Ovládání hlasitosti reklamního obsahu nativního pro AI

Období „líbánek“ populární umělé inteligence ještě tak docela neskončilo. Kdybychom je přirovnali k cestě od zlatého věku Netflixu k současné balkanizaci a komercializaci streamovacích služeb, odpovídalo by to zhruba roku 2019. Dosavadní dominantní hráč (OpenAI) nyní čelí silné konkurenci celé řady finančně silných soupeřů. Žádný z nich si dosud nevybudoval natolik pevné postavení, aby riskoval vnucování reklam své nestálé uživatelské základně.

ChatGPT podobně omezuje reklamu v chatu na uživatele bezplatného tarifu a tarifu Go; reklamy v Gemini se zobrazují pouze v rámci AI Overviews a režimu AI; Perplexity loni v zimě od reklamy upustilo; xAI s reklamami počítá někdy v budoucnu; Microsoft Copilot je už nabízí; a Claude tuto možnost zcela odmítá.

Víme však, že to nemůže trvat věčně: jakmile se ukáže skutečná cena inference a blížící se vstupy firem z oblasti AI na burzu přinesou na pořad dne požadavky akcionářů, můžeme podle historických zkušeností očekávat, že dříve či později budeme muset začít výstupy velkých jazykových modelů pečlivě zkoumat, abychom odlišili obsah založený na reklamě od nekomerčního obsahu.

Zvýšit hlasitost na 11

Kromě otázek, nakolik budou reklamy personalizované a na jaké demografické skupiny se bude cílit, budou poskytovatelé muset zvážit také rozsah a typ začlenění komerčního obsahu.

Není to snadné: příliš nenápadná reklama sice pomůže udržet více uživatelů, ale odradí inzerenty ochotné platit více. Lepší reklamní smlouvy mohou přinést reklamy začleněné výrazněji, které se mohou pohybovat na hraně předpisů o zveřejňování reklam, zároveň však mohou vyvolat kontroverze a další negativní důsledky.

Navíc mohou reklamní platformy s různými úrovněmi předplatného vyžadovat odlišnou míru „hlasitosti“ a začlenění reklamy, ačkoli proměnné velkých jazykových modelů se kvantifikují jen velmi obtížně. Jeden z dřívějších návrhů na vytvoření jakéhosi „regulátoru hlasitosti“ reklam ve výstupech velkých jazykových modelů například nakonec zahrnoval přímo do chatu i kvantifikační výrazy v:

Příklad ze studie: štítky ze staršího systému pro „regulaci hlasitosti“ pronikly až do vygenerovaného textu. Zdroj

Výše uvedený příklad pochází z nové studie*, která se zabývá dvěma klíčovými problémy reklamy založené na velkých jazykových modelech: řízením toho, jak výrazně se reklamy zobrazují v odpovědích chatbotů, a určováním, které části těchto odpovědí představují placenou reklamu:

Schéma nového přístupu AdKnob. Vlevo je Subway buď jedním z několika doporučení, nebo hlavním tématem, podle zvolené úrovně reklamy. Vpravo zelené zvýraznění označuje reklamní obsah ve vygenerované odpovědi.

Tento přístup nazvaný AdKnob používá čtyřstupňovou škálu, která určuje, jak důrazně chatbot propaguje produkt, a zároveň identifikuje věty obsahující reklamu. Cílem je snadno rozpoznat reklamní obsah, aniž by bylo nutné spouštět další modely nebo jakkoli zpomalovat proces, který tradičně patří k nejrychlejším odvětvím.

V materiálech v příloze nové studie jsou příklady textu s vloženou reklamou vyznačeny červeně.

Metoda AdKnob byla testována na šesti modelech umělé inteligence od společností Alibaba, Microsoft a Meta. V každém případě bylo možné nastavit množství reklamy na jedné ze čtyř úrovní, od pouhé zmínky o produktu až po odpověď věnovanou téměř výhradně propagaci značky.

Při nejagresivnější „hlasitosti“ AdKnob (v tomto případě „4“, nikoli bájných „11“) mají sdělení značek tendenci převládnout ve výstupu.

Bylo nutné použít modely s otevřenými vahami, protože během trénování bylo třeba upravovat jejich vnitřní parametry a zkoumat vzorce pozornosti, aby bylo možné vygenerované odpovědi prohledávat a identifikovat v nich reklamu. Tím pádem nebylo možné testovat nejpokročilejší modely, k nimž lze přistupovat pouze prostřednictvím rozhraní API.

Výsledky ověřilo 913 lidí prostřednictvím služby Amazon Mechanical Turk. Když byly odpovědi AdKnob porovnány s odpověďmi čtyř konkurenčních metod, lidé jim dávali přednost v 75 až téměř 90 % případů.

Těžko uvěřit, ale mezi hlavními uváděnými důvody byla užitečnost a jasné označení reklam. I při nejvyšším nastavení reklamy získaly odpovědi průměrné hodnocení kvality 3,1 ze 4, zatímco při nejnižším nastavení to bylo 3,6.

Autoři tvrdí, že AdKnob také lépe rozpoznával, které věty obsahovaly reklamu. U jednoho z testovaných modelů navíc tato kontrola zabrala pouhé tři milisekundy na odpověď, což představuje přijatelně nízkou režii a na rozdíl od několika předchozích přístupů nevyžaduje vyhrazené generování tokenů.

Pro fungování nového systému byla vytvořena datová sada MI-KnobSet na základě dřívější datové sady Webis Generated Native Ads 2024 dataset. Oproti předchozí kolekci byla rozšířena tak, aby zahrnovala různé úrovně reklamy v odpovědích chatbotů; obsahuje 3 946 trénovacích příkladů a 913 testovacích případů.

Autoři uvádějí:

„[AdKnob] umožňuje jedinému LLM generovat odpovědi s širokou škálou intenzity reklamy. Ztrátová funkce přiřazování reklamy dále posiluje vazbu mezi vstupními tokeny souvisejícími s reklamou a generovaným reklamním obsahem, takže při inferenci lze reklamu přesně označit.“

„Experimenty se šesti základními modely a uživatelské studie ukazují, že AdKnob soustavně překonává stávající výchozí metody jak v kvalitě reklamy, tak v jejím označování. Naše práce nabízí praktický základ pro transparentní a řiditelnou reklamu nativně generovanou pomocí LLM v reálných službách.“

Metoda

Na rozdíl od výše zmíněného předchozího přístupu, v němž slova použitá k vyjádření úrovně přírůstku nakonec unikala do výstupu, nová metoda používá čtyři speciálně vytvořené řídicí tokeny, z nichž každý představuje jinou intenzitu reklamy:

q̂ = q ⊕ [AD_LV_n]

Token n uvedený výše samozřejmě označuje potenciálně libovolné číslo, v tomto případě však AdKnob omezuje rozsah na hodnoty 1–4 (což je pro tyto konkrétní proměnné pravděpodobně tak podrobné rozlišení, jakého lze dosáhnout, tedy jak „zjevný“ a jak „výrazný“ reklamní obsah je).

Protože tyto abstraktní tokeny nemají předem daný význam, model se může naučit, k čemu slouží, aniž by si je pletl s běžným jazykem.

Jak autoři vysvětlují, model se následně trénuje pomocí přímé optimalizace preferencí (DPO), aby řídicí tokeny odpovídaly požadované míře intenzity:

„[We] proto konstrukci preferencí zakládají na dvou metrikách: reklamě [score], která měří, nakolik výrazně a pozitivně jsou značka a reklamní text začleněny do odpovědi, a kvalitě odpovědi [score], která měří, jak dobře odpověď reaguje na uživatele [query].“

Při vytváření datové sady dvojic se kandidátní odpovědi hodnotily podle intenzity reklamy, relevance, plynulosti a množství informací zachovaných z odpovědi bez reklamy. Výsledná skóre pak sloužila k výběru trénovacích příkladů pro každou úroveň reklamy.

Pro každý reklamní scénář bylo pomocí GPT-4o vygenerováno 25 možných odpovědí; zadání podporovala různou míru propagace produktu. Pro každou cílovou úroveň byla vybrána odpověď s nejvyšším skóre a k ní tři záměrně horší alternativy představující nízkou kvalitu, nesprávnou intenzitu reklamy, nebo obojí:

Skóre reklamy u 25 kandidátních odpovědí vygenerovaných pomocí pěti různých zadání. Výrazné překrývání pěti křivek ukazuje, proč samotné zadávání pokynů nedokázalo spolehlivě vytvářet odlišné úrovně reklamy.

Tato porovnání byla použita k trénování modelu pomocí výše uvedené metody DPO, která jej učila vytvářet odpovědi odpovídající požadované úrovni reklamy, a přitom zůstávat užitečnými a přirozenými.

Testování

AdKnob byl vyhodnocen ve čtyřech úrovních intenzity reklamy na šesti modelech: Qwen3-4B-Instruct; Phi-4-Mini-Instruct (3.8B); LLaMA-3.2-3B-Instruct; Qwen2.5-14B-Instruct; Phi-4 (14B); a LLaMA-3.1-8B-Instruct.

Intenzita reklamy a kvalita odpovědi se hodnotily samostatně, zatímco přesnost označování reklamy se měřila pomocí ROC-AUC, přesnosti a úplnosti a F1.

Modely byly doladěny pomocí metody Low-Rank Adaptation (LoRA); délka generovaných odpovědí byla omezena na 500 tokenů a práh pro označení reklamy činil 0,005. Všechny experimenty proběhly na jediném GPU NVIDIA H200 s úctyhodnými 141 GB paměti HBM3e VRAM.

Jako měřítka byly použity čtyři metody. V kategorii dvoukrokových metod byla reklama vložena do již vygenerované odpovědi; u metod založených na zadání byla reklama začleněna prostřednictvím systémových pokynů.

Zbývající dvě metody: JU-NLP využívala doladění, které upřednostňovalo méně nápadnou reklamu; NL-prompt (běžné systémové pokyny určující intenzitu reklamy, bez dalšího trénování) používala instrukce v přirozeném jazyce k zadání čtyř úrovní intenzity reklamy: nenápadná (L1); střední (L2); výrazná (L3); a maximální (L4).

Byly porovnány tři metody označování reklamy: Marker, který modelu při psaní zadával pokyn označovat reklamu; BERTScore, který označoval věty podobné dodanému reklamnímu textu; a AttnLRP, který sloužil ke sledování vlivu reklamy vnitřním fungováním modelu:

Výsledky testů porovnávající intenzitu reklamy a kvalitu odpovědí u čtyř modelů umělé inteligence. AdKnob (modře) dosáhl širšího a rovnoměrněji rozloženého rozpětí úrovní reklamy (L1–L4) než konkurenční metody a při srovnatelné intenzitě reklamy přitom zpravidla zachovával vyšší kvalitu odpovědí.

AdKnob nabídl širší a vyrovnanější rozpětí intenzity reklamy než konkurenční metody a při srovnatelných úrovních zpravidla poskytoval kvalitnější odpovědi. Autoři to přičítali novým řídicím tokenům a vyřazování nekvalitních odpovědí během trénování.

Autoři uvádějí:

‘JU-NLP se dolaďuje tak, aby reklamu podával skrytě, ale bez výslovného řízení její intenzity, a vytváří tak odpovědi s pevně danou intenzitou. NL-prompt sice pokrývá více úrovní intenzity, jeho rozpětí je však úzké a skóre reklamy nevyrovnané, což potvrzuje, že pokyny v přirozeném jazyce k řízení intenzity nestačí.

‘Naproti tomu AdKnob pokrývá široké a rovnoměrné rozpětí intenzity reklamy.

‘Je to díky našim řídicím tokenům pro reklamu, které nemají předtrénovaný význam a slouží výhradně jako podmiňující signály pro řízení intenzity reklamy. Díky nim může DPO vytvořit jednoznačné přiřazení každého tokenu k cílové intenzitě.’

Jak článek uvádí, přístup autorů vedl také ke kvalitnějším odpovědím než konkurenční metody při podobné intenzitě reklamy. Toto zlepšení autoři přičítají trénovacím příkladům, v nichž byly horší odpovědi výslovně odmítnuty.

Následovalo vyhodnocení schopností systému označovat reklamu:

Výsledky detekce reklamy u čtyř modelů umělé inteligence. Vyšší skóre značí vyšší přesnost; nejlepší výsledky jsou vyznačeny tučně.

AdKnob zde dosáhl nejvyšší celkové přesnosti detekce napříč všemi čtyřmi modely a reklamu v každé odpovědi identifikoval za pouhých 2,5–7,3 milisekundy. Naproti tomu BERTScore potřeboval přibližně 1 800 milisekund, takže AdKnob byl u nejmenšího testovaného modelu více než 500krát rychlejší.

Autoři dodávají:

‘AdKnob pomocí explicitního vedení založeného na ablaci učí model vytvářet silnou vazbu mezi vstupními tokeny souvisejícími s reklamou a reklamními úseky, a dosahuje tak nejlepších hodnot AUC a F1 napříč všemi modely.’

‘AdKnob navíc umožňuje označování v reálném čase bez dodatečných nákladů na inferenci, a to při ∼3 ms na odpověď na [Qwen3-4B.]

V kvalitativním testu byla reklama na Nintendo Switch zařazena jako jedno z několika doporučení na úrovni 1. Na úrovni 4 značka v odpovědi dominovala a AdKnob označil propagační pasáže u obou úrovní:

Ukázkové odpovědi na dotaz ohledně Black Friday u Walmartu při dvou úrovních reklamy. Zvýrazněné pasáže označené [AD] představují propagační obsah.

Nakonec** autoři provedli uživatelskou studii, které se zúčastnilo 913 lidí. Účastníci hodnotili intenzitu reklamy a kvalitu odpovědí, porovnávali AdKnob s konkurenčními metodami a posuzovali, jak přesně byl propagační obsah identifikován:

Výsledky lidského hodnocení AdKnob. Tabulka uvádí hodnocení intenzity reklamy a kvality odpovědí, míru preference oproti konkurenčním metodám a přesnost detekce reklamy. Zelené buňky označují míru preference vyšší než 50 %.

Autoři uzavírají:

‘AdKnob dosahuje nejvyšší hodnoty AUC a skóre F1. Vykazuje zejména vysokou úplnost a jen málo falešně negativních výsledků. Z hlediska regulace je to zásadní, protože neoznačení reklamního úseku s sebou nese značná právní rizika a ohrožuje důvěru.’

Závěr

Jednou zajímavou otázkou ohledně reklamy v LLM, které jsem si dosud nevšiml věnovat pozornost, je, co se stane, když je výstup bez reklamy stejný jako výstup založený na reklamě?

Například pokud někdo žádá o doporučení místního podniku s jídlem a v okolí je pouze McDonald’s a velmi špatně hodnocená kavárna, ale McDonald’s si zaplatil za umístění, bude nejspíš představen v reklamním kontextu, protože to vyhovuje zájmům hostitelského rámce… i kdyby byl přirozenou volbou tak jako tak?

Když čtu o podobných věcech, o nichž na tomto webu píšu poměrně pravidelně, připadám si jako krocan, který si prohlíží katalogy trub. Měli bychom mít na paměti, že ani minimální označování vyžadované v některých oblastech neznamená, že bude „neupřímný“ obsah v našich výstupech nějak zvýrazněn. Několik málo příkladů uvedených v tomto i podobných článcích ukazuje na otřesnou míru pronikání komerčního obsahu na úkor původního obsahu.

A samozřejmě jde o pečlivě vybrané příklady; o ty, které fungovaly a nevymýšlely si, nevytvářely pobuřující či urážlivé asociace ani jinak nevyvolávaly kontroverze. Při nasazení ve velkém měřítku to pro architektury tak náchylné k veřejným ostudám může být dalším důvodem, proč většina nejpokročilejších služeb přistupuje k reklamě obezřetně.

* S názvem „AdKnob: Řízení intenzity reklamy a její označování pro reklamu nativní pro LLM“; autory je šest pracovníků School of Computing při KAIST.

** Jako obvykle vynecháváme ablační studie (s výjimkou případů, kdy tvoří podstatu přínosu práce, a nejde pouze o namátkovou kontrolu).

Poprvé zveřejněno ve čtvrtek 5. listopadu 2026