AI-genererte annonsebilder som målretter din demografi – Og, til slutt, deg?

Annonsører målretter annonser til enkeltseere for å drive klikk, og selv om skreddersydd kreativitet for hver person for tiden er uvirkelige, antyder ny forskning at AI-generert bilde kan snart målrettes effektivt mot bestemte demografiske grupper.

Den personlige annonseringen i Steven Spielbergs sci-fi-aksjonsfilm fra 2002, Minority Report, har etterlatt en varig, selv en skremmende inntrykk på kulturen, med sin levende skildring av proaktive annonseringsskilt som gjenkjenner mennesker i folkemengder og roper ut promasjonelle budskap direkte til dem.

Mange forbrukergrupper kan se på dette nivået av gjenkjenning som en mareritt, og selv om fremgangen mot dette ble sakt ned av ettervirkningene av Cambridge Analytica- skandalen, forblir idealet om direkte, høyt målrettet engasjement et prisverdig mål i annonsering.

I virkeligheten er systemer som kan bore ned til karakteristika av en bestemt seer i konstant utvikling – selv om slike systemer må ta målrettet tiltak for å respektere lover rundt personlig identifiserbar informasjon (PII); lover som har blitt styrket i Europa over de siste ti årene, med disse forbedrede beskyttelsene spredt andre steder via Brussel-effekten.

Hei, du!

Nå som AI-genererte annonser og markedsføringsinnhold er på fremmarsj, må annonsører likevel møte den potensielle kostnaden av AI-annonser målrettede mot bestemte individer, hvor bildet og teksten oppstår på en måte som er både mulig og effektiv.

For eksempel, selv om et skreddersydd bilde kunne genereres svært raskt, ville kostnadene på en større skala være betydelige. I tillegg opererer automatisk online annonseringsauksjonsprosesser på kritiske, millisekund-lange tidsrammer, noe som gjør det vanskelig å generere brukerorientert, tilpasset innhold; og videoinnhold er enda mer avsidesliggende.

Imidlertid er de tekniske hindringene involvert i å målrette høyere nivå demografiske kohortgrupper i en nettbasert publikum (via bærbare datamaskiner, mobiltelefoner, smart-TV osv.) ikke like alvorlige – og en ny internasjonal akademisk/industriell samarbeid foreslår en måte å lage separate annonsebilder for ulike demografiske grupper, inkludert faktorer som alder og geografisk beliggenhet:

Fra det nye arbeidet: eksempler på personlig annonseringsgenerering, hvor et enkelt produkt er fremstilt i forskjellige stiler for forskjellige seergrupper. Kilde

Det nye rammeverket – tittelen One Size, Many Fits (OSMF) – har som mål å brygge gapet mellom bredt målrettet annonsering og umulig detaljert tilpasning, ved å generere ulike annonsebilder for automatisk oppdagede seergrupper, ved å bruke produktbevisst klustering til å tilpasse visuelt innhold med klikkpreferanser for ulike demografiske grupper

Forfatterne skriver:

‘[Vi] presenterer [et] forent rammeverk som tilpasser ulike gruppevise klikkpreferanser i stor skala annonseringsbildegenerering.

‘OSMF begynner med produktbevisst adaptivt gruppering, som dynamisk organiserer brukere basert på deres attributter og produktkarakteristika, og representerer hver gruppe med rike kollektive preferanseegenskaper.’

Testet mot sammenlignbare rammeverk, hevder forfatterne å ha oppnådd state-of-the-art resultater.

Selv om arbeidet identifiserer ulike kohortgrupper, er papiret ikke spesifikt når det gjelder hvilke demografiske karakteristika som representeres av hver G-gruppering, selv om disse ser ut til å kunne kartlegges til tradisjonelle markedssegmenteringsgrupper.

Derfor er det ikke lett å si, basert på de ulike eksemplene gitt i hovedpapiret og appendiksen, hvorfor visse bakgrunner eller lysforhold ville appellere mer til en kohort enn en annen, ettersom vi ikke kjenner til egenskapene til noen kohort:

Det finnes ingen konsistente ‘blå for gutter, rosa for jenter’ osv. stiler, over kohortspesifikke bildestiler, som kunne avsløre hvilken type person som hører hjemme i hvilken gruppe – definisjonene, som fremgår av den eksisterende litteraturen, er langt mer komplekse og subtile.

Hva som kanskje er mer bekymringsfullt for de som er skeptiske til annonseringspraksis, er muligheten for å utnytte per-brukerinsikter i genereringen av bestemt bilde i annonser**.

Den nye artikkelen har tittelen One Size, Many Fits: Aligning Diverse Group-Wise Click Preferences in Large-Scale Advertising Image Generation, og kommer fra 17 forskere over hele verden, inkludert Nasjonal laboratorium for mønsterkjennelse i Beijing; ‘Skolen for AI ved UCAS’; det kinesiske e-handelsfirmaet JINGDONG; Hong Kong Universitet for vitenskap og teknologi i Guangzhou; og Mønsterkjenningslaboratoriet ved Nanjing Universitet for vitenskap og teknologi.

Metode

Systemet bruker adaptivt klustering (en metode som finner naturlige grupper ved å koble brukerattributter med hvordan de reagerer på ulike produkter) for å gruppere brukere, basert på hvordan deres attributter former visuelle preferanser i en gitt produktkontekst. Forfatternes implementering av denne tilnærmingen kalles Produktbevisst adaptivt gruppering (PAAG).

Disse grupperingene er ikke faste på forhånd, men oppdages fra mønster i dataene.

En betinget bildegenerator, tittelen Preferanse-betinget bildegenerering (PCIG), bruker deretter hver gruppes profil for å lage annonsebilder som matcher gruppenes sannsynlige preferanser:

OSMF-rammeverket grupperer brukere basert på hvordan deres attributter former produktpreferanser, og deretter bruker disse gruppene til å generere annonsebilder som matcher hver gruppes smak. PAAG håndterer grupperingen, og PCIG lager bildene ved hjelp av promter og tilbakemeldinger tilpasset hver gruppe.

Bildegeneratoren bruker en uspesifisert versjon av Stable Diffusion, sammen med en egnet ControlNet-suiter (den siste for å hjelpe med å opprettholde konsistens blant de ulike kohortgenereringene).

I arbeidsflyten kodar PAAG først forholdet mellom brukerattributter og både tekst- og bildeaspekter av produktet, ved hjelp av en rekke dedikerte kodere og en kryss-oppmerksomhetsmekanisme for å kombinere dem i en forent preferanse-innkapsling som reflekterer hvor sannsynlig en bruker er å klikke på en bestemt annonse.

PAAG modellerer deretter hvordan ulike kombinasjoner av brukerattributter samhandler med både produkttittel og produktbilder. Tekst- og bildeegenskaper trekkes ut ved hjelp av CLIP og ResNet-basert kodere, og brukerattributter som kjønn, geografisk beliggenhet, alder eller enhet sendes gjennom en MLP, som muliggjør kryss-oppmerksomhet over produkttekst- og bildeegenskaper.

Den resulterende innkapslingen representerer hver brukers klikksannsynlighet for et bestemt produkt i en spesifikk visuell kontekst. Når disse bruker-produkt-preferanse-inkapslingene er oppnådd, bruker PAAG K-means-klustering for å gruppere sammen brukere som reagerer likt på et gitt produkt.

PAAG velger det beste antallet brukergrupper for hvert produkt ved å sjekke hvor godt klustrene skiller. I stedet for å bruke bare én gjennomsnittspunkt per gruppe, sampler den flere på ulike avstander for å fange en bredere rekke av preferanser.

Disse gruppene sendes deretter som token til gruppebevisst multimodal stor språkmodell (G-MLLM), som bruker dem til å generere annonsebilder tilpasset hver gruppe.

Bildegenerering basert på brukerpreferanser

På brukersiden lærer G-MLLM å forutsi hvilke gruppemedlemmer som sannsynligvis vil klikke neste og hvordan å beskrive vanlige trekk i naturlig språk. På produktssiden lærer den å sammenfatte produktet som vises i et bilde og å generere annonse-stil-kapitler som matcher både produktet og gruppen.

For å reflektere virkelig brukeratferd, utvides modellen til en gruppebevisst belønningmodell (GRM). GRM er trent på forskernes eget Gruppebasert annonseringsbildeprefrens (GAIP)-dataset^† (se under) for å sammenligne par av bilder for samme produkt og identifisere hvilket som fungerte bedre med en gitt gruppe, ved hjelp av virkelig klikk-gjennom-data.

Dette belønningssignalet brukes deretter til å fine-tune G-MLLM med Gruppe-DPO, en metode som lærer den å favorisere promter som fører til bedre gruppenivå-engasjement.

Data og tester

Utvikling av GAIP

Ved å merke en historisk mangel på datasett relatert til gruppebasert annonseringspreferanser, og at tidligere samlinger som Personlige supper og CG4CTR er enten for små eller for dårlig spesifisert, utviklet forskerne sitt eget datasett, det ovennevnte GAIP, avledet fra ‘industriell annonseringslogger’ fra et uspesifisert e-handelsplattform.

Loggene ble samlet inn over en tre-ukers periode, med hver innføring som registrerte produktbildet og tittelen, seerens profil (inkludert alder, utgiftsnivå og følsomhet for kampanjer), og om annonsen ble klikket.

Datasett inkluderer over 40 millioner brukere, 2 millioner produkter og nesten 10 millioner annonsebilder, med høy visuell variasjon over elementer.

Brukere ble gruppert av PAAG i distinkte kluster for hvert produkt, og klikk-gjennom-raten (CTR) ble beregnet per bilde innen hver gruppe:

Fra det nye papirets supplmentære materiale, en liten glimt av noen av kriteriene for GAIT.

GAIP er deretter dannet som en samling tupler (annonsebildeprefrens, produkttittel, gruppe-inkapsling, gruppespesifikk CTR) som parer hver bilde og tittel med dens CTR og inkapslingen av gruppen som så det.

For å sikre pålitelighet, beholdes bare produkter med tilstrekkelig eksponering, noe som resulterer i et datasett på 610 172 gruppenivå-prøver.

GAIP er betraktelig større enn tidligere datasett: mens de fleste tidligere benchmark-involverer færre enn ti brukergrupper, inkluderer GAIP nesten 600 000 virkelige gruppevise preferanser, og tilbyr dypere innsikt i gruppenivå-preferanser.

Tester

For å trene PCIG-pipeline, trekkes bilde- og tekstegenskaper ut ved hjelp av ResNet og CLIP-tekst-kodere, og deretter kartlagt til 128-dimensjonale inkapslinger gjennom lærbare lineære lag. For å opprettholde effektivitet, ble PAAG begrenset til fem brukergrupper per produkt.

Gruppe-inkapslingene ble konstruert ved hjelp av en percentil-basert sampling-strategi, som trekker flere punkter fra 15., 55. og 95. percentil, for å fange både kjerne- og perifere preferanser.

LLaVA ble brukt som ryggraden for G-MLLM, og fortrening ble utført over ti epoker med en kosinus-læring plan med en læringssats på 2e-6, noe som krevde en imponerende five dager med trening på en cluster av åtte NVIDIA H100-GPU-er, hver med 80 GB VRAM.

GRM ble trent ved å rekonstruere GAIP med par av produktbilder, og deretter initialisert med samme vekter som G-MLLM. Under den endelige Gruppe-DPO-fasen ble GRM frosset, og G-MLLM finjustert ved hjelp av LoRA i tre epoker – igjen med en læringssats på 2e-5, på samme NVIDIA-cluster.

Målinger brukt for den første evalueringen var NDCG@5 og AUROC. NDCG@5 målte hvor forskjellig hver gruppe rangerte samme sett av annonsebilder, med lavere verdier indikerer tydeligere adskillelse i preferanser; og AUROC ble brukt til å evaluere hvor godt hver modell skilte klikkede fra ikke-klikkede innhold.

Alle målinger ble beregnet på klustering-resultater fra 1 000 produkter, totalt rundt 100 000 prøver, og ble brukt til å sammenligne PAAG mot tre tidligere systemer: CACS; WIYD; og JAC:

Preferansemodellering-resultater sammenlignet med tidligere metoder. Lavere NDCG@5 og høyere AUROC indikerer bedre ytelse. Beste resultater er i uthevet skrift, andre beste er understreket.

Av disse resultater kommenterer forfatterne:

‘[Vår] metode oppnår overlegen ytelse på begge målinger. Konkret sett oppnår PAAG den laveste NDCG@5 (0,3066), og overgår den beste baseline (CACS), noe som indikerer mer distinkte inter-gruppe-preferanse-mønster for effektiv gruppevis annonseringsgenerering.

‘I tillegg oppnår PAAG den høyeste AUROC (0,6372), og forbedrer den sterkeste baseline (WIYD) med 0,0159.’

En andre runde med tester sjekket om systemet kunne bedre målrette annonser til riktige brukergrupper:

Online CTR-sammenligning som viser at gruppe-personlig generering (‘Vår’) overgår alle baselines, inkludert CAIG og forhånds-trent G-MLLM.

Her viste PCIG sterkere klikk-rater enn eldre modeller som CAIG og G-MLLM, med en 5,5% forbedring. GRM ble også testet offline ved å sjekke om den kunne korrekt velge det beste annonsen i et par, basert på gruppepreferanser. Den overgikk alle baselines, inkludert generelle formål-modeller, med en 4,7% gevinst over CAIG.

En siste kvalitativ test ble utført for å evaluere om PCIG kunne reflektere gruppenivå-preferanser i stilen på genererte bilder. Som vist i figuren under, ble samme produkt fremstilt forskjellig for hver gruppe, med endringer i palett, tone og visuell komposisjon:

Fullstendige resultater for de kvalitative testene, forhåndsvisning tidligere i artikkelen.

Disse variasjoner sammenfalt, hevder forfatterne, med antatte klikk-preferanser for hver gruppe, og viste at PCIG kunne produsere stilistisk forskjellige utdata samtidig som den opprettholdt relevans og tiltrekning. Forfatterne skriver:

‘[PCIG] sikrer stilistisk forskjellige bilder for å tilpasse klikk-preferanser for ulike brukergrupper, og demonstrerer dermed en sterk evne til å tilpasse generering til heterogene bruker-krav og fange subtile, finmålerte preferanseforskjeller over ulike brukergrupper, og understreker potensialet for gruppebevisst annonseringsbildegenerering i stor skala.’

Konklusjon

Kanskje det mest interessante aspektet ved dette prosjektet er den ukjente korrelasjonen mellom utdata-stiler over gruppe-målrettede bilder for samme produkt (av hvilke det finnes flere siders eksempler i papirets supplmentære materiale enn vi kan gjengi her).

Kan vi anta at urbane bakgrunner er relatert til alder, dvs. til studenter som starter, og at rurale miljøer er rettet mot mer velstående Gen X-typer som identifiserer den åpne veien som en slags ‘siste frihet’? En kan Rorschach-disse test-utdata hele dagen.

Potensialet for slike systemer hviler på to faktorer: innsikt og forsinkelse. Innsikt avhenger av om fremvoksende sporingsystemer kan fremdeles trekke ut tilstrekkelig meningsfull informasjon fra brukere for å støtte effektiv kohort-basert annonsering, samt legge grunnlaget for mer presise, individuelt målrettede annonser i fremtiden.

Forsinkelse utgjør en større utfordring, ettersom disse tilpassede annonsebildene må genereres og leveres nesten umiddelbart; selv om noen nyere tekst-til-bilde-modeller kan produsere resultater på bare noen sekunder, kan selv denne forsinkelsen være for lang for sanntids annonseringsauksjoner.

En mulig løsning er å produsere bildene lokalt, på nettleserens GPU, og unngå nettverks-rundturer; eller å lage en rekke bilder på forhånd, forhånds-cachet på klienten.

** Dette aspektet er utelatt i det nye papiret, på samme måte som nye AI-rammeverks potensiale for deepfake-misbruk ofte mildnes ved å bruke koselige dyrefigurer (i stedet for AI-porn) i nye studier. Likevel representerer typen bilde vist i arbeidet annonsører på deres beste atferd, snarere enn å vise hvor personlige visuelle annonser kan bli, når forbruker-målrettingsteknikker samarbeider med raskt-svarende generativ AI.

** Jeg kan ikke identifisere denne institusjonen, da ‘UCAS’ vanligvis løser til en velkjent britisk universitetsøknings-klareringssentral. Jeg ønsker klarifikasjon.

^† Hvilket forskerne lover å slippe på den tilhørende GitHub-repo.

Først publisert torsdag, 5. februar 2026