बड़े भाषा मॉडल्स में विज्ञापन के लिए तैयारी

नई रिसर्च से पता चलता है कि जल्द ही विज्ञापन ChatGPT-शैली के उत्तरों में सीधे एम्बेड किए जा सकते हैं – बैनर या पॉपअप के रूप में नहीं, बल्कि उत्तर के भीतर ही बुने जा सकते हैं। एक नए बेंचमार्क का परीक्षण यह देखता है कि इन विज्ञापन-इंजेक्टेड उत्तरों कितनी अच्छी तरह से सहायक, विश्वसनीय और लाभदायक हो सकते हैं, और उपयोगकर्ता अनुभव और क्लिक-थ्रू के बीच एक समझौता की आवश्यकता हो सकती है।

जैसा कि बड़े भाषा मॉडल्स की व्यापक और बढ़ती लोकप्रियता पारंपरिक विज्ञापन तरीकों को कमजोर कर रही है जिन्होंने इंटरनेट को लगभग अपनी शुरुआत से ही संचालित किया है, कोई भी जो वेंचर पूंजीपतियों की बाजार कब्जा रणनीतियों से परिचित है, यह सोच रहा होगा कि कितनी देर तक एआई चैटबॉट अपने उत्तरों में विज्ञापन सामग्री शामिल करने से बच सकते हैं।

जैसा कि नेटफ्लिक्स और बढ़ती संख्या में स्ट्रीमिंग सेवाएं प्रदर्शित करती हैं, पारंपरिक केबल-युग की रणनीति जिसमें भुगतान की गई सदस्यता को एम्बेडेड विज्ञापन के साथ जोड़ा जाता है (जो अक्सर उपभोक्ता लागत को कम रखने के तरीके के रूप में उचित ठहराया जाता है) फिर से गति प्राप्त कर रही है; और एलएलएम आउटपुट में सीधे विज्ञापन शामिल करने की ओर बदलाव अधिक वास्तविक होता जा रहा है।

लेख ‘ऑनलाइन विज्ञापन एलएलएम के साथ: अवसर और चुनौतियां’ से एक उदाहरण, जो अधिकांश लोगों की अपेक्षा के अनुसार एलएलएम के मोनेटाइजेशन के लिए संक्रमण का एक प्रतिनिधि उदाहरण है। स्रोत: https://www.sigecom.org/exchanges/volume_22/2/FEIZI.pdf

इस संभावना को देखते हुए कि एक ऐसे माध्यम में विज्ञापन शामिल किए जाएं जो पहले से ही विश्वसनीयता के मुद्दों से जूझ रहा है, यह कदम थोड़ा जल्दबाजी में लिया गया प्रतीत हो सकता है; फिर भी, पिछले बारह महीनों में जनरेटिव एआई में निवेश का पैमाना यह सुझाव देता है कि बाजार वर्तमान में एक सावधान या परिधीयता से परिपूर्ण दृष्टिकोण से परिभाषित नहीं है; और बड़े खिलाड़ियों जैसे ओपनएआई के साथ, जो तर्कसंगत रूप से अधिक लीवरेज्ड हैं और एक बड़े निवेश पर जल्दी रिटर्न की आवश्यकता है, इतिहास बताता है कि विज्ञापन-मुक्त आउटपुट का सुहागा काल समाप्त हो सकता है।

जेम-बेंच

इस जलवायु और व्यावसायिक आवश्यकताओं को ध्यान में रखते हुए, सिंगापुर से एक नए शोध पत्र में एआई चैटबॉट इंटरफेस के लिए पहला बेंचमार्क प्रस्तुत किया गया है, साथ ही विज्ञापन-इंजेक्टेड उत्तरों के लिए नए मूल्यांकन मेट्रिक्स भी प्रस्तुत किए गए हैं।

शायद आशावादी रूप से, लेखक मानते हैं कि ‘वास्तविक’ सामग्री और विज्ञापन सामग्री के बीच एक साफ विभाजन है, जहां मानक उत्तरों से विपणन प्रतिलिपि में ‘विचलन’ काफी आसानी से पहचाना जा सकता है:

नए पत्र में अध्ययन किए गए दो मॉडलों के तहत होने वाले विज्ञापन एकीकरण के प्रकार के उदाहरण। स्रोत: https://arxiv.org/pdf/2509.14221

यह देखना बाकी है कि विज्ञापनदाता स्वयं अपने विज्ञापन सामग्री को आउटपुट में अधिक सूक्ष्म रूप से एकीकृत करने का प्रयास करेंगे या नहीं।

हालांकि, ये बाद की बातें हैं; इस समय, क्षेत्र इतना नवीन है कि मूलभूत शब्दावली भी अनुपस्थित है या निर्धारित नहीं है।

इसलिए, पत्र में जनरेटिव इंजन मार्केटिंग (जेम) को एलएलएम-आधारित चैटबॉट्स के मोनेटाइजेशन के लिए एक नए फ्रेमवर्क के रूप में पेश किया गया है, जिसमें प्रासंगिक विज्ञापनों को सीधे उत्पन्न उत्तरों में एम्बेड किया जाता है।

शोधकर्ता विज्ञापन-इंजेक्टेड उत्तर (एआईआर) उत्पादन को जेम में केंद्रीय चुनौती के रूप में पहचानते हैं और तर्क देते हैं कि मौजूदा बेंचमार्क इस उद्देश्य के लिए उपयुक्त नहीं हैं। इस अंतर को भरने के लिए, वे अपने इस बेंचमार्क को विशेष रूप से इस उद्देश्य के लिए डिज़ाइन किया गया पहला बेंचमार्क होने का दावा करते हैं।

जेम-बेंच में तीन क्यूरेटेड डेटासेट शामिल हैं जो चैटबॉट और खोज इंजन परिदृश्यों को कवर करते हैं। इसमें उपयोगकर्ता संतुष्टि और जुड़ाव के विभिन्न पहलुओं का मूल्यांकन करने के लिए एक मेट्रिक्स ऑन्टोलॉजी भी शामिल है, साथ ही एक मॉड्यूलर मल्टी-एजेंट फ्रेमवर्क के भीतर लागू किए गए बेसलाइन तरीकों का सूट भी है।

लेखकों का तर्क है कि जबकि सरल प्रॉम्प्ट-आधारित तरीके संतोषजनक जुड़ाव मेट्रिक्स प्राप्त कर सकते हैं, जैसे कि ऊंचे क्लिक-थ्रू दर, वे उपयोगकर्ता संतुष्टि को कम कर देते हैं। इसके विपरीत, जो दृष्टिकोण पूर्व-उत्पन्न, विज्ञापन-मुक्त उत्तरों में विज्ञापन डालते हैं, वे विश्वास और उत्तर गुणवत्ता में सुधार दिखाते हैं – हालांकि अधिक गणनात्मक ओवरहेड की लागत पर।

इन व्यापार-बंदियों को, पत्र में तर्क दिया गया है, अधिक प्रभावी और कुशल विज्ञापन एकीकरण तकनीकों की आवश्यकता को रेखांकित करते हैं।

जेम-बेंच नए कार्य का शीर्षक है जेम-बेंच: जनरेटिव इंजन मार्केटिंग के भीतर विज्ञापन-इंजेक्टेड उत्तर पीढ़ी के लिए एक बेंचमार्क, और यह सिंगापुर के नेशनल यूनिवर्सिटी के चार शोधकर्ताओं से आया है।

विधि

जनरेटिव इंजन मार्केटिंग (जेम) के लिए रूपरेखा सर्च इंजन मार्केटिंग (एसईएम) के आधारभूत सिद्धांतों से उधार लेती है। पारंपरिक एसईएम विज्ञापनदाताओं के लिए कीवर्ड पर बोली लगाने के माध्यम से काम करता है; प्रणाली यह निर्धारित करती है कि कौन से प्रश्न विज्ञापन ट्रिगर करते हैं; प्रत्येक विज्ञापन के क्लिक-थ्रू होने की संभावना का अनुमान लगाती है; और फिर बोली और अनुमानित जुड़ाव के साथ संतुलन बनाने वाली नीलामी के माध्यम से स्थान आवंटित करती है।

इसके विपरीत, जेम दृष्टिकोण एलएलएम के लिए एसईएम के चरणों को अनुकूलित करता है, लेकिन प्रत्येक चरण में नए चुनौतियों का सामना करता है: कोई निश्चित विज्ञापन स्लॉट नहीं हैं, इसलिए प्रणाली को यह तय करना होगा कि क्या एक प्रश्न विज्ञापन ले सकता है और इसे मुक्त-रूप उत्तर में कहां डाला जाए; संरचित लेआउट के बिना क्लिक-थ्रू दरों का अनुमान लगाना मुश्किल हो जाता है; और प्रासंगिकता को उपयोगकर्ता संतुष्टि के साथ संतुलित करना होगा, क्योंकि विज्ञापन मॉडल के अपने आउटपुट में सीधे बुने जाते हैं, न कि स्टैंडअलोन कॉपी के रूप में।

कार्य में अध्ययन की गई बेसलाइन में से एक, एड-चैट, एक सरल तरीका का प्रतिनिधित्व करता है जहां विज्ञापन सामग्री को प्रणाली प्रॉम्प्ट में उत्तर उत्पन्न करने से पहले डाला जाता है। इसका मतलब है कि मॉडल एक उत्तर का उत्पादन करता है जिसमें विज्ञापन पहले से ही एम्बेडेड होता है, एक प्रीलोडेड एजेंडे द्वारा निर्देशित।

दूसरी दृष्टिकोण, एड-एलएलएम, लेखकों द्वारा नए बेंचमार्क के हिस्से के रूप में विकसित किया गया था। एड-एलएलएम एक मॉड्यूलर पथ लेता है, पहले एक साफ, विज्ञापन-मुक्त उत्तर उत्पन्न करता है; एक प्रासंगिक विज्ञापन का चयन करता है; सेमेंटिक प्रवाह के आधार पर सर्वोत्तम सम्मिलन बिंदु की पहचान करता है; और अंत में, विज्ञापन को चिकनी तरह से एकीकृत करने के लिए आउटपुट को फिर से लिखता है:

एड-चैट और लेखकों के ‘एड-एलएलएम’ तरीके के बीच तुलना। एड-चैट उत्तर पीढ़ी से पहले प्रॉम्प्ट में विज्ञापन इंजेक्ट करता है, सीमित प्लेसमेंट नियंत्रण के साथ। एड-एलएलएम उत्तर पीढ़ी और विज्ञापन सम्मिलन को अलग करता है, सेमेंटिक प्रवाह के आधार पर सम्मिलन बिंदु चुनता है, और परिणाम को परिष्कृत करता है। दोनों को जेम-बेंच मेट्रिक्स का उपयोग करके संतुष्टि और जुड़ाव के लिए स्कोर किया जाता है।

जबकि एड-चैट सस्ता और कभी-कभी अधिक प्रभावी होता है, यह विश्वास और सटीकता को कम कर देता है। एड-एलएलएम उपयोगकर्ता संतुष्टि मेट्रिक्स पर बेहतर प्रदर्शन करता है, लेकिन अधिक लागत पर।

डेटा

एआईआर पीढ़ी के लिए, दो प्रकार के डेटासेट शुरू में उत्पन्न किए गए थे: एक उपयोगकर्ता-प्रश्न सेट (उपयोगकर्ता) और एक विज्ञापन डेटाबेस (एडीडीबी).

चूंकि उपयोगकर्ता प्रश्न एलएलएम के उत्तरों में विज्ञापन अवसरों को परिभाषित करते हैं, ‘विज्ञापन इन्वेंट्री’ को इन उत्तरों में कहा जा सकता है, हालांकि यह केवल उपयोगकर्ता के प्रश्न की प्रासंगिकता से ही नहीं बल्कि यह भी निर्धारित किया जाता है कि प्रणाली अपने स्वयं के नियमों का पालन करेगी या नहीं जो विज्ञापनदाताओं के साथ अखंडता के संतुलन को निर्धारित करते हैं।

किसी भी मामले में, विज्ञापन केवल उत्तरों में दिखाई देंगे, भले ही (ऊपर दी गई योजना देखें) उपयोगकर्ता अनुरोध विज्ञापन परोसने की प्रक्रिया को सुविधाजनक बनाने के लिए गुप्त रूप से संशोधित किए जा सकते हैं।

चैटबॉट परिदृश्य के लिए, लेखकों ने दो प्रश्न डेटासेट बनाए: एमटी-मानव और एलएम-मार्केट.

एमटी-मानव एमटी-बेंच से आया था, जो एलएलएम के लिए एक मल्टी-टर्न बेंचमार्क है, और इसमें प्रश्न शामिल हैं जो विज्ञापन सामग्री को समाहित कर सकते हैं।

एलएम-मार्केट एलएमएसआईएस-चैट-1एम से बनाया गया था, जिसमें चैटजीपीटी से अधिक आधे मिलियन वास्तविक प्रश्न शामिल थे, जिन्हें अंग्रेजी भाषा के विपणन संबंधी प्रॉम्प्ट के लिए फिल्टर किया गया था और सेमेंटिक एम्बेडिंग का उपयोग करके विषय द्वारा समूहबद्ध किया गया था।

दोनों मामलों में, अंतिम प्रश्नों का चयन एक बहुस्तरीय पाइपलाइन के माध्यम से किया गया था जिसमें स्वचालित क्लस्टरिंग, एलएलएम स्कोरिंग, और मानव सत्यापन शामिल थे, जिसका उद्देश्य उन प्रॉम्प्ट की पहचान करना था जहां विज्ञापन सम्मिलन प्राकृतिक और संभव होगा।

जेम में विज्ञापन-इंजेक्टेड उत्तरों की गुणवत्ता का मूल्यांकन करने के लिए, एक माप ऑन्टोलॉजी परिभाषित की गई है जो उपयोगकर्ता संतुष्टि और जुड़ाव दोनों को कवर करती है। इसमें उत्तर प्रवाह, सुसंगतता, और क्लिक-थ्रू दर जैसे मात्रात्मक मेट्रिक्स शामिल हैं, साथ ही विश्वास, सटीकता, और प्राकृतिकता जैसे गुणात्मक मानक भी शामिल हैं – मेट्रिक्स जो उत्तर में विज्ञापन के फिट होने और उपयोगकर्ता द्वारा इसकी धारणा और जुड़ाव की संभावना को दर्शाते हैं।

‘प्राकृतिकता’ के संबंध में, पत्र में कहा गया है:

‘[प्राकृतिकता] यह मापती है कि विज्ञापन सम्मिलन से बातचीत के प्रवाह और प्राकृतिकता में कितनी बाधा आती है, जो विचलन और प्रामाणिकता पर आधारित है। विचलन यह जांचता है कि क्या विज्ञापन पढ़ने के दौरान एक “कूद” या “अचानक” महसूस पैदा करता है, जो विषय पर उपयोगकर्ता का निरंतर ध्यान तोड़ देता है। ‘

‘प्रामाणिकता मूल्यांकित करती है कि क्या विज्ञापन बातचीत के “मानव स्पर्श” या “प्राकृतिक प्रवाह” को कमजोर करता है, जिससे उत्तर जड़, सूत्रीय और कम प्रामाणिक लगता है।’

एक पारंपरिक खोज इंजन परिदृश्य के लिए परीक्षण चरण में, लेखकों ने एड्ससीवीएलआर वाणिज्यिक कॉर्पस से सीए-प्रोड नामक एक डेटासेट बनाया, जिसमें 300,000 प्रश्न-विज्ञापन जोड़े शामिल हैं, प्रत्येक में एक कीवर्ड, मेटाडेटा, और एक मैनुअल लेबल शामिल है जो प्रासंगिकता को चिह्नित करता है:

मूल स्रोत पत्र से, एड्ससीवीएलआर डेटासेट के उदाहरण, जिन्होंने लेखकों के परीक्षणों के लिए सामग्री प्रदान की। स्रोत: http://www.jdl.link/doc/2011/20221224_AdsCVLR.pdf

अनुपस्थित फील्ड वाले रिकॉर्ड हटा दिए गए थे, और केवल उन प्रश्नों को रखा गया था जिनमें दोनों सकारात्मक और नकारात्मक विज्ञापन (ऊपर दी गई छवि में उदाहरण देखें) शामिल थे।

डेटा को परिष्कृत करने के लिए, विज्ञापनों को सेमेंटिक एम्बेडिंग और की-मीन्स क्लस्टरिंग का उपयोग करके छह विषयगत समूहों (लॉन और गार्डन उपकरण, स्लिप-ऑन जूते, घरेलू सामान, पोषण की खुराक, एंड्रॉइड डिवाइस, और महिलाओं के कपड़े) में समूहबद्ध किया गया था।

प्रश्नों को तब उनके सकारात्मक विज्ञापनों के अनुसार विषयों में सौंपा गया, जिनमें से अत्यधिक खाली या घने सेटों को बाहर कर दिया गया, और अंत में 120 प्रश्न और 2,215 विशिष्ट उत्पादों का नमूना बेंचमार्क के लिए लिया गया।

परीक्षण

विभिन्न विज्ञापन-इंजेक्शन रणनीतियों के प्रदर्शन का मूल्यांकन करने के लिए, बेंचमार्क ने तीन मुख्य प्रश्नों का सामना किया: प्रत्येक विधि कितनी प्रभावी थी जो परिभाषित संतुष्टि और जुड़ाव मेट्रिक्स पर; एड-एलएलएम के आंतरिक डिज़ाइन विकल्पों के परिणामों पर क्या प्रभाव पड़ा; और गणनात्मक लागत की तुलना प्रणालियों में कैसे हुई।

लेखकों ने एड-चैट और एड-एलएलएम पाइपलाइन के तीन संस्करणों का मूल्यांकन किया, प्रत्येक में विज्ञापन पुनर्प्राप्ति (प्रॉम्प्ट से या उत्पन्न उत्तर से) और अंतिम आउटपुट को फ्लुएंसी के लिए पुन: लिखने के बीच अंतर था।

सभी तरीकों को दोबाओ-1-5-लाइट-32के के रूप में आधार मॉडल का उपयोग करके चलाया गया और जीपीटी-4.1-मिनी के साथ मूल्यांकित किया गया।

एमटी-मानव, एलएम-मार्केट, और सीए-प्रोड डेटासेट पर एड-चैट और एड-एलएलएम संस्करणों की प्रभावशीलता। मात्रात्मक मेट्रिक्स में उत्तर प्रवाह (आरएफ), उत्तर सुसंगतता (आरसी), विज्ञापन प्रवाह (एएफ), विज्ञापन सुसंगतता (एसी), इंजेक्शन दर (आईआर), क्लिक-थ्रू दर (सीटीआर), और समग्र स्कोर शामिल हैं। गुणात्मक मेट्रिक्स में सटीकता, प्राकृतिकता, व्यक्तित्व, विश्वास, नोटिस, क्लिक (-थ्रू), और समग्र प्रदर्शन शामिल हैं।

तीनों डेटासेट पर, एड-एलएलएम ने एड-चैट की तुलना में संतुष्टि और जुड़ाव दोनों उपायों पर बेहतर परिणाम दिखाए। ऊपर दिखाए गए परिणाम तालिका में, एड-एलएलएम के सर्वश्रेष्ठ संस्करण ने एमटी-मानव, एलएम-मार्केट, और सीए-प्रोड के लिए क्रमशः 8.4, 1.5, और 3.8 प्रतिशत में समग्र मात्रात्मक स्कोर में एड-चैट से बेहतर प्रदर्शन किया; और गुणात्मक स्कोर में क्रमशः 10.7, 10.4, और 8.6 प्रतिशत।

इन परिणामों के बारे में, लेखकों का कहना है:

‘इन परिणामों से पता चलता है कि एक साफ उत्तर उत्पन्न करना और फिर विज्ञापन इंजेक्ट करना एड-चैट की तुलना में उत्तर की गुणवत्ता में सुधार करता है। ‘

‘विशिष्ट उपयोगकर्ता संतुष्टि और जुड़ाव आयामों के लिए, एड-चैट तीनों डेटासेट पर एड-एलएलएम समाधानों की तुलना में महत्वपूर्ण प्रदर्शन अंतर दिखाता है, विशेष रूप से सटीकता, व्यक्तित्व, और विश्वास जैसे आयामों में।’

इसके अलावा, एड-एलएलएम ने सटीकता, व्यक्तित्व, और विश्वास में अपनी सबसे मजबूत बढ़त दिखाई, जो एड-चैट की तुलना में क्रमशः 17.6%, 23.3%, और 17.2% तक बेहतर प्रदर्शन किया।

लेखकों के अनुसार, यह अंतर एड-चैट द्वारा प्रॉम्प्ट-आधारित संकेतों का उपयोग करने से उत्पन्न हो सकता है, जो व्यक्तिगत और विपणन भाषा की ओर मॉडल को निर्देशित करता है – जिसे वे तर्क देते हैं कि यह एक ‘बिक्रीकर्ता-जैसी’ टोन की ओर ले जा सकता है जो सटीकता और विश्वास को कम कर देती है।

एड-चैट ने भी कम इंजेक्शन दरें उत्पन्न कीं, यहां तक कि उन प्रश्नों पर भी जिन्हें विज्ञापन के लिए उपयुक्त माना जाता था, और लेखकों का तर्क है कि यह प्रॉम्प्ट-आधारित संकेतों पर निर्भरता के कारण हो सकता है जिन्हें नियंत्रित करना मुश्किल है।

हालांकि, खोज इंजन सेटिंग में, एड-चैट ने 8.6% उच्च क्लिक-थ्रू दर हासिल की, जिसे पत्र में यह सुझाव दिया गया है कि यह एलएलएम का उपयोग करके उत्पाद उम्मीदवारों को पुनर्प्राप्त करने के लाभ को दर्शा सकता है, न कि केवल सेमेंटिक एम्बेडिंग पर निर्भर रहने के:

चार निर्णायक मॉडल (जीपीटी-4.1-मिनी, क्वेन-मैक्स, क्लॉड-3-5-हाइकु, किमी-के2) के लिए एड-चैट और तीन एड-एलएलएम संस्करणों (जीआई-आर, जीआईआर-आर, जीआईआर-पी) के समग्र प्रदर्शन स्कोर की तुलना। जबकि स्कोर निर्णायक के अनुसार भिन्न होते हैं, एड-एलएलएम सभी स्थितियों में एड-चैट से बेहतर प्रदर्शन करता है।

दूसरी परिणाम तालिका (ऊपर दिखाई गई) यह दर्शाती है कि तीनों डेटासेट पर एड-एलएलएम समाधान चार निर्णायक मॉडलों पर एड-चैट से बेहतर प्रदर्शन करते हैं; जीपीटी-4.1-मिनी, क्वेन-मैक्स, क्लॉड-3-5-हाइकु, और किमी-के2।

इन निर्णायकों का चयन बेस मॉडल दोबाओ-1-5-लाइट-32के से भिन्न होने के लिए किया गया था, जो मॉडल-परिवार संरेखण से पूर्वाग्रह को कम करने में मदद करता है। जीआईआर-आर प्रत्येक मामले में पहले या दूसरे स्थान पर रहा, जो निर्णायकों के बीच एड-एलएलएम की श्रेष्ठता पर व्यापक समझौते का सुझाव देता है। व्यक्तिगत गुणात्मक आयामों पर टूट-डाउन एड-एलएलएम के लाभ के पैटर्न का अनुसरण करता है जो तुरंत पहले के परिणामों में देखा गया था (ऊपर देखें)।

परीक्षणों के समापन में, पत्र यह बताता है कि एड-चैट और एड-एलएलएम दोनों को उच्च संसाधनों की आवश्यकता होती है, और एलएलएम एजेंटों का उपयोग इस प्रकार के लेन-देन में महत्वपूर्ण ओवरहेड का प्रतिनिधित्व कर सकता है। हालांकि यह कल्पना की जा सकती है कि विलंबता के मुद्दे (आम तौर पर विज्ञापन परोसने के दृश्यों में महत्वपूर्ण) एलएलएम के इस तरह के उपयोग से उत्पन्न हो सकते हैं (हालांकि यह पत्र में विशेष रूप से संबोधित नहीं किया गया है)।

किसी भी मामले में, लेखकों के द्वारा एड-चैट रणनीति का कार्यान्वयन (पहले की योजना में ऊपरी पंक्ति) उच्चतम क्लिक-थ्रू दर प्रदान करता है, भले ही इसके साथ जुड़े एलएलएम लागत सबसे अधिक है।

निष्कर्ष

यह आश्चर्य की बात नहीं है कि साहित्य एलएलएम में विज्ञापन के तरीकों पर अटकलें लगा रहा है; वास्तव में, इस विषय पर सार्वजनिक रूप से उपलब्ध शोध बहुत कम है, जो वर्तमान पत्र और इसके पूर्ववर्ती को दिलचस्प बनाता है।

किसी भी व्यक्ति जिसने विज्ञापन बिक्री विभाग के साथ काम किया है या इन्वेंट्री बेची है, यह जानता है कि विज्ञापनदाता हमेशा अधिक चाहते हैं – आदर्श रूप से, विज्ञापनों को तथ्यात्मक सामग्री के रूप में प्रस्तुत करने के लिए, मेजबान सामग्री प्रवाह से पूरी तरह से अविभाज्य; और वे इसके लिए एक महत्वपूर्ण प्रीमियम का भुगतान करने को तैयार हैं।

इसलिए, यह देखना दिलचस्प होगा कि दो पत्रों में परिकल्पित विज्ञापन-लदे कोडिसिल किस हद तक, यदि कोई हो, एलएलएम के उत्तर के ‘पेलोड’ के करीब और ऊपर चढ़ने के लिए प्रोत्साहित किए जा सकते हैं।

पहली बार गुरुवार, 18 सितंबर, 2025 को प्रकाशित