एआई-जनरेटेड विज्ञापन छवियां जो आपके जनसांख्यिकी को लक्षित करती हैं – और अंततः, आप?

विज्ञापनकर्ता व्यक्तिगत दर्शकों को लक्षित करने के लिए विज्ञापनों को अनुकूलित करने का प्रयास करते हैं, और जबकि प्रत्येक व्यक्ति के लिए विशेष रूप से तैयार किए गए रचनात्मक कार्य वर्तमान में व्यावहारिक नहीं हैं, नए शोध से पता चलता है कि एआई-जनरेटेड छवियों को जल्द ही विशिष्ट जनसांख्यिकी पर प्रभावी ढंग से लक्षित किया जा सकता है।

स्टीवन स्पीलबर्ग की 2002 की विज्ञान-कथा एक्शन फिल्म माइनॉरिटी रिपोर्ट में व्यक्तिगत विज्ञापन की विशेषता वाली संस्कृति पर एक स्थायी और यहां तक कि भूतिया प्रभाव पड़ा है, जिसमें भीड़ में लोगों को पहचानने वाले प्रोएक्टिव विज्ञापन बिलबोर्ड और उन्हें सीधे उन्हें संबोधित करते हुए प्रचार संदेश दिखाई देते हैं।

कई उपभोक्ता समूह इस स्तर की दर्शक मान्यता को एक बुरे सपने के रूप में देख सकते हैं, और हालांकि कैम्ब्रिज एनालिटिका घोटाले के परिणामस्वरूप इसमें प्रगति धीमी हो गई, सीधे और अत्यधिक लक्षित जुड़ाव का आदर्श अभी भी विज्ञापन में एक प्रतिष्ठित लक्ष्य बना हुआ है।

वास्तव में, ऐसी प्रणालियाँ जो एक विशिष्ट दर्शक की विशेषताओं में उतर सकती हैं निरंतर विकास में हैं – हालांकि ऐसे मामलों में कॉर्पोरेट शोध को व्यक्तिगत रूप से पहचाने जाने योग्य जानकारी (पीआईआई) के बारे में कानूनों का पालन करने के लिए उपाय करने होते हैं; कानून जो पिछले दशक में यूरोप में मजबूत हुए हैं, और ये सुधार ब्रुसेल्स प्रभाव के माध्यम से अन्य地方ों में फैल गए हैं।

हे, तुम!

अब जबकि एआई-जनरेटेड विज्ञापन और विपणन सामग्री उभर रहे हैं, विज्ञापनकर्ताओं को विशिष्ट व्यक्तियों पर लक्षित एआई विज्ञापनों की संभावित लागत का सामना करना होगा, जहां छवियां और पाठ अवसरवादी और तत्काल उत्पन्न होते हैं।

उदाहरण के लिए, भले ही एक अनुकूलित छवि बहुत जल्दी उत्पन्न की जा सके, लेकिन बड़े पैमाने पर लागत महत्वपूर्ण होगी। इसके अलावा, स्वचालित ऑनलाइन विज्ञापन नीलामी प्रक्रियाएं महत्वपूर्ण, मिलीसेकंड-स्तर के समय फ्रेम में काम करती हैं, जो उपयोगकर्ता-सामना करने वाली अनुकूलित छवि सामग्री को चुनौतीपूर्ण बनाती है, और वीडियो सामग्री एक और दूर की संभावना है।

हालांकि, नेट-आधारित दर्शकों में उच्च-स्तरीय जनसांख्यिकी समूहों को संबोधित करने में शामिल तकनीकी बाधाएं – लैपटॉप, फोन, स्मार्ट टीवी आदि के माध्यम से – इतनी गंभीर नहीं हैं – और एक नए अंतरराष्ट्रीय शैक्षणिक/उद्योग सहयोग एक तरीका प्रस्तावित कर रहा है विभिन्न जनसांख्यिकी के लिए अलग-अलग विज्ञापन छवियां बनाने के लिए, जिसमें आयु और स्थान जैसे कारक शामिल हैं:

नई कार्य से: विभिन्न दर्शक समूहों के लिए व्यक्तिगत विज्ञापन पीढ़ी के उदाहरण, जहां एक ही उत्पाद को विभिन्न शैलियों में प्रस्तुत किया जाता है। शीर्ष पंक्ति में मूल उत्पाद छवियां दिखाई देती हैं। अगली तीन पंक्तियां प्रत्येक उत्पाद के लिए तीन अलग-अलग दर्शक प्रकारों के लिए अनुकूलित संस्करण दिखाती हैं, जो आयु, जीवन शैली या सौंदर्य वरीयता जैसी विशेषताओं में अंतरों के आधार पर हैं। ये समूह प्रकार पूर्व-निर्धारित नहीं हैं बल्कि स्वचालित रूप से खोजे जाते हैं।

नई फ्रेमवर्क – वन साइज, मैनी फिट्स (ओएसएमएफ) नामक – व्यापक-लक्ष्य विज्ञापन और अव्यावहारिक रूप से विस्तृत व्यक्तिगतीकरण के बीच की खाई को पाटने का लक्ष्य रखता है, स्वचालित रूप से खोजे गए दर्शक समूहों के लिए विभिन्न विज्ञापन छवियां उत्पन्न करके, उत्पाद-जागरूक क्लस्टरिंग का उपयोग करके दृश्य सामग्री को विभिन्न जनसांख्यिकी की क्लिक वरीयताओं के साथ संरेखित करता है।

लेखकों का कहना है:

‘[हम] एक एकीकृत फ्रेमवर्क प्रस्तुत करते हैं जो बड़े पैमाने पर विज्ञापन छवि पीढ़ी में विविध समूह-वार क्लिक वरीयताओं को संरेखित करता है।

‘ओएसएमएफ उत्पाद-जागरूक अनुकूली समूहीकरण के साथ शुरू होता है, जो गतिशील रूप से उपयोगकर्ताओं को उनके गुणों और उत्पाद विशेषताओं के आधार पर व्यवस्थित करता है, प्रत्येक समूह को समृद्ध सामूहिक वरीयता विशेषताओं के साथ प्रस्तुत करता है।’

परीक्षण के खिलाफ, लेखक दावा करते हैं कि राज्य-оф-द-आर्ट परिणाम हैं।

हालांकि काम विविध समूह समूहों की पहचान करता है, पत्र विशिष्ट जनसांख्यिकी विशेषताओं के बारे में विशिष्ट नहीं है जो प्रत्येक जी समूहीकरण का प्रतिनिधित्व करती है, हालांकि वे पारंपरिक बाजार खंड समूहों के साथ मैप करने की संभावना है।

अतः, यह जानना मुश्किल है कि मुख्य पत्र और परिशिष्ट में दिए गए विभिन्न उदाहरणों के आधार पर, क्यों कुछ पृष्ठभूमि या प्रकाश व्यवस्था एक समूह की तुलना में दूसरे समूह को अधिक आकर्षित करेगी, क्योंकि हम किसी भी समूह की विशेषताओं के बारे में नहीं जानते हैं:

कोई निरंतर ‘नीला लड़कों के लिए, गुलाबी लड़कियों के लिए’ आदि शैलियां नहीं हैं, समूह-विशिष्ट छवि शैलियों में, जो यह बता सकती हैं कि किस प्रकार का व्यक्ति किस समूह में है – परिभाषाएं, मौजूदा साहित्य से स्पष्ट है, बहुत अधिक जटिल और सूक्ष्म हैं।

जो शायद उन लोगों के लिए अधिक चिंताजनक है जो विज्ञापन लक्ष्यीकरण प्रथाओं से सावधान हैं, वह यह संभावना है कि विशिष्ट छवियों के निर्माण में प्रति-उपयोगकर्ता अंतर्दृष्टि का शोषण किया जा सकता है विज्ञापन में**।

नई पत्र का शीर्षक वन साइज, मैनी फिट्स: बड़े पैमाने पर विज्ञापन छवि पीढ़ी में विविध समूह-वार क्लिक वरीयताओं का संरेखण है, और यह 17 शोधकर्ताओं से आता है बीजिंग में पैटर्न रिकग्निशन लेबोरेटरी के राष्ट्रीय प्रयोगशाला; ‘यूसीएएस के स्कूल ऑफ एआई’; चीनी ई-कॉमर्स कंपनी जिंगडोंग; हांगकांग विज्ञान और प्रौद्योगिकी विश्वविद्यालय गुआंगज़ौ में; और नानजिंग विश्वविद्यालय विज्ञान और प्रौद्योगिकी में पैटर्न रिकग्निशन लेबोरेटरी।

विधि

प्रणाली अनुकूली क्लस्टरिंग (एक विधि जो उपयोगकर्ता विशेषताओं को विभिन्न उत्पादों के प्रति उनकी प्रतिक्रिया से जोड़कर प्राकृतिक समूहों की खोज करती है) का उपयोग करके उपयोगकर्ताओं को समूहित करने के लिए करती है, जो उनकी विशेषताएं एक दिए गए उत्पाद सेटिंग में दृश्य वरीयताओं को आकार देती हैं। लेखकों के इस दृष्टिकोण का कार्यान्वयन उत्पाद-जागरूक अनुकूली समूहीकरण (पीएएजी) कहलाता है।

इन समूहों को पहले से निर्धारित नहीं किया जाता है, बल्कि डेटा में पैटर्न से खोजा जाता है।

एक सशर्त छवि जनरेटर, वरीयता-सशर्त छवि पीढ़ी (पीसीआईजी), फिर प्रत्येक समूह के प्रोफाइल का उपयोग करके विज्ञापन छवियां बनाता है जो समूह की संभावित पसंद के अनुरूप होती हैं:

ओएसएमएफ फ्रेमवर्क उपयोगकर्ताओं को उनकी विशेषताओं द्वारा उत्पाद वरीयताओं को आकार देने के आधार पर समूहित करता है, फिर उन समूह प्रोफाइल का उपयोग उनकी स्वाद के अनुरूप विज्ञापन छवियां बनाने के लिए करता है। पीएएजी समूहीकरण संभालता है, और पीसीआईजी प्रत्येक समूह के लिए प्रॉम्प्ट और फीडबैक का उपयोग करके छवियां बनाता है।

छवि जनरेटर एक अनिर्दिष्ट संस्करण का उपयोग करता है स्टेबल डिफ्यूजन, साथ ही एक उपयुक्त कंट्रोलनेट सूट (बाद वाला विभिन्न समूह पीढ़ियों में एकरूपता बनाए रखने में मदद करने के लिए)।

कार्यप्रवाह में, पीएएजी पहले उपयोगकर्ता विशेषताओं और उत्पाद के पाठ और छवि पहलुओं के बीच संबंध को एन्कोड करता है, एक सेट समर्पित एन्कोडर और एक क्रॉस-ध्यान तंत्र का उपयोग करके उन्हें एक एकीकृत वरीयता एम्बेडिंग में मिलाता है जो एक विशिष्ट विज्ञापन पर क्लिक करने की संभावना को दर्शाता है।

पीएएजी तब मॉडल करता है कि उपयोगकर्ता विशेषताओं के विभिन्न संयोजन उत्पाद शीर्षक और उत्पाद छवियों के साथ कैसे परस्पर क्रिया करते हैं। पाठ और छवि विशेषताओं को सीएलआईपी और रेसनेट-आधारित एन्कोडर का उपयोग करके निकाला जाता है, और उपयोगकर्ता विशेषताएं जैसे लिंग, स्थान, आयु, या डिवाइस एक एमएलपी के माध्यम से पारित की जाती हैं, जो उत्पाद पाठ और छवि विशेषताओं पर क्रॉस-ध्यान को सक्षम बनाता है।

परिणामी एम्बेडिंग प्रत्येक उपयोगकर्ता की क्लिक संभावना का प्रतिनिधित्व करती है एक विशिष्ट उत्पाद के लिए एक विशिष्ट दृश्य संदर्भ में। एक बार जब ये उपयोगकर्ता-उत्पाद वरीयता एम्बेडिंग प्राप्त हो जाते हैं, तो पीएएजी के-मीन्स क्लस्टरिंग का उपयोग करके एक ही उत्पाद के प्रति समान प्रतिक्रिया देने वाले उपयोगकर्ताओं को समूहित करता है।

पीएएजी प्रत्येक उत्पाद के लिए उपयोगकर्ता समूहों की सबसे अच्छी संख्या का चयन करता है जांच करके कि क्लस्टर कितनी अच्छी तरह से अलग हैं। इसके बजाय कि एक ही औसत बिंदु का उपयोग किया जाए, यह विभिन्न दूरियों पर कई बिंदुओं का नमूना लेता है ताकि व्यापक श्रेणी की वरीयताओं को पकड़ा जा सके।

इन समूह प्रोफाइल को फिर समूह-जागरूक बहुमोडल बड़े भाषा मॉडल (जी-एमएलएलएम) के रूप में पास किया जाता है, जो उन्हें विज्ञापन छवियां उत्पन्न करने के लिए उपयोग करता है जो प्रत्येक समूह के स्वाद से मेल खाती हैं।

उपयोगकर्ता वरीयताओं के आधार पर छवि पीढ़ी

उपयोगकर्ता की ओर से, जी-एमएलएलएम सीखता है कि कौन से समूह के सदस्य अगले क्लिक करने की संभावना रखते हैं और कैसे सामान्य विशेषताओं का वर्णन करने के लिए प्राकृतिक भाषा में है। उत्पाद की ओर से, यह सीखता है कि छवि में दिखाए गए उत्पाद का सारांश कैसे किया जाए और समूह और आइटम दोनों के अनुरूप विज्ञापन-शैली के कैप्शन उत्पन्न करने के लिए है:

वास्तविक उपयोगकर्ता व्यवहार को प्रतिबिंबित करने के लिए, मॉडल को समूह-जागरूक पुरस्कार मॉडल (जीआरएम) में विस्तारित किया जाता है। जीआरएम को शोधकर्ताओं के अपने समूहीकृत विज्ञापन छवि वरीयता (जीएआईपी), डेटासेट^† (नीचे देखें) पर प्रशिक्षित किया जाता है ताकि एक ही उत्पाद के लिए छवियों के जोड़े की तुलना की जा सके और यह निर्धारित किया जा सके कि कौन सी छवि एक दिए गए समूह के साथ बेहतर काम करती है, वास्तविक क्लिक-थ्रू डेटा का उपयोग करके।

यह पुरस्कार संकेत तब फ़ाइन-ट्यून जी-एमएलएलएम के लिए उपयोग किया जाता है समूह-डीपीओ के साथ, एक विधि जो इसे उन प्रॉम्प्ट को पसंद करने के लिए सिखाती है जो बेहतर समूह-स्तर के जुड़ाव का परिणाम देते हैं।

डेटा और परीक्षण

जीएआईपी विकसित करना

एक ऐतिहासिक कमी को ध्यान में रखते हुए समूह-आधारित विज्ञापन वरीयताओं से संबंधित डेटासेट, और यह कि पिछली संग्रह जैसे व्यक्तिगत सूप और सीजी4सीटीआर या तो बहुत छोटे पैमाने पर हैं या बहुत खराब परिभाषित हैं, शोधकर्ताओं ने अपना स्वयं का संग्रह विकसित किया, जिसे जीएआईपी कहा जाता है, जो एक अज्ञात ई-कॉमर्स प्लेटफ़ॉर्म के ‘औद्योगिक विज्ञापन लॉग’ से प्राप्त किया जाता है।

लॉग तीन सप्ताह की अवधि में एकत्र किए गए थे, जिसमें प्रत्येक प्रविष्टि उत्पाद छवि और शीर्षक, दर्शक का प्रोफ़ाइल (आयु, व्यय स्तर और प्रचार के प्रति संवेदनशीलता सहित), और यह कि क्या विज्ञापन पर क्लिक किया गया था या नहीं।

डेटासेट में 40 मिलियन से अधिक उपयोगकर्ता, 2 मिलियन उत्पाद, और लगभग 10 मिलियन विज्ञापन छवियां शामिल हैं, जिनमें वस्तुओं में उच्च दृश्य विविधता है।

उपयोगकर्ताओं को पीएएजी द्वारा प्रत्येक उत्पाद के लिए विभिन्न समूहों में समूहित किया गया था, और प्रत्येक समूह में प्रत्येक छवि के लिए क्लिक-थ्रू दर (सीटीआर) की गणना की गई थी:

नई पत्र की पूरक सामग्री से, जीएआईटी के लिए कुछ परिभाषित मानदंडों की एक छोटी सी झलक।

जीएआईपी तब एक सेट के रूप में बनाया जाता है टपल (विज्ञापन छवि, उत्पाद शीर्षक, समूह एम्बेडिंग, समूह-विशिष्ट सीटीआर) प्रत्येक छवि और शीर्षक को इसके सीटीआर और देखे जाने वाले समूह के एम्बेडिंग के साथ जोड़ता है।

विश्वसनीयता सुनिश्चित करने के लिए, केवल पर्याप्त एक्सपोज़र वाले उत्पाद बरकरार रहते हैं, जिसके परिणामस्वरूप 610,172 समूह-स्तर के नमूने होते हैं।

जीएआईपी पिछले डेटासेट की तुलना में काफी बड़ा है: जबकि अधिकांश पिछले बेंचमार्क में दस से कम उपयोगकर्ता समूह शामिल हैं, जीएआईपी में लगभग 600,000 वास्तविक दुनिया के समूह-वार वरीयता रिकॉर्ड हैं, जो समूह-स्तर की वरीयताओं में गहरी अंतर्दृष्टि प्रदान करते हैं।

परीक्षण

पीसीआईजी पाइपलाइन को प्रशिक्षित करने के लिए, शोधकर्ताओं ने रेसनेट और सीएलआईपी पाठ एन्कोडर का उपयोग करके छवि और पाठ विशेषताओं को निकाला, फिर उन्हें सीखने योग्य रैखिक परतों के माध्यम से 128-आयामी एम्बेडिंग में मैप किया। कार्यक्षमता बनाए रखने के लिए, पीएएजी को प्रति उत्पाद पांच उपयोगकर्ता समूहों तक सीमित किया गया था।

समूह एम्बेडिंग का निर्माण एक प्रतिशत-आधारित नमूना रणनीति का उपयोग करके किया गया था, जिसमें 15वें, 55वें और 95वें प्रतिशतक से बिंदुओं को निकाला जाता था, जो कोर और परिधीय वरीयताओं दोनों को पकड़ने के लिए होता था।

एलएलएवीए को जी-एमएलएलएम के लिए बैकबोन के रूप में उपयोग किया गया था, और प्री-ट्रेनिंग दस युग के साथ कोसाइन लर्निंग दर कार्यक्रम के साथ की गई थी, जिसमें 2e-6 की सीखने की दर थी, जिसके लिए आठ एनवीडिया एच100 जीपीयू के क्लस्टर पर प्रशिक्षण के पांच दिन की आवश्यकता थी, प्रत्येक में 80 जीबी वीआरएएम थी।

जीआरएम को जीएआईपी को मेल खाने वाले उत्पाद छवि जोड़े को पुनर्निर्माण करके प्रशिक्षित किया गया था, और जी-एमएलएलएम के समान वजन के साथ प्रारंभ किया गया था। अंतिम समूह-डीपीओ चरण के दौरान, जीआरएम को फ्रोजन किया गया था, और जी-एमएलएलएम को 2e-5 की सीखने की दर पर तीन युगों के लिए फ़ाइन-ट्यून किया गया था, फिर से उसी एनवीडिया क्लस्टर पर।

मेट्रिक्स जो पहले मूल्यांकन के लिए उपयोग किए गए थे वे एनडीसीजी@5 और एयूआरओसी थे। एनडीसीजी@5 ने मापा कि प्रत्येक समूह ने एक ही सेट विज्ञापन छवियों को कितनी अलग तरह से रैंक किया, कम मानों का संकेत दिया कि वरीयताओं में अधिक स्पष्ट अलगाव है; और एयूआरओसी का उपयोग यह मूल्यांकन करने के लिए किया गया था कि प्रत्येक मॉडल कितनी अच्छी तरह क्लिक की गई सामग्री और गैर-क्लिक की गई सामग्री के बीच अंतर करता है।

सभी मेट्रिक्स की गणना 1,000 उत्पादों के क्लस्टरिंग परिणामों पर की गई थी, जिसमें लगभग 100,000 नमूने शामिल थे, और उनका उपयोग पीएएजी की तुलना तीन पिछली प्रणालियों से करने के लिए किया गया था: सीएसीएस; वाईआईवाईडी; और जेएसी:

पूर्ववर्ती विधियों के साथ वरीयता मॉडलिंग परिणामों की तुलना। निम्न एनडीसीजी@5 और उच्च एयूआरओसी बेहतर प्रदर्शन का संकेत देते हैं। सर्वोत्तम स्कोर बोल्ड में हैं, दूसरा सर्वश्रेष्ठ अंडरलाइन में है।

इन परिणामों पर, लेखकों का कहना है:

‘[हमारी] विधि दोनों मेट्रिक्स पर श्रेष्ठ प्रदर्शन प्राप्त करती है। विशेष रूप से, पीएएजी ने एनडीसीजी@5 (0.3066) में सबसे कम स्कोर हासिल किया, जो कि सर्वश्रेष्ठ बेसलाइन (सीएसीएस) को पार करता है, जो प्रभावी समूह-वार विज्ञापन पीढ़ी के लिए अधिक विशिष्ट अंतर-ग्रुप वरीयता पैटर्न का संकेत देता है।

‘इसके अलावा, पीएएजी ने एयूआरओसी (0.6372) में सर्वोच्च स्कोर हासिल किया, जो सबसे मजबूत बेसलाइन (वाईआईवाईडी) से 0.0159 से बेहतर है।’

एक दूसरे दौर के परीक्षण ने जांच की कि क्या प्रणाली विज्ञापनों को सही उपयोगकर्ता समूहों से मेल करा सकती है:

ऑनलाइन सीटीआर तुलना जो दिखाती है कि समूह-व्यक्तिगत पीढ़ी (‘हमारा’) सभी बेसलाइन, सीएआईजी और प्री-ट्रेन्ड जी-एमएलएलएम सहित, 5.5% के सुधार के साथ बेहतर प्रदर्शन करती है।

यहां, पीसीआईजी ने पुराने मॉडल जैसे सीएआईजी और जी-एमएलएलएम की तुलना में मजबूत क्लिक दर दिखाई, 5.5% के सुधार के साथ। जीआरएम का भी ऑफलाइन परीक्षण किया गया था, जिसमें यह जांचा गया था कि क्या यह जोड़े में विज्ञापनों में से बेहतर एक का चयन कर सकता है, समूह वरीयताओं के आधार पर। यह सभी बेसलाइन, सामान्य-उद्देश्य मॉडल सहित, को 4.7% के लाभ के साथ पार कर गया।

एक अंतिम गुणात्मक परीक्षण यह मूल्यांकन करने के लिए किया गया था कि क्या पीसीआईजी समूह-स्तर की वरीयताओं को अपनी उत्पन्न छवियों की शैली में प्रतिबिंबित कर सकता है। जैसा कि नीचे दी गई छवि में दिखाया गया है, एक ही उत्पाद को प्रत्येक समूह के लिए अलग तरह से प्रस्तुत किया गया था, पैलेट, टोन और दृश्य संरचना में परिवर्तन के साथ:

गुणात्मक परीक्षणों के पूर्ण परिणाम, जिन्हें पहले लेख में पूर्वावलोकन किया गया था।

इन भिन्नताओं ने प्रत्येक समूह के लिए अनुमानित क्लिक वरीयताओं के साथ संरेखित किया, यह दिखाते हुए कि पीसीआईजी स्टाइल में विविध छवियां उत्पन्न कर सकता है जबकि प्रासंगिकता और आकर्षण को बनाए रख सकता है, यह दर्शाता है कि यह विभिन्न उपयोगकर्ता समूहों और व्यापक विज्ञापन पीढ़ी के लिए अनुकूल हो सकता है। लेखकों का कहना है:

‘[पीसीआईजी] सुनिश्चित करता है कि विभिन्न उपयोगकर्ता समूहों की क्लिक वरीयताओं को समायोजित करने के लिए शैली में विविध छवियां, इस प्रकार अपनी पीढ़ी को विभिन्न उपयोगकर्ता मांगों के अनुकूल बनाने और विभिन्न उपयोगकर्ता समूहों में सूक्ष्म, सूक्ष्म वरीयता अंतरों को पकड़ने की अपनी मजबूत क्षमता को प्रदर्शित करता है, जो बड़े पैमाने पर समूह-जागरूक विज्ञापन छवि पीढ़ी के लिए इसकी संभावना को उजागर करता है।’

निष्कर्ष

शायद इस परियोजना का सबसे आकर्षक पहलू एक ही उत्पाद के लिए समूह-लक्षित छवियों के बीच आउटपुट शैलियों के बीच अज्ञात संबंध है, जिनमें से कई पृष्ठों के उदाहरण पत्र की पूरक सामग्री में हैं जिन्हें हम यहां पुनरुत्पादित नहीं कर सकते हैं।

क्या हम मान सकते हैं कि शहरी पृष्ठभूमि आयु से संबंधित हैं, अर्थात स्नातकों की शुरुआत के लिए, और ग्रामीण वातावरण अधिक समृद्ध जेन एक्स प्रकार के लिए लक्षित हैं जो खुली सड़क को ‘अंतिम स्वतंत्रता’ के रूप में पहचानते हैं? आप इन परीक्षण आउटपुट को पूरे दिन रोर्शाच का परीक्षण कर सकते हैं।

इस तरह की प्रणालियों की क्षमता दो कारकों पर निर्भर करती है: अंतर्दृष्टि और विलंबता। अंतर्दृष्टि इस बात पर निर्भर करती है कि क्या उभरते ट्रैकिंग प्रणाली अभी भी उपयोगकर्ताओं से पर्याप्त अर्थपूर्ण जानकारी निकाल सकती हैं ताकि प्रभावी समूह-आधारित विज्ञापन का समर्थन किया जा सके, साथ ही साथ भविष्य में अधिक सटीक, व्यक्तिगत रूप से लक्षित विज्ञापनों के लिए आधार तैयार किया जा सके।

विलंबता एक बड़ी चुनौती प्रस्तुत करती है, क्योंकि इन अनुकूलित विज्ञापन छवियों को लगभग तुरंत उत्पन्न और वितरित किया जाना चाहिए; हालांकि कुछ हाल के पाठ-से-छवि मॉडल कुछ सेकंड में परिणाम उत्पन्न कर सकते हैं, फिर भी यह विलंब वास्तविक समय विज्ञापन नीलामी के लिए बहुत लंबा हो सकता है।

एक संभावित उपाय यह होगा कि छवियों को स्थानीय रूप से ब्राउज़र के जीपीयू पर उत्पन्न किया जाए, नेटवर्क राउंड-ट्रिप को टाला जाए; या छवियों का एक समूह पहले से ही उत्पन्न किया जाए और क्लाइंट पर पूर्व-कैश किया जाए।

** यह पहलू नए पत्र में बहुत कुछ छोड़ दिया गया है, जैसा कि अक्सर नए एआई फ्रेमवर्क की गहरी नकली दुरुपयोग की संभावना को फुसलाने के लिए नए अध्ययनों में प्यारे जानवरों के चित्र (एआई पोर्न के बजाय) का उपयोग किया जाता है। फिर भी, इस कार्य में दिखाई गई छवियों का प्रकार विज्ञापनकर्ताओं को उनके सर्वोत्तम व्यवहार पर प्रस्तुत करता है, न कि यह दर्शाता है कि व्यक्तिगत दृश्य विज्ञापन कितने व्यक्तिगत हो सकते हैं क्योंकि उपभोक्ता लक्ष्यीकरण विधियां तेजी से प्रतिक्रिया देने वाले जनरेटिव एआई के साथ मिलकर काम करती हैं।

** मैं इस नामित संस्थान की पहचान नहीं कर सकता, क्योंकि ‘यूसीएएस’ आमतौर पर एक प्रसिद्ध यूके विश्वविद्यालय अनुप्रयोग क्लियरिंग-हाउस को हल करता है। मैं स्पष्टीकरण का स्वागत करता हूं। † जो शोधकर्ता संबद्ध गिटहब रेपो पर रिलीज़ करने का वादा करते हैं।

^† जो शोधकर्ता संबद्ध गिटहब रेपो पर रिलीज़ करने का वादा करते हैं।

पहली बार गुरुवार, 5 फरवरी, 2026 को प्रकाशित हुआ