Immagini pubblicitarie generate da AI che si rivolgono alla tua demografia – e, alla fine, a te?

Gli inserzionisti cercano di personalizzare gli annunci per i singoli utenti per aumentare i clic, e sebbene le creazioni personalizzate per ogni persona siano attualmente impratiche, una nuova ricerca suggerisce che le immagini generate da AI potrebbero essere presto mirate in modo efficace a specifiche demografiche.

La pubblicità personalizzata presentata nel film di fantascienza del 2002 di Steven Spielberg Minority Report ha lasciato un’impronta duratura, anche inquietante, sulla cultura, con la sua vivida rappresentazione di cartelloni pubblicitari proattivi che riconoscono le persone tra la folla e gridano messaggi promozionali direttamente a loro.

Molti gruppi di consumatori possono considerare questo livello di riconoscimento dell’utente come un incubo, e sebbene i progressi verso questo obiettivo siano stati rallentati dalle conseguenze dello scandalo Cambridge Analytica, l’ideale di un coinvolgimento diretto e altamente mirato rimane un obiettivo ambito nella pubblicità.

In effetti, i sistemi che possono analizzare le caratteristiche di un utente specifico sono in continua evoluzione – sebbene in questi casi la ricerca aziendale debba prendere misure per rispettare le leggi relative alle informazioni personali identificabili (PII); leggi che sono state rafforzate in Europa negli ultimi dieci anni, con queste protezioni migliorate diffuse altrove attraverso l’effetto Bruxelles.

Ciao, tu!

Ora che gli annunci e il contenuto di marketing generati da AI stanno aumentando di popolarità, gli inserzionisti devono comunque affrontare il potenziale costo degli annunci di AI mirati a singoli individui, dove le immagini e il testo sono generati in modo opportunistico e in tempo reale.

Ad esempio, anche se un’immagine personalizzata potrebbe essere generata molto rapidamente, i costi su larga scala sarebbero significativi. Inoltre, i processi di asta automatici per la pubblicità online operano a tempi critici, a livello di millisecondi, il che rende difficile il contenuto di immagini personalizzate per l’utente; e il contenuto video è una prospettiva ancora più lontana.

Tuttavia, gli ostacoli tecnici coinvolti nell’indirizzare gruppi di cohorte di livello superiore in un pubblico basato su rete (tramite laptop, telefoni, smart TV, ecc.) non sono così gravi – e una nuova collaborazione accademica e industriale internazionale sta proponendo un modo per creare immagini pubblicitarie separate per diverse demografiche, tra cui fattori come età e posizione geografica:

Dall’opera nuova: esempi di generazione di annunci personalizzati, dove un singolo prodotto è rappresentato in diversi stili per diversi gruppi di utenti. La riga superiore mostra le immagini originali del prodotto. Le tre righe successive mostrano versioni adattate a tre tipi di pubblico diversi per prodotto, in base a differenze in caratteristiche come età, stile di vita o preferenza estetica. Questi tipi di gruppo non sono predefiniti, ma vengono scoperti automaticamente.

Il nuovo framework – intitolato One Size, Many Fits (OSMF) – mira a colmare il divario tra la pubblicità a bersaglio ampio e la personalizzazione estremamente granulare, generando diverse immagini pubblicitarie per gruppi di utenti scoperti automaticamente, utilizzando product-aware clustering per allineare il contenuto visivo con le preferenze di clic dei diversi gruppi demografici

Gli autori affermano:

‘[Noi] presentiamo [un] framework unificato che allinea le preferenze di clic di gruppo diverse in larga scala nella generazione di immagini pubblicitarie.

‘OSMF inizia con il raggruppamento adattivo basato sul prodotto, che organizza dinamicamente gli utenti in base ai loro attributi e alle caratteristiche del prodotto, rappresentando ogni gruppo con caratteristiche di preferenza collettiva ricche.’

Testato contro framework comparabili, gli autori affermano di avere ottenuto risultati di stato dell’arte.

Sebbene il lavoro identifichi gruppi di cohorte diversi, il documento non specifica quali caratteristiche demografiche sono rappresentate da ogni G di raggruppamento, sebbene queste sembrino probabilmente mappare i tradizionali gruppi di segmentazione del mercato.

Pertanto, non è facile capire, sulla base degli esempi forniti nel documento principale e nell’appendice, esattamente perché certi sfondi o illuminazioni potrebbero piacere a un cohorte più di un’altra, poiché non conosciamo le caratteristiche di nessun cohorte:

Non ci sono stili coerenti ‘blu per i ragazzi, rosa per le ragazze’ ecc. tra gli stili di immagini specifiche del cohorte, che potrebbero rivelare a quale gruppo appartenga una determinata persona – le definizioni, come evidente dalla letteratura esistente, sono molto più complesse e sottili.

Quello che potrebbe essere più preoccupante, per coloro che sono diffidenti nei confronti delle pratiche di targeting pubblicitario, è la possibilità di sfruttare informazioni per utente nella generazione di immagini specifiche negli annunci**.

Il nuovo documento è intitolato One Size, Many Fits: Allineamento delle preferenze di clic di gruppo diverse nella generazione di immagini pubblicitarie su larga scala, e proviene da 17 ricercatori del National Laboratory of Pattern Recognition di Pechino; della ‘School of AI at UCAS’; della società di e-commerce cinese JINGDONG; dell’Università di Scienze e Tecnologia di Hong Kong a Guangzhou; e del Pattern Recognition Lab dell’Università di Scienze e Tecnologia di Nanchino.

Metodo

Il sistema utilizza raggruppamento adattivo (un metodo che trova raggruppamenti naturali collegando le caratteristiche degli utenti a come rispondono a diversi prodotti) per raggruppare gli utenti, in base a come le loro caratteristiche plasmano le preferenze visive in un determinato contesto di prodotto. L’implementazione di questo approccio degli autori è chiamata Product-Aware Adaptive Grouping (PAAG).

Questi raggruppamenti non sono fissi in anticipo, ma vengono scoperti dai modelli di dati.

Un generatore di immagini condizionale, intitolato Preference-Conditioned Image Generation (PCIG), utilizza poi il profilo di ogni gruppo per creare immagini pubblicitarie che corrispondono ai gusti del gruppo:

Il framework OSMF raggruppa gli utenti in base a come le loro caratteristiche plasmano le preferenze del prodotto, quindi utilizza questi profili di gruppo per generare immagini pubblicitarie che corrispondono ai gusti di ogni gruppo. PAAG gestisce il raggruppamento, e PCIG crea le immagini utilizzando prompt e feedback regolati per ogni gruppo.

Il generatore di immagini utilizza una versione non specificata di Stable Diffusion, insieme a un’apposita suite ControlNet (quest’ultima, per aiutare a mantenere la coerenza tra le diverse generazioni di cohorte).

Nel flusso di lavoro, PAAG codifica prima la relazione tra le caratteristiche degli utenti e sia gli aspetti testuali che visivi del prodotto, utilizzando un set di encoder dedicati e un meccanismo di cross-attention per fondere queste informazioni in un’unica rappresentazione di preferenza embedding che riflette quanto probabile sia che un utente faccia clic su un determinato annuncio.

PAAG modella quindi come diverse combinazioni di attributi degli utenti interagiscono con sia i titoli del prodotto che le immagini del prodotto. Le caratteristiche testuali e visive vengono estratte utilizzando encoder basati su CLIP e ResNet, e le caratteristiche degli utenti come genere, posizione geografica, età o dispositivo vengono passate attraverso un MLP, che consente la cross-attention sui caratteristiche testuali e visive del prodotto.

Il risultante embedding rappresenta la probabilità di clic di ogni utente per un determinato prodotto in un contesto visivo specifico. Una volta ottenuti questi embedding di preferenza utente-prodotto, PAAG utilizza K-means clustering per raggruppare gli utenti che rispondono in modo simile a un determinato prodotto.

PAAG seleziona il numero ottimale di gruppi di utenti per ogni prodotto verificando quanto bene i cluster si separano. Invece di utilizzare un solo punto medio per gruppo, campiona diversi punti a diverse distanze per catturare una gamma più ampia di preferenze.

Questi profili di gruppo vengono poi passati come token al group-aware multimodal large language model (G-MLLM), che li utilizza per generare immagini pubblicitarie personalizzate per ogni gruppo.

Generazione di immagini in base alle preferenze degli utenti

Sul lato utente, G-MLLM apprende a prevedere quali membri del gruppo probabilmente faranno clic dopo e come descrivere le caratteristiche comuni in linguaggio naturale. Sul lato prodotto, apprende a riassumere il prodotto mostrato in un’immagine e a generare didascalie di stile pubblicitario che corrispondono sia al prodotto che al gruppo.

Per riflettere il comportamento reale degli utenti, il modello viene esteso in un group-aware reward model (GRM). GRM viene addestrato sul set di dati Grouped Advertising Image Preference (GAIP) dei ricercatori^† (vedi sotto) per confrontare le immagini a coppie per lo stesso prodotto e identificare quale funziona meglio con un determinato gruppo, utilizzando dati di clic reali.

Questo segnale di ricompensa viene quindi utilizzato per ottimizzare G-MLLM con Group-DPO, un metodo che insegna a favorire i prompt che portano a un miglior coinvolgimento a livello di gruppo.

Dati e test

Sviluppo di GAIP

Notando una storica carenza di set di dati relativi alle preferenze pubblicitarie basate sui gruppi, e che le raccolte precedenti come Personalized Soups e CG4CTR sono troppo piccole o troppo mal definite, i ricercatori hanno sviluppato la loro raccolta, la sopracitata GAIP, derivata dai ‘log di pubblicità industriale’ di una piattaforma di e-commerce non specificata.

I log sono stati raccolti nel corso di un periodo di tre settimane, con ogni voce che registra l’immagine del prodotto e il titolo, il profilo dell’utente (inclusi età, livello di spesa e sensibilità alle promozioni) e se l’annuncio è stato fatto clic.

Il set di dati include oltre 40 milioni di utenti, 2 milioni di prodotti e quasi 10 milioni di immagini pubblicitarie, con una grande varietà visiva tra gli elementi.

Gli utenti sono stati raggruppati da PAAG in cluster distinti per ogni prodotto, e il tasso di clic (CTR) è stato calcolato per immagine all’interno di ogni gruppo:

Dall’opera nuova, un piccolo sguardo ad alcuni dei criteri di definizione per GAIT.

GAIP è quindi formato come un insieme di tupla (immagine pubblicitaria, titolo del prodotto, group embedding, CTR specifico del gruppo) che accoppia ogni immagine e titolo con il suo CTR e l’embedding del gruppo che lo ha visualizzato.

Per garantire l’affidabilità, vengono conservati solo i prodotti con sufficiente esposizione, il che porta a un set di dati di 610.172 campioni a livello di gruppo.

GAIP è sostanzialmente più grande dei set di dati precedenti: mentre la maggior parte dei benchmark precedenti coinvolge meno di dieci gruppi di utenti, GAIP include quasi 600.000 record di preferenze a livello di gruppo nel mondo reale, offrendo una comprensione più approfondita delle preferenze a livello di gruppo.

Test

Per addestrare la pipeline PCIG, i ricercatori hanno estratto le caratteristiche delle immagini e del testo utilizzando ResNet e l’encoder di testo CLIP, quindi le hanno mappate su embedding a 128 dimensioni attraverso layer lineari apprendibili. Per mantenere l’efficienza, PAAG è stato limitato a cinque gruppi di utenti per prodotto.

I profili di gruppo sono stati costruiti utilizzando una strategia di campionamento basata sui percentili, campionando più punti dai percentili 15°, 55° e 95° per catturare sia le preferenze centrali che quelle periferiche.

LLaVA è stato utilizzato come base per G-MLLM, e l’addestramento preiniziale è stato condotto su dieci epoch con un programma di apprendimento a tasso di apprendimento di 2e-6, richiedendo un formidabile cinque giorni di addestramento su un cluster di otto GPU NVIDIA H100, ognuna con 80GB di VRAM.

GRM è stato addestrato ricostruendo GAIP con coppie di immagini di prodotto abbinate, quindi inizializzato con gli stessi pesi di G-MLLM. Durante la fase finale di Group-DPO, GRM è stato congelato, e G-MLLM ottimizzato utilizzando LoRA per tre epoch – di nuovo, a un tasso di apprendimento di 2e-5, sullo stesso cluster NVIDIA.

Le metriche utilizzate per la prima valutazione sono state NDCG@5 e AUROC. NDCG@5 ha misurato quanto diversamente ogni gruppo ha classificato lo stesso set di immagini pubblicitarie, con valori più bassi che indicano una separazione più chiara nelle preferenze; e AUROC è stato utilizzato per valutare quanto bene ogni modello distingueva il contenuto fatto clic da quello non cliccato.

Tutte le metriche sono state calcolate sui risultati di raggruppamento di 1.000 prodotti, per un totale di circa 100.000 campioni, e sono state utilizzate per confrontare PAAG con tre sistemi precedenti: CACS; WIYD; e JAC:

Risultati del modello di preferenza in confronto ai metodi precedenti. NDCG@5 più basso e AUROC più alto indicano una migliore prestazione. I punteggi migliori sono in grassetto, i secondi migliori sono sottolineati.

Di questi risultati, gli autori commentano:

‘[Il nostro] metodo raggiunge prestazioni superiori su entrambe le metriche. In particolare, PAAG ottiene il NDCG@5 più basso (0,3066), superando il miglior modello di riferimento (CACS), indicando modelli di preferenza inter-gruppo più distinti per una generazione di pubblicità a livello di gruppo efficace.

‘Inoltre, PAAG raggiunge l’AUROC più alto (0,6372), migliorando il miglior modello di riferimento (WIYD) di 0,0159.’

Un secondo round di test ha verificato se il sistema potesse meglio abbinare gli annunci ai giusti gruppi di utenti:

Confronto del tasso di clic online che mostra come la generazione personalizzata del gruppo (‘Noi’) superi tutti i modelli di riferimento, inclusi CAIG e G-MLLM pre-addestrato.

Qui, PCIG ha mostrato tassi di clic più alti rispetto ai modelli più vecchi come CAIG e G-MLLM, con un miglioramento del 5,5%. GRM è stato testato anche offline verificando se potesse correttamente scegliere il miglior annuncio in una coppia, in base alle preferenze del gruppo. Ha superato tutti i modelli di riferimento, inclusi modelli generici, con un guadagno del 4,7% rispetto a CAIG.

Un test qualitativo finale è stato condotto per valutare se PCIG potesse riflettere le preferenze a livello di gruppo nello stile delle immagini generate. Come mostrato nella figura seguente, lo stesso prodotto è stato rappresentato in modo diverso per ogni gruppo, con cambiamenti nella palette, nel tono e nella composizione visiva:

Risultati completi dei test qualitativi, anticipati in precedenza nell’articolo.

Queste variazioni si allineano, sostengono gli autori, con le preferenze di clic inferite per ogni gruppo, mostrando che PCIG può produrre output stilisticamente diversi mantenendo rilevanza e appeal. Gli autori affermano:

‘[PCIG] assicura immagini stilisticamente diverse per soddisfare le preferenze di clic di gruppi di utenti distinti, dimostrando così la sua forte capacità di adattare la generazione a esigenze di utenti eterogenei e catturare differenze di preferenza sottili e fine-granulari tra gruppi di utenti diversi, evidenziando il suo potenziale per la generazione di immagini pubblicitarie a livello di gruppo su larga scala.’

Conclusione

Forse l’aspetto più intrigante di questo progetto è la correlazione sconosciuta tra stili di output attraverso immagini mirate ai gruppi per lo stesso prodotto (di cui ci sono diverse pagine di esempi nei materiali supplementari del documento che non possiamo riprodurre qui).

Possiamo supporre che sfondi urbani siano collegati all’età, ad esempio, ai laureati che iniziano, e che ambienti rurali siano rivolti a tipi di Gen X più prosperi che identificano la strada aperta come una sorta di ‘ultima libertà’? Si può interpretare questi output di test tutto il giorno.

Il potenziale di tali sistemi si basa su due fattori: insight e latenza. L’insight dipende dal fatto che i sistemi di tracciamento emergenti possano ancora estrarre informazioni sufficientemente significative dagli utenti per supportare una pubblicità basata sui cohorte efficace, e allo stesso tempo gettare le basi per annunci più precisi e mirati individualmente in futuro.

La latenza rappresenta una sfida maggiore, poiché queste immagini pubblicitarie personalizzate devono essere generate e consegnate quasi istantaneamente; sebbene alcuni recenti modelli di testo-immagine possano produrre risultati in pochi secondi, anche questo ritardo potrebbe essere troppo lungo per le aste pubblicitarie in tempo reale.

Un possibile rimedio è produrre le immagini localmente, sul GPU del browser, evitando i round-trip di rete; o creare un insieme di immagini in anticipo, precaricate sul client.

** Questo aspetto è eluso nel nuovo documento, proprio come il potenziale abuso di deepfake di nuovi framework di AI è spesso mitigato dall’uso di figure animali teneri (piuttosto che AI porn) in nuovi studi. Tuttavia, il tipo di immagini mostrate nel lavoro rappresenta gli inserzionisti al loro miglior comportamento, piuttosto che mostrare quanto personalizzate potrebbero diventare le immagini pubblicitarie, man mano che i metodi di targeting dei consumatori si uniscono all’AI generativa a risposta rapida.

** Non posso identificare questa istituzione con nome, poiché ‘UCAS’ si risolve generalmente a un noto ufficio di clearing per le domande di università del Regno Unito. Accetto chiarimenti.

^† Che i ricercatori promettono di rilasciare al repository GitHub associato.

Pubblicato per la prima volta giovedì 5 febbraio 2026