаннями між усіма рекламними моделями та оптимізують використання тисяч графічних процесорів для навчання. GEM здійснила кардинальний зсув парадигми в рекламі RecSys, трансформуючи ефективність реклами по всій воронці продажів – обізнаність, залученість та конверсію – завдяки спільній оптимізації цілей як користувачів, так і рекламодавців»

Тобто, завдяки технічному прогресу нова система, GEM працює значно краще і постійно навчається як працювати краще.

Що стосується специфікацій продуктивності, Meta каже, що її оновлена ​​система тепер:

• У 4 рази більше підвищує ефективність реклами  для заданого обсягу даних та обчислень, ніж його оригінальні моделі ранжування рекомендацій оголошень. 

• Вдвічі ефективніше передають знання, що допомагає оптимізувати ширшу ефективність реклами.

• Швидше та ефективніше завдяки більшій обчислювальній потужності, що дозволяє ефективніше масштабувати результати реклами.

«GEM навчається на даних про рекламний контент та залученість користувачів як з реклами, так і з органічної взаємодії. З цих даних ми отримуємо ознаки, які класифікуємо на дві групи: послідовні ознаки (такі як історія активності) та непослідовні ознаки (такі як атрибути користувача та оголошення, наприклад, вік, місцезнаходження, формат оголошення та креативне представлення). Індивідуальні механізми уваги застосовуються до кожної групи незалежно, а також забезпечують міжфункційне навчання. Така конструкція підвищує точність та масштабує як глибину, так і широту кожного блоку уваги, забезпечуючи в 4 рази більшу ефективність в порівнянні з нашими моделеми попереднього покоління»

Отже, рекламна система Meta тепер має більшу систематичну потужність, що дозволяє їй обробляти більше інформації та знаходити більше кореляційних ознак даних, що призводить до покращення ефективності реклами. Простіше кажучи, вона легше вбачає схожість в даних та краще знаходить авдиторію, яка схожа на тих, що мають виконати вашу ціль.

Це також відображається в даних про продуктивність.

Що змінюється?

Раніше Meta повідомляла, що таргетологи, які використовують різні варіанти таргетування реклами на базі штучного інтелекту, помітно покращили її ефективність, а також оголосила про плани з часом автоматизувати весь процес створення реклами, використовуючи ці системи, що розвиваються, для створення ваших оголошень, оптимізації таргетування та управління бюджетом, без необхідності робити щось інше, окрім введення URL-адреси продукту. Щось з цього вдається, щось взагалі ні.

Але поки Meta вірить у те, що її рекламні системи з часом покращать ефективність.

Система GEM від Meta працює в тандемі з архітектурою Meta «Lattice» та її моделями «Andromeda», які відіграють свою роль в оптимізації таргетування вашої реклами Meta.

• Lattice - це те, що Meta називає своєю «бібліотекою оголошень», яка забезпечує рейтинг оголошень, забезпечуючи оптимальне розміщення для кожної кампанії.

• Andromeda - це модель персоналізації Meta, яка забезпечує релевантність оголошень на основі історії взаємодії та інтересів кожного користувача.  

У поєднанні ці системи забезпечують більшу релевантність реклами, використовуючи постійно зростаючий технологічний стек Meta, щоб дізнатися більше про вподобання кожного користувача та відповідно покращити таргетинг.

Що, знову ж таки, у масштабах Meta означає обробку величезної кількості точок даних, що може призвести до високоточних та цінних результатів реклами.

Я маю на увазі, що ще у 2015 році звіти свідчили про те, що Facebook вже мав достатньо даних, щоб знати практично все про вас , виходячи з вашої активності в додатку. Але тепер, десять років потому, він ще й може це обробити й зробити висновок.

Висновок

Незважаючи на значний прорив в технологіях та подачі обробки даних, це все ще далеке від ідеалу. Десь може збоїти, десь лажати. Бо ШІ також потрібно прокачувати. І нам в тому числі. І якраз цьому тепер треба приділяти більше увагу через роботу з джерелами даних, через креативну диверсифікацію та роботу з канвою ціностей для наших продуктів.

Але однозначно запустити тест з варіантом реклами Meta на базі штучного інтелекту через Advantage+ варто. Тільки зробіть АВ тест правильно.