Как работает реклама в эпоху искусственного интеллекта

Разработки в области искусственного интеллекта начались давно – еще в 1985 году команда программистов Deep Thought решила создать искусственный разум, способный играть в шахматы вместо человека. Тогда в феврале 1997 года суперкомпьютер Deep Blue, прямой родственник Deep Thought, обыграл в шахматы чемпиона мира Гарри Каспарова.

С тех пор искусственный интеллект стал использоваться в различных отраслях науки и техники, а сегодня одно из направлений ИИ – глубокое обучение (deep learning), успешно используется в рекламной индустрии.

Антон Мелехов, генеральный директор RTB House в России, рассказал, как технологии глубокого обучения совершают переворот в онлайн-рекламе.

Какие принципы работы алгоритмов deep learning используются в онлайн-рекламе

Термин интеллектуальный анализ данных (Data Mining) был впервые использован в онлайн-рекламе еще в начале 1990 годов после того, как были созданы новые алгоритмы искусственного интеллекта, обрабатывающие большие объемы данных для поиска причинно-следственных связей в принятии решений потребителем. Интернет-пользователи совершают множество действий при посещении веб-сайтов.

Автоматизированный метод анализа данных, получивший название машинное обучение (machine learning), изучает оставленные посетителями сайта «следы», чтобы получить закономерности и связи в пользовательском мышлении. Благодаря этим связям, подсказанным компьютером, рекламодатели смогли создавать баннеры более соответствующими потребностям пользователей.

Традиционные баннеры в онлайн-рекламе содержат только целевой контент, отображаемый на веб-сайте, и для показа такого вида рекламы не требуется использование сложных алгоритмов искусственного интеллекта, чтобы решить, какой именно продукт демонстрировать каждому посетителю сайта.

Эта технология достаточно проста и понятна каждому веб-программисту. Аудитория в таком случае делится маркетологами по крупным сегментам соответствующих социально-демографическим параметров.

Чтобы получить полное представление о потребностях пользователей и предсказать их решения, ученые упорно трудились и разрабатывали новый, более точный метод, называемый глубоким обучением (deep learning).

В этой технологии используется математическая модель, действующая по принципу работы биологических нейронов нашего мозга (так называемой искусственной нейронной сети), которая позволяет получить самые надежные и весомые интерпретации компьютером, описания покупательского потенциала клиентов без каких-либо внешних интервенций со стороны человека.

Нейрон человеческого мозга – это клетка, которая обрабатывает, хранит и передает информацию с помощью электрических и химических сигналов, с множеством входов и одним выходом. Нейросеть состоит из большого количества взаимосвязанных нейронов. Другими словами, это устройство, обрабатывающее входящие данные и выдающее одно решение.

• Изначально нейронная сеть вырабатывает навыки – как соотносить входящие и исходящие сигналы друг с другом.
• Далее нейронная сеть начинает функционировать — она получает данные на вход, но выходящие сигналы уже генерирует на основе накопленных «знаний».
• Глубокое обучение (deep learning) — это просто нейронные сети с большим числом слоев.

Чем больше входящих в нейронную сеть статистических данных, чем шире база данных – тем выше эффективность применения метода глубокого обучения.

Принцип работы искусственных нейронных сетей

Сверхточность – основное свойство метода глубокого обучения

Сверхточность, появившаяся в результате использования метода глубокого обучения, кратно увеличила эффективность рекламных кампаний в интернете.

По нашим данным, самообучающиеся алгоритмы могут предоставлять наиболее правильные рекомендации товаров, и лучше предсказывать вероятность клика пользователя на объявление (потенциал конверсии) или суммы покупки (стоимость конверсии), чтобы сделать рекламные активности до 50% более эффективными. *

Сила применения глубокого обучения в рекламе состоит в использовании алгоритмами массива данных и действиях, выстроенных наподобие человеческих, без каких-либо вмешательств со стороны людей.

Глубокое обучение может работать в рекомендациях, используемых как в электронной коммерции, чтобы убедить клиентов покупать дополнительные товары, так и быть полезным в целях расширения целевой аудитории, привлекая новых пользователей и информируя их о своем бренде.

Разработанный нами механизм рекомендаций использует метод глубокого обучения для определения связей между мыслительным процессом и процессом принятия решений. Такой метод способен предугадывать выборку наиболее привлекательных товаров с точки зрения определенных пользователей, основываясь на их привычках, поведении и других биометриках.

Между тем этот метод действует на основе математической модели, использующей принцип работы нейронов в нашем головном мозге (модель искусственной нейронной сети), которая делает возможным отбирать из баз наиболее полные данные, способные распознаваться машинами описания предпочтений пользователей.

В конце концов, баннеры становятся более соответствующими потребностям потребителей. Оставляя бюджет без изменений, мы можем достичь лучших результатов – возрастающий CTR свидетельствует о повышении посещаемости сайта и увеличении вероятности конверсий.

Применение метода глубокого обучения позволяет наиболее правильно выбирать товары для показа пользователю персонализированной рекламы, мы можем очень точно таргетировать баннеры, в результате чего происходит оптимизация ROI для клиентов.

Это так же дает нам возможность предоставить им новые бизнес-идеи для эффективного использования рекламного бюджета.

Что принесет нам будущее?

Означает ли это, что человеческие знания больше не нужны? На сегодня ответ — нет. Машинное обучение работает, когда деятельность человека генерирует данные, а мы можем использовать эти результаты, чтобы лучше понять наш мир.

Глубокое обучение – технология, с которой мы сталкиваемся ежедневно: от виртуальных помощников Siri и Cortana, до самоуправляемых автомобилей Google или Tesla.

Возможности распознавания речи и изображений на наших смартфонах также стали работать много лучше, чем раньше, а достижения в этих областях превосходят все наши ожидания. Конечная цель глубокого обучения — сделать нашу жизнь проще, а работу — более эффективной.

Следующим шагом может быть более высокий уровень вовлечения искусственного интеллекта в различные сферы деятельности, особенно в такую значимую, как медицина.

Благодаря лучшим, более развитым аспектам ИИ — распознаванию речи и изображений, в будущем высока вероятность появления роботов - врачей, которым мы доверим диагностику несложных заболеваний.

*- Данные были получены в результате анализа более 100 рекламных кампаний клиентов RTB House на более чем 40 рекламных рынках.