曹晟：大模型时代，跨境电商如何用AI提高广告转化？丨GAIR 2023

科技

2023-09-06 10:09

“广告主的目标不是生产广告，是让用户通过广告了解产品、产生交易。”

作者丨代润泽

编辑丨刘伟

2023年8月14日、15日，由GAIR研究院、雷峰网、世界科技出版社、科特勒咨询集团联合主办的第七届GAIR全球人工智能与机器人大会，在新加坡乌节大酒店举办。

8月15日在多模态与跨境电商论坛上，硅谷人工智能研究专家曹晟，发表了《Advertising Strategy in the New AI Era（关于新人工智能时代的广告策略）》的主题演讲。

曹晟提出，新人工智能时代，在最终最理想的情况下，社交平台及广告引擎可以实时根据用户的潜在需求创建个性化广告，并将广告与电商一体化，最高程度地提高转换率并降低经济浪费。

以下是曹晟的现场演讲内容，雷峰网作了不改变原意的编辑及整理。以下内容均不代表曹晟所在公司的立场。

如何权衡广告主和平台间的利益

在社交媒体平台上投放广告的步骤，首先是准备诸如文本、图片、视频等素材，而后再创建广告单位。创建完的广告单位会存储在社交网络公司等广告平台上的数据库里。在用户浏览页面前，这些数据呈现静止状态。当用户开始浏览页面，广告单位将经历召回和排序的过程。

这意味着，系统能够根据每个广告和用户的特征，实时预测每个广告单位其对于每个用户的实时转化率，并以此为基础对所有广告单位进行排序。

而实现整个流程，需要了解"pacing bid"概念。

广告主会对每个广告竞标和出价，而出价会乘以预估转化率（用户点击或购买的概率）来得到每个广告的预期收益。预估转换率来自不同复杂度的AI模型计算出来。这种方法，就是以实时竞标和转换率相乘的方式，辅以一定的质量调整，最终确定广告的投放优先级。

关于提到的“质量调整（quality adjustment）"，是广告平台预防不公平竞争或恶意广告的手段。诸如一些诱导用户点击的广告看起来短期有效，实际上对整个平台的长期利益是有害的。而平台需要权衡广告主和平台间的利益，对此需要一些措施维护把控质量，确保平台整体的可持续性增长。

对于跨境电商来说，在投放广告时，可以选择优化目标事件。广告平台会基于实时预算消耗速率的理念，来动态设置每一条广告的实时竞标价格（pacing bid）。这样就可以优化每个广告的竞价设置，同时让平台的AI模型可以吸收每条广告的转化率，也包括估算值。

不同类型广告主的优化策略是不同的。例如，一些广告主会优化点击率，而游戏类倾向于优化实际购买的指标，一些电商可能会优化Offsite购买。那么，合适的策略选择，不仅可以降本增效，还可以将ROI最大化。

不过，每条广告都面临冷启动问题。

初始阶段，平台可能无法精准地预测转化率，因此就会出现预算消耗率无法转换成广告转化率的窘境。问题的本质，其实是模型在推理当前广告转化率时，由于缺乏足够的用户反馈数据，无法进行准确预测。那么对应的方案，广告主可以在广告转化模型中，寻找一个最能代表公司利益的"代理点"来作为目标事件优化。这可能早于实际的转化，而晚于点击。早于实际的转化是因为这样可以减少广告预算的浪费；晚于点击是因为光点击本身并不能确保广告一定会真正转化为实际收益。

这个"点"，要针对自己的业务判断，取决于广告主的需求，是一种艺术和科学的有机融合。

最后，曹晟提到，在iOS 14.5推出隐私保护政策之后，一些用户反馈数据无法追踪，导致模型缺乏实时的反馈数据，广告转化率预测结果就变得差很多。

想要提高转化，曹晟提了几点建议。

一来，找到可以反映需求又能被平台捕捉到的事件或信号（代理点）。

其次，推荐在应用内购买的方式引导用户，尤其在社交媒体和iPhone设备上。这样数据受到iOS隐私政策影响较低。

第三，可以采用Lead Gen 的广告方式，这类广告能让用户点击广告后，在当前页面自动生成一个表格，用户填写后直接发送信息，从而实现与广告主的沟通。而且在面向商业用户的许可中，这些方法更具普遍性。

生成式AI如何赋能广告领域？

生成式AI是一个极为强大的工具，可以重新塑造各种商业模式，例如跨境电商和游戏领域。很多公司都在广告上投入巨大。

在生成式AI之前，大部分AI模型都基于单一领域，例如图像检测、图像分类、自然语言处理模型等。这类模型具有专用的数据集和配套工具，使用监督学习方式，且大多数情况需要大量的数据标注和深入学习工作。

在新的生成式人工智能时代，一个大模型具有跨领域的知识，拥有多模态特征，可以同时执行不同任务，包括类似MOE（Make Our Experts）的特性。比较典型的是ChatGPT 4，能够执行更为重要的、通用或泛化定义的任务。那么，大部分情况下不需要过多的标注数据，使用无监督或自监督的学习方式。

前段时间，一篇来自Microsoft的论文提到，该团队利用拼接模式，打造出了具备多媒体和多模态生成的能力。例如，可以接受，包括文本、图像、视频或音频等任何类型的媒体输入，然后输出各种组合，且拥有共同的潜在空间（latent space），含有通用的商业理解理解能力等。事实上，包括文本、图像、视频，音频，音乐等这些内容实际上在广告素材中非常重要。往往在广告中使用多媒体元素越丰富，转化效率就越高。相对于仅有纸质广告、文本广告或图像广告，多媒体广告更有吸引力。

多模态大模型对广告行业意味着什么？

1、广告创作方面会有更多的支持工具。

典型的场景，可以使用GPT 4来生成商品描述，再通过midjourney或stable diffusion等模型来生成产品图像，甚至可能会使用LoRA精调过的stable diffusion模型创建广告图片、视频等；还有一键生成文本转视频、音频等技术。

2、模型拥有更好的内容和上下文理解能力。

理解内容正是很多广告主的痛点。对于新创造的广告，广告预测模型通常并不十分了解广告的多媒体特征，往往依赖于实时的用户反馈数据来学习这些广告的转化率。在传统的框架下，模型对于广告内容和多媒体广告上下文的理解能力并不聚焦，也就造成了不同广告之间的理解能力和迁移能力相对较差。

多模态大模型可以同时理解文本、图像、视频等内容，就可以通过交叉注意力（cross attention）的方式，将这些元素对齐到一个潜在空间里。这种能力是可以应用在未来的广告预测模型中的。那么，对于新创建的广告，基于多模态大模型，可以在无用户反馈的情况下，相对准确地预测广告转化率。这不仅大大减少冷启动问题，也减少了广告主无谓的预算浪费，提高经济利益。

那么如何创建一条，能让系统更喜欢并想推荐的广告呢？没有经验的广告主如何利用现有的大模型技术来赋能他们的广告创作呢？

例如某跨境电商快消公司，产品为T恤，目标受众是全球用户。由于缺乏广告经验，无法短期内创作出生动的文本、图像等多媒体广告内容，而SKU又很多。

基于传统的手段会非常耗时，需要为每个广告拍照、编写文字档案，而且标注的效率成本也不高。那么如果一开始就可以采用LLM agents来创建广告计划，通过大型模型搞定文本描述，通过告诉模型产品特征、期待效果等，再将结果逐步优化至预期。

拆解来看，就是通过对话来完善预期。通过对话排序组合、生成解决方案、满足用户需求，而最终评估将由人类完成。

那么计划和文案有了，再结合描述和基本的产品图片，款式、标志等，生成更有吸引力的广告素材。背景可更换，模特可更换，甚至拖拽模型还可以更改局部。如果不断迭代产品素材，效果将越来越好。

广告主们也可以利用社交平台提供的反馈数据，如实时转化率或A/B测试数据，更好地迭代出更优秀的广告策略。

生成式人工智能在广告领域的未来

长期战略愿景是，广告主可能不再需要自己创建广告内容。

广告主的目标不是生产广告，而是让用户通过广告了解产品，进而产生交易。那么最佳的解决方案，是根据不同喜好，通过技术为其创建可促成转化的广告。

目前的状况是，广告主们很难充分了解每个用户的具体情况，然而社交媒体平台有详细的数据。这对建立用户画像非常重要。

基于此，随着未来大型模型的解决延时的技术和硬件技术的发展，未来将实现更多实时广告。

而广告主们只需要提供基本的信息，如产品特征、描述及预算，生成式AI就可以帮助实现图文、视频、音频等，再将内容分发到合适的平台就可以了。

对广告主们来说，无需费心去创建广告素材；对平台来说，可以同时满足广告主和平台自身的需求来创建广告。整个过程衔接在一起避免了很多资源浪费。不过这是对未来设想，曹晟认为当下各个平台还处于起步阶段。

其次，整个广告推送系统，也有望从静态的状态转变为实时动态。这时候将广告分发将不再需要排序，而是直接生成。不像现阶段系统通过模型预测转化率，将静态媒体向用户推送广告。未来，通过用户和广告主画像可以实时生成转化率高的广告素材。那么电商和广告将更好地有机结合，不再是两条平行线。双方共同讨论的是，如何发掘用户兴趣实时转化销售。

现场问答环节

当下如何将视频素材更好地展示在广告上？

曹晟：从技术应用角度，我们的目标是如何更好地投放带有视频素材的广告。当前，基于广告效果依赖用户反馈信息，所以视频和图片素材本质上对于模型做预测来说区别不大。不过未来，利用多模态能力，视频效果的提升会有质的飞跃。

近期热门文章

今天，在新加坡，大模型在GAIR 2023上迎来高光时刻

GAIR 2021 回顾：AI创新与人才培养

GAIR 2020 回顾：纪念 Thomas S.Huang

微信扫码关注该文公众号作者

戳这里提交新闻线索和高质量文章给我们。

来源: qq

点击查看作者最近其他文章