AI: n generoituja mainoskuvia, jotka kohdistetaan demografiisi – ja lopulta sinuun?

MAINOSTAJAT pyrkivät räätälöimään mainoksia yksilöllisesti kohderyhmilleen, ja vaikka jokaiselle henkilölle tehtävät räätälöidyt luomukset ovat tällä hetkellä käytännössä mahdottomia, uusi tutkimus viittaa siihen, että AI: n avulla generoitu kuvamateriaali voidaan kohdistaa tehokkaasti tiettyihin demografiaryhmiin.

Steven Spielbergin vuoden 2002 tieteiselokuvassa Minority Report esiintyvät henkilökohtaiset mainokset jättäneet pysyvän, jopa hämmentävän vaikutuksen kulttuuriin, kuvaten elävästi mainoskylttejä, jotka tunnistavat ihmiset joukossa ja huutavat mainosviestejä suoraan heille.

Monet kuluttajaryhmät saattavat pitää tällaista tunnistamistason painajaisena, ja vaikka edistysaskelten tekeminen tähän suuntaan hidastui Cambridge Analytican skandaalin seurauksena, suora ja voimakas kohdistaminen on edelleen arvostettu tavoite mainonnassa.

Todellisuudessa järjestelmät, jotka voivat kohdistaa tiettyihin yksilöihin kehitetään jatkuvasti – vaikka tällaisissa tapauksissa yritysten on otettava toimet henkilökohtaisten tunnistamistietojen (PII) suojaamiseksi; lait, jotka ovat voimistuneet Euroopassa viimeisen vuosikymmenen aikana, ja nämä parannetut suojaukset on levinnyt muualle Brysselin vaikutuksen kautta.

Hei, sinä!

Nyt, kun AI: n avulla generoidut mainokset ja markkinointisisältö lisääntyvät nopeasti, mainostajien on kuitenkin otettava huomioon AI-mainosten kohdistamisen yksilöllisesti kustannukset, joissa kuvat ja teksti luodaan tilanteen mukaan ja nopeasti.

Esimerkiksi, vaikka räätälöity kuva voitaisiin luoda hyvin nopeasti, kustannukset olisivat suuret mittakaavassa. Lisäksi automaattiset verkkomainosauktion prosessit toimivat kriittisillä, millisekuntitason aikatauluilla, mikä tekee käyttäjän näkökulmasta tarkasteltavasta mukautetusta kuvamateriaalista haasteellista, ja videosisällön mahdollisuus on vielä etäisempi.

Ylemmän tason demografiaryhmien kohdistaminen verkkoyleisöön (käyttäen kannettavia tietokoneita, puhelimia, älytelevisioita jne.) ei kuitenkaan ole yhtä vaikeaa – ja uusi kansainvälinen akateeminen/teollinen yhteistyö ehdottaa tapaa luoda erillisiä mainoskuvia eri demografiaryhmille, mukaan lukien tekijöitä kuten ikä ja sijainti:

Uudesta tutkimuksesta: esimerkkejä räätälöidystä mainoskuvan luomisesta, jossa yksittäistä tuotetta esitetään eri tyylissä eri katselijaryhmille.

Uusi kehys – nimeltään One Size, Many Fits (OSMF) – pyrkii silittämään kuilun laajat kohdistusmainonnat ja käytännössä liian yksityiskohtaisen räätälöinnin välillä, luomalla eri mainoskuvia automaattisesti havaituille kohderyhmille, käyttäen tuoteen tietoista ryhmittelyä visuaalisen sisällön ja eri demografiaryhmien klikkausmieltymysten vastaamiseksi.

Kirjoittajat toteavat:

‘[Me] esitämme yhdenmukaisen kehyksen, joka vastaa moninaisia ryhmäkohtaisia klikkausmieltymyksiä laajassa mainoskuvien luomisessa.

‘OSMF alkaa tuoteen tietoisella sopeutuvalla ryhmittelyllä, joka järjestää dynaamisesti käyttäjiä heidän ominaisuuksiensa ja tuotteen ominaisuuksiensa perusteella, edustaen jokaista ryhmää runsailla yhteisillä mieltymyksellisillä ominaisuuksilla.’

Testattuna vertailukelpoisia kehyksiä vastaan, kirjoittajat väittävät saavuttaneensa huipputuloksia.

Vaikka tutkimus tunnistaa moninaiset ryhmät, tutkimus ei ole tarkka siitä, mitkä demografiat ominaisuudet edustavat kunkin G-ryhmittymää, vaikka nämä vaikuttavat todennäköisesti vastaavan perinteisiä markkinasegmentointiryhmiä.

Siksi ei ole helppoa sanoa, perustuen esimerkkeihin, jotka on annettu päätekstissä ja liitteessä, miksi tietyt taustat tai valaistus voisi kiinnostaa yhtä ryhmää enemmän kuin toista, koska emme tiedä minkään ryhmän ominaisuuksia:

Ei ole johdonmukaisia ‘sinistä pojille, vaaleanpunaista tytöille’ tyyppisiä tyylejä ryhmäkohtaisissa kuvatyyleissä, jotka voisi paljastaa, mihin ryhmään kuuluu.

Mikä on ehkä huolestuttavampaa niille, jotka ovat varovaisia mainonnan kohdistamisen käytännöistä, on mahdollisuus hyödyntää yksilöllisiä oivalluksia tietyn kuvamateriaalin luomisessa mainoksissa**.

Uusi tutkimus on nimeltään One Size, Many Fits: Aligning Diverse Group-Wise Click Preferences in Large-Scale Advertising Image Generation, ja se on 17 tutkijan yhteistyö National Laboratory of Pattern Recognition at Beijingistä; ‘School of AI at UCAS’:sta; kiinalaisesta verkkokauppayrityksestä JINGDONG; Hong Kong University of Science and Technology at Guangzhou’sta; ja Pattern Recognition Lab at Nanjing University of Science and Technology:sta.

Menetelmä

Järjestelmä käyttää sopeutuvaa ryhmittelyä (menetelmää, joka löytää luonnollisia ryhmiä yhdistämällä käyttäjän ominaisuudet heidän reaktioihinsa eri tuotteisiin) ryhmitelläkseen käyttäjiä sen mukaan, miten heidän ominaisuudet muokkaavat visuaalista suosikkia tietyssä tuoteympäristössä. Kirjoittajien toteutus tähän lähestymistapaan on nimeltään Tuoteen tietoinen sopeutuva ryhmittely (PAAG).

Nämä ryhmittelyt eivät ole ennalta määritettyjä, vaan ne havaitaan datan perusteella.

Ehdollinen kuvageneraattori, nimeltään Suosikkimielteinen kuvageneraattori (PCIG), käyttää sitten kunkin ryhmän profiilia luodakseen mainoskuvia, jotka vastaavat ryhmän todennäköisiä mieltymyksiä:

OSMF ryhmittelee käyttäjiä sen mukaan, miten heidän ominaisuudet muokkaavat tuotteen suosikkia, ja sitten käyttää näitä ryhmäprofiileja luodakseen mainoskuvia, jotka vastaavat kunkin ryhmän makuja.

Kuvageneraattori käyttää Stable Diffusionin määrittelemätöntä versiota yhdessä ControlNet-ohjelmiston kanssa (jälkimmäinen auttaa ylläpitämään johdonmukaisuutta eri ryhmien luomisessa).

Työprosessissa PAAG koodaa ensin suhteen käyttäjän ominaisuuksien ja tuotteen teksti- ja kuvapuolien välillä, käyttäen omistuksellisia koodareita ja ristiriitaisen huomion mekanismia yhdistämään ne yhdenmukaiseen mieltymykselliseen upotukseen, joka heijastaa kuinka todennäköisesti käyttäjä klikkaa tiettyä mainosta.

PAAG mallintaa sitten, miten erilaiset yhdistelmät käyttäjän ominaisuuksia vuorovaikuttavat sekä tuotteen otsikoiden että tuotteen kuvien kanssa. Teksti- ja kuvapiirteet poimitaan CLIP:n ja ResNet-pohjaisilla koodareilla, ja käyttäjän ominaisuudet, kuten sukupuoli, sijainti, ikä tai laite, kulkeutuvat MLP:n kautta, joka mahdollistaa ristiriitaisen huomion tuotteen teksti- ja kuvapiirteiden yli.

Tuloksena oleva upotus edustaa kunkin käyttäjän klikkausepätodennäköisyyttä tietyssä tuotteessa tietyssä visuaalisessa kontekstissa. Kun nämä käyttäjän ja tuotteen mieltymykselliset upotukset on saatu, PAAG käyttää K-means-ryhmittelyä ryhmitelläkseen käyttäjät, jotka reagoivat samalla tavalla tiettyyn tuotteeseen.

PAAG valitsee parhaan käyttäjäryhmien määrän kullekin tuotteelle tarkistamalla, miten hyvin ryhmät erottuvat toisistaan. Sen sijaan, että käytettäisiin vain yhtä keskiarvoa kullekin ryhmälle, se ottaa useita pisteitä eri etäisyyksillä pyrkien kaappaamaan laajemman valikoiman mieltymyksiä.

Nämä ryhmäprofiilit siirretään sitten ryhmätietoisen monimodaalisen suuren kielen mallin (G-MLLM) käyttöön, joka käyttää niitä luodakseen mainoskuvia, jotka on räätälöity kullekin ryhmälle.

Kuvan luominen käyttäjien mieltymysten perusteella

Käyttäjän puolella G-MLLM oppii ennustamaan, mitkä ryhmän jäsenet ovat todennäköisimmin klikkaamaan seuraavaksi ja miten kuvailla yleisiä ominaisuuksia luonnollisessa kielellä. Tuotteen puolella se oppii tiivistämään tuotteen, joka on esitetty kuvassa, ja luomaan mainostyyppisiä otsikoita, jotka vastaavat sekä tuotetta että ryhmää.

Jotta malli heijastaisi todellista käyttäjän käyttäytymistä, se laajennetaan ryhmätietoiseen palkintomalliin (GRM). GRM on koulutettu tutkijoiden omassa Grouped Advertising Image Preference (GAIP) -tietokannassa^† (ks. alla) vertailemaan kuvaparissa samaa tuotetta ja tunnistamaan, kumpi toimii paremmin tietyssä ryhmässä, käyttäen oikeaa klikkausdataa.

Tämä palkintosignaali käytetään sitten hienosäätöä G-MLLM:lle Group-DPO:n avulla, joka opettaa sen suosimaan ohjauksia, jotka johtavat parempaan ryhmätasolla olevaan osallistumiseen.

Data ja testit

GAIP:n kehittäminen

Tutkijat huomauttivat, että aiemmin ryhmäkohtaisiin mainosmieltymyksiin liittyviä tietokantoja on ollut vähän, ja aiemmat kokoelmat, kuten Personalized Soups ja CG4CTR, ovat joko liian pieniä tai liian epämääräisiä. Tutkijat kehittivät siksi oman kokoelmansa, GAIP, joka on johdettu tuntemattoman verkkokauppayrityksen ‘teollisen mainoslokin’ tietokannasta.

Logit kerättiin kolmen viikon aikana, ja kunkin kirjauksen sisältävän tuotteen kuvan, otsikon, käyttäjän profiilin (mukaan lukien ikä, ostovoima ja herkkyys mainoksiin) ja tiedon siitä, klikattiinko mainosta.

Tietokanta sisältää yli 40 miljoonaa käyttäjää, 2 miljoonaa tuotetta ja lähes 10 miljoonaa mainoskuvaa, joissa on suuri visuaalinen monimuotoisuus tuotteissa.

Käyttäjät ryhmiteltiin PAAG:lla eri klustereihin kullekin tuotteelle, ja klikkauksen määrä laskettiin kullekin kuvalle kussakin ryhmässä:

Uudesta tutkimuksesta, liitteistä, pieni näyte joistakin GAIT:n määrittelykriteereistä.

GAIP muodostetaan tuplena (mainoskuva, tuotteen otsikko, ryhmän upotus, ryhmäkohtainen klikkauksen määrä) parissa, joka yhdistää kunkin kuvan ja otsikon sen klikkauksen määrään ja ryhmän upotukseen.

Jotta varmistettaisiin luotettavuus, ainoastaan tuotteet, joilla on riittävästi näkyvyyttä, säilytetään, jolloin tietokantaan jää 610 172 ryhmätasolla olevaa näytettä.

GAIP on merkittävästi suurempi kuin aiemmat tietokannat: kun useimmat aiemmat vertailukohdat sisältävät vähemmän kuin kymmenen käyttäjäryhmää, GAIP sisältää lähes 600 000 todellista ryhmäkohtaista mieltymyksellistä rekisteröintiä, tarjoten syvemmän ymmärryksen ryhmätasolla olevista mieltymyksistä.

Testit

Koulutettaessa PCIG-pipelinea, tutkijat poistivat kuvan ja tekstin piirteitä ResNetillä ja CLIP-tekstikoodarilla, ja kartoittivat ne 128-ulotteisiin upotuksiin kautta omistuksellisia lineaarisia kerroksia. Tehokkuuden ylläpitämiseksi PAAG rajoitettiin viiteen käyttäjäryhmään tuotteessa.

Ryhmäupotukset muodostettiin prosenttipohjaisella otantamenetelmällä, joka poimi useita pisteitä 15., 55. ja 95. prosenttipisteistä, jotta sekä keskeiset että perifeeriset mieltymykset saataisiin kiinni.

LLaVA toimi G-MLLM:n runkona, ja esikoulutus suoritettiin kymmenen epokin ajan kosinisen oppiakseen aikataulun kuluessa oppiakseen nopeuden 2e-6, vaaditen vaikuttavan viiden päivän koulutuksen klusterissa kahdeksalla NVIDIA H100 -näytönohjaimella, joissa kussakin on 80 GB VRAM:ia.

GRM koulutettiin uudelleen GAIP:llä, jossa tuotteen kuvaparit oli parittain, ja se aloitettiin samojen painojen kanssa kuin G-MLLM. Lopullisessa Group-DPO-vaiheessa GRM jäädytettiin, ja G-MLLM hienosäätöä LoRA:lla kolmen epokin ajan – jälleen kerran oppiakseen nopeuden 2e-5, samalla NVIDIA-klusterilla.

Mittareina ensimmäisessä arvioinnissa käytettiin NDCG@5 ja AUROC. NDCG@5 mittasi, miten eri ryhmät jakoivat saman joukon mainoskuvia, ja alempien arvojen osoittaessa selkeämpää eroa mieltymyksissä; AUROC arvioi, miten hyvin kunkin mallin erotti klikatut ja klikkaamattomat sisällöt.

Kaikki mittarit laskettiin 1 000 tuotteen klusteroinnista, jotka koostuivat noin 100 000 näytteestä, ja ne käytettiin vertailemaan PAAG:ia kolmea aiempaa järjestelmää vastaan: CACS; WIYD; ja JAC:

Mieltymyksen mallinnusvertailu aiempiin menetelmiin.

Tutkijat toteavat:

‘[Meidän] menetelmä saavuttaa huipputuloksen molemmilla mittareilla. Konkreettisesti PAAG saavuttaa alhaisimman NDCG@5-arvon (0,3066), jolloin se ylittää parhaan vertailukohdan (CACS), osoittaen erottuvampia ryhmien välisiä mieltymyksellisiä kuvioita tehokkaan ryhmäkohtaisen mainoskuvien luomiseksi.

‘Lisäksi PAAG saavuttaa korkeimman AUROC-arvon (0,6372), jolloin se parantaa parasta vertailukohdetta (WIYD) 0,0159:llä.’

Toinen testikierros tarkisti, voitaisiinko järjestelmä parantaa mainoskuvien sopimista oikeaan käyttäjäryhmään:

Verkkoklikkauksen vertailu, jossa näytetään, että ryhmäkohtainen generointi ylittää kaikki vertailukohdat.

Tässä PCIG osoitti vahvemman klikkauksen kuin vanhemmat mallit, kuten CAIG ja G-MLLM, 5,5 prosentin parannuksella. GRM testattiin myös offline-tarkistamalla, voitaisiinko se oikein valita paremman mainoksen kuvaparista perustuen ryhmän mieltymyksiin. Se ylitti kaikki vertailukohdat, mukaan lukien yleispätevät mallit, 4,7 prosentin edun kera CAIG:hen nähden.

Lopullinen laadullinen testi suoritettiin arvioidakseen, voitaisiinko PCIG heijastaa ryhmätason mieltymyksiä sen luomien kuvien tyylissä. Kuten alla olevassa kuvassa näkyy, sama tuote esiteltiin eri tavoin kullekin ryhmälle, muuttaen paletin, sävyä ja visuaalista sommitelmaa:

Täydelliset tulokset laadullisista testeistä.

Nämä muutokset vastasivat, tutkijoiden mukaan, kunkin ryhmän johtamiin klikkauksen mieltymyksiin, osoittaen, että PCIG voi tuottaa tyylilajiltaan monimuotoisia tuloksia säilyttäen samalla merkityksellisyyden ja viehätysvoiman. Tutkijat toteavat:

‘[PCIG] varmistaa tyylilajiltaan monimuotoiset kuvat, jotka vastaavat eri käyttäjäryhmien klikkauksen mieltymyksiä, osoittaen vahvan kykynsä sopeuttaa generointia monimuotoisiin käyttäjätarpeisiin ja kaappaamaan hienovaraiset, hienot mieltymykselliset erot eri ryhmien välillä, korostaen sen potentiaalia ryhmäkohtaisen mainoskuvien luomiseen laajassa mittakaavassa.’

Johtopäätös

Ehkä mielenkiintoisin asia tässä tutkimuksessa on tuntematon korrelaatio eri ryhmien kohdalla saman tuotteen mainoskuvien tyylissä (joista on useita sivuja enemmän tutkimuksen liitteissä kuin mitä voimme toistaa tässä).

Voidaanko olettaa, että kaupunkitaustat liittyvät ikään, eli valmistuneisiin, jotka aloittavat uransa, ja että maaseutumaiset ympäristöt on suunnattu enemmän menestyneille X-sukupolville, jotka pitävät avoimia teitä jonkinlaisena ‘viimeisenä vapautena’? Voidaan tulkita näitä testituloksia koko päivän.

Tällaisten järjestelmien potentiaali perustuu kahteen tekijään: oivallukseen ja viiveeseen. Oivallus riippuu siitä, voivatko uudet seurantajärjestelmät edelleen kaivaa riittävästi merkityksellistä tietoa käyttäjiltä tehokkaan kohderyhmämainonnan tukemiseksi ja samalla luoda perusta tarkemmalle, yksilöllisesti kohdistetuille mainoksille tulevaisuudessa.

Viive on suurempi haaste, koska nämä mukautetut mainoskuvat on luotava ja toimitettava lähes välittömästi; vaikka jotkut viimeaikaiset teksti-kuvamallit voivat tuottaa tuloksia vain muutamassa sekunnissa, jopa tämä viive voi olla liian pitkä reaaliaikaisiin mainoskilpailuihin.

Mahdollinen ratkaisu on tuottaa kuvat paikallisesti selaimen GPU:lla, välttäen verkkoliikennettä; tai luoda joukko kuvia etukäteen, joka on esikäsitelty asiakkaalla.

** Tämä näkökulma on jätetty uudesta tutkimuksesta, aivan kuten uusien AI-kehysten potentiaali syväväärennösten hyväksikäytölle usein pehmennetään käyttämällä lempeitä eläinhahmoja (sen sijaan, että käytettäisiin AI-pornoa) uusissa tutkimuksissa. Kuitenkin tässä työssä esitetty kuvamateriaali edustaa mainostajia heidän parhaimmillaan, eikä sitä voida kuvata, kuinka henkilökohtaiset visuaaliset mainokset voivat lopulta tulla, kun kuluttajien kohdistusmenetelmät yhdistyvät nopeanvauhtiseen generatiiviseen AI:hen.

** En pysty tunnistamaan tätä nimettyä laitosta, koska ‘UCAS’ yleensä vastaa tunnettua brittiläistä yliopiston hakujärjestelmää. Tervetuloa selventämään.

^† Jotka tutkijat lupaavat julkaista liittyvässä GitHub-repossa.

Julkaistu torstaina 5. helmikuuta 2026