Imagens de Anúncios Geradas por IA que Visam seu Demográfico – E, Eventualmente, Você?

Os anunciantes visam personalizar anúncios para espectadores individuais para impulsionar cliques, e embora criativos personalizados para cada pessoa sejam atualmente impraticáveis, uma nova pesquisa sugere que imagens geradas por IA poderiam ser direcionadas de forma eficaz a demográficos específicos.

O anúncio personalizado apresentado no filme de ficção científica de Steven Spielberg de 2002, Minority Report, deixou uma impressão duradoura, até assustadora, na cultura, com sua vívida representação de anúncios proativos que reconhecem pessoas em multidões e gritam mensagens promocionais diretamente para elas.

Muitos grupos de consumidores podem considerar esse nível de reconhecimento de espectadores como um pesadelo, e embora o progresso em direção a isso tenha sido desacelerado pelo escândalo de Cambridge Analytica , o ideal de engajamento direto e altamente direcionado permanece um objetivo valorizado na publicidade.

Na verdade, sistemas que podem se concentrar nas características de um espectador específico permanecem em constante desenvolvimento – embora, nesses casos, a pesquisa corporativa tenha que tomar medidas para respeitar as leis em torno de informações de identificação pessoal (PII); leis que foram fortalecidas na Europa ao longo da última década, com essas proteções melhoradas espalhadas por outras regiões por meio do Efeito Bruxelas.

Ei, Você!

Agora que anúncios e conteúdo de marketing gerados por IA estão em ascensão, os anunciantes ainda devem enfrentar o potencial custo de anúncios de IA direcionados a indivíduos específicos, onde as imagens e o texto são criados oportunisticamente e em tempo real.

Por exemplo, mesmo que uma imagem personalizada pudesse ser gerada muito rapidamente, os custos em escala seriam significativos. Além disso, processos de leilão de anúncios online automáticos operam em quadros de tempo críticos, em nível de milissegundos, o que torna o conteúdo de imagem personalizado para o usuário desafiador, por enquanto; e o conteúdo de vídeo é uma perspectiva ainda mais distante.

No entanto, os obstáculos técnicos envolvidos em abordar grupos de coorte de nível superior em uma audiência baseada na web (via laptops, telefones, smart TVs, etc.) não são tão severos – e uma nova colaboração acadêmica/industrial internacional está propondo uma maneira de criar imagens de anúncios separadas para diferentes demográficos, incluindo fatores como idade e localização:

Do novo trabalho: exemplos de geração de anúncios personalizados, onde um único produto é renderizado em diferentes estilos para diferentes grupos de espectadores. A linha superior mostra as imagens de produtos originais. As três linhas seguintes mostram versões adaptadas a três tipos de audiência distintos por produto, com base em diferenças em características como idade, estilo de vida ou preferência estética. Esses tipos de grupo não são pré-definidos, mas descobertos automaticamente.

O novo quadro – intitulado Um Tamanho, Muitos Ajustes (OSMF) – visa preencher a lacuna entre a publicidade de alvo amplo e a personalização extremamente granular, gerando diferentes imagens de anúncios para grupos de audiência automaticamente descobertos, usando agrupamento de produtos para alinhar o conteúdo visual com as preferências de cliques de demográficos distintos

Os autores afirmam:

‘[Nós] apresentamos um quadro unificado que alinha as preferências de cliques de grupo em larga escala na geração de imagens de anúncios.

‘OSMF começa com o agrupamento adaptativo de produtos, que organiza dinamicamente os usuários com base em seus atributos e características de produtos, representando cada grupo com recursos de preferência coletiva ricos.’

Testado contra quadros comparáveis, os autores reivindicam resultados de ponta.

Embora o trabalho identifique grupos de coorte diversificados, o artigo não especifica quais características demográficas são representadas por cada G de agrupamento, embora essas pareçam provavelmente mapear para grupos de segmentação de mercado tradicionais ;

Portanto, não é fácil dizer, com base nos vários exemplos dados no artigo principal e no apêndice, exatamente por que certos fundos ou iluminação seriam mais atraentes para um coorte do que para outro, desde que não sabemos as características de nenhum coorte:

Não há estilos consistentes ‘azul para meninos, rosa para meninas’, etc., entre estilos de imagem específicos de coorte, que pudessem dar pistas sobre qual tipo de pessoa pertence a qual grupo – as definições, como evidenciado pela literatura existente, são muito mais complexas e sutis.

O que talvez seja mais preocupante, para aqueles céticos em relação às práticas de direcionamento de anúncios, é a possibilidade de explorar insights por usuário na geração de imagens específicas em anúncios**.

O novo artigo é intitulado Um Tamanho, Muitos Ajustes: Alinhando Diferentes Preferências de Cliques de Grupo em Geração de Imagens de Anúncios em Larga Escala, e vem de 17 pesquisadores do Laboratório Nacional de Reconhecimento de Padrões de Pequim; a ‘Escola de IA da UCAS’**; a empresa de comércio eletrônico chinesa JINGDONG; a Universidade de Ciência e Tecnologia de Hong Kong em Guangzhou; e o Laboratório de Reconhecimento de Padrões da Universidade de Ciência e Tecnologia de Nanjing.

Método

O sistema usa agrupamento adaptativo (um método que encontra agrupamentos naturais vinculando características de usuário com como eles respondem a diferentes produtos) para agrupar usuários, com base em como suas características moldam preferências visuais em um determinado ambiente de produto. A implementação dos autores desse abordagem é chamada de Agrupamento Adaptativo de Produtos (PAAG).

Esses agrupamentos não são fixos antecipadamente, mas são descobertos a partir de padrões nos dados.

Um gerador de imagens condicional, intitulado Geração de Imagem Condicional de Preferência (PCIG), então usa o perfil de cada grupo para criar imagens de anúncios que combinam com os gostos do grupo:

OSMF agrupa usuários com base em como suas características moldam preferências de produtos, então usa esses perfis de grupo para gerar imagens de anúncios que combinam com os gostos de cada grupo. PAAG lida com o agrupamento, e PCIG cria as imagens usando prompts e feedback ajustados a cada grupo.

O gerador de imagens utiliza uma versão não especificada de Stable Diffusion, juntamente com um conjunto apropriado de ControlNet (o último, para ajudar a manter a consistência entre as várias gerações de coorte).

No fluxo de trabalho, PAAG primeiro codifica a relação entre características de usuário e aspectos de texto e imagem do produto, usando um conjunto de codificadores dedicados e um mecanismo de atenção cruzada para mesclá-los em uma incrustação de preferência unificada que reflete quão provável é que um usuário clique em um anúncio particular.

PAAG, então, modela como diferentes combinações de características de usuário interagem com títulos e imagens de produtos. Recursos de texto e imagem são extraídos usando CLIP e ResNet-based codificadores, e características de usuário, como gênero, localização, idade, ou dispositivo, são passados por uma MLP, que permite atenção cruzada sobre características de texto e imagem do produto.

A incrustação resultante representa a probabilidade de clique de cada usuário para um produto específico em um contexto visual específico. Uma vez que essas incrustações de preferência de usuário-produto são obtidas, PAAG usa K-means clustering para agrupar usuários que respondem de forma semelhante a um produto determinado.

PAAG escolhe o melhor número de grupos de usuários para cada produto, verificando como bem os clusters se separam.

Esses perfis de grupo são, então, passados como tokens para o modelo de linguagem grande multimodal ciente do grupo (G-MLLM), que os usa para gerar imagens de anúncios personalizadas para cada grupo.

Geração de Imagem Baseada em Preferências de Usuário

No lado do usuário, G-MLLM aprende a prever quais membros do grupo provavelmente clicarão em seguida e como descrever características comuns em linguagem natural. No lado do produto, aprende a resumir o produto mostrado em uma imagem e a gerar legendas de anúncios que combinam com o item e o grupo.

Para refletir o comportamento real do usuário, o modelo é estendido em um modelo de recompensa ciente do grupo (GRM). GRM é treinado no próprio conjunto de dados dos pesquisadores, o Conjunto de Dados de Preferência de Imagem de Anúncio em Grupo (GAIP), para comparar pares de imagens para o mesmo produto e identificar qual imagem funcionou melhor com um grupo determinado, usando dados reais de cliques:

Este sinal de recompensa é, então, usado para ajustar G-MLLM com Group-DPO, um método que o ensina a favorecer prompts que levam a um melhor engajamento em nível de grupo.

Dados e Testes

Desenvolvendo GAIP

Observando a falta histórica de conjuntos de dados relacionados a preferências de anúncios baseadas em grupo e que coleções anteriores, como Personalized Soups e CG4CTR, são pequenos demais ou mal especificados, os pesquisadores desenvolveram sua própria coleção, o mencionado GAIP, derivado dos “logs de anúncios industriais” de uma plataforma de comércio eletrônico não especificada.

Os logs foram coletados ao longo de um período de três semanas, com cada entrada registrando a imagem do produto e o título, o perfil do visualizador (incluindo idade, nível de gastos e sensibilidade a promoções) e se o anúncio foi clicado.

O conjunto de dados inclui mais de 40 milhões de usuários, 2 milhões de produtos e quase 10 milhões de imagens de anúncios, com alta variedade visual entre itens.

Os usuários foram agrupados por PAAG em clusters distintos para cada produto, e a taxa de cliques (CTR) foi calculada por imagem dentro de cada grupo:

Do material suplementar do novo artigo, um vislumbre de alguns dos critérios de definição para GAIT.

GAIP é, então, formado como um conjunto de tuplas (imagem de anúncio, título do produto, incrustação do grupo, CTR específico do grupo) que emparelha cada imagem e título com seu CTR e a incrustação do grupo que o viu.

Para garantir confiabilidade, apenas produtos com exposição suficiente são mantidos, resultando em um conjunto de dados de 610.172 amostras de nível de grupo.

GAIP é substancialmente maior do que conjuntos de dados anteriores: enquanto a maioria dos benchmarks anteriores envolve menos de dez grupos de usuários, GAIP inclui quase 600.000 registros reais de preferências de grupo, oferecendo insights mais profundos sobre preferências de nível de grupo.

Testes

Para treinar o pipeline PCIG, os pesquisadores extraíram recursos de imagem e texto usando ResNet e o codificador de texto CLIP, então os mapearam para incrustações de 128 dimensões por meio de camadas lineares aprendíveis. Para manter a eficiência, PAAG foi restringido a cinco grupos de usuários por produto.

As incrustações do grupo foram construídas usando uma estratégia de amostragem baseada em percentil, desenhando vários pontos dos percentis 15, 55 e 95, para capturar tanto preferências centrais quanto periféricas.

LLaVA foi usado como a espinha dorsal para G-MLLM, e o pré-treinamento foi realizado ao longo de dez épocas com um cronograma de aprendizado de taxa de aprendizado de 2e-6, exigindo um formidável cinco dias de treinamento em um cluster de oito GPUs NVIDIA H100, cada uma com 80GB de VRAM.

GRM foi treinado reconstruindo GAIP com pares de imagens de produtos correspondentes, então inicializado com os mesmos pesos que G-MLLM. Durante a etapa final de Group-DPO, GRM foi congelado, e G-MLLM ajustado usando LoRA por três épocas – novamente, com uma taxa de aprendizado de 2e-5, no mesmo cluster NVIDIA.

Métricas usadas para a primeira avaliação foram NDCG@5 e AUROC. NDCG@5 mediu como diferentes cada grupo classificou o mesmo conjunto de imagens de anúncios, com valores mais baixos indicando uma separação mais clara nas preferências; e AUROC foi usado para avaliar como bem cada modelo distinguia conteúdo clicado de não clicado.

Todas as métricas foram computadas em resultados de agrupamento de 1.000 produtos, totalizando cerca de 100.000 amostras, e foram usadas para comparar PAAG contra três sistemas anteriores: CACS; WIYD; e JAC:

Resultados de modelagem de preferência em comparação com métodos anteriores. NDCG@5 mais baixo e AUROC mais alto indicam melhor desempenho. As melhores pontuações estão em negrito, as segundas melhores sublinhadas.

Dessas resultados, os autores comentam:

‘[Nosso] método alcança desempenho superior em ambas as métricas. Concretamente, PAAG atinge o NDCG@5 mais baixo (0,3066), superando a melhor linha de base (CACS), indicando padrões de preferência intergrupais mais distintos para geração eficaz de anúncios por grupo.

‘Além disso, PAAG alcança o AUROC mais alto (0,6372), melhorando sobre a linha de base mais forte (WIYD) em 0,0159.’

Uma segunda rodada de testes verificou se o sistema poderia melhorar a correspondência entre anúncios e os grupos de usuários certos:

Comparações de CTR online mostrando que a geração personalizada de grupo (‘Nossa’) supera todas as linhas de base, incluindo CAIG e G-MLLM pré-treinado.

Aqui, PCIG mostrou taxas de cliques mais fortes do que modelos mais antigos, como CAIG e G-MLLM, com uma melhoria de 5,5%. GRM também foi testado offline, verificando se poderia corretamente escolher o melhor anúncio em um par, com base em preferências de grupo. Ele superou todas as linhas de base, incluindo modelos de propósito geral, com um ganho de 4,7% sobre CAIG.

Um teste qualitativo final foi realizado para avaliar se PCIG poderia refletir preferências de nível de grupo no estilo de suas imagens geradas. Como mostrado na figura abaixo, o mesmo produto foi renderizado de forma diferente para cada grupo, com mudanças na paleta, tom e composição visual:

Resultados completos dos testes qualitativos, previamente visualizados no artigo.

Essas variações estavam alinhadas, segundo os autores, com as preferências de cliques inferidas para cada grupo, mostrando que PCIG poderia produzir saídas estilisticamente distintas enquanto preservava relevância e atratividade. Os autores afirmam:

‘[PCIG] assegura imagens estilisticamente diversas para acomodar as preferências de cliques de grupos distintos de usuários, demonstrando, portanto, sua forte capacidade de adaptar a geração a demandas de usuário heterogêneas e capturar diferenças de preferência sutis e de granularidade fina entre variados grupos de usuários, destacando seu potencial para geração de anúncios cientes do grupo em larga escala.’

Conclusão

Talvez o aspecto mais intrigante deste projeto seja a correlação desconhecida entre estilos de saída em imagens direcionadas a grupos para o mesmo produto (do qual existem várias páginas de exemplos no material suplementar do artigo que não podemos reproduzir aqui).

Pode-se supor que ambientes urbanos estejam relacionados à idade, ou seja, a graduados iniciando suas carreiras, e que ambientes rurais sejam direcionados a tipos mais prósperos de Gen X que identificam a estrada aberta como uma espécie de ‘liberdade final’? Pode-se interpretar esses resultados de teste o dia todo.

O potencial de tais sistemas repousa em dois fatores: insight e latência. O insight depende de se os sistemas de rastreamento emergentes ainda podem extrair informações suficientemente significativas dos usuários para apoiar publicidade de coorte eficaz, enquanto também estabelecem as bases para anúncios mais precisos e individualmente direcionados no futuro.

A latência apresenta um desafio maior, pois essas imagens de anúncios personalizadas devem ser geradas e entregues quase instantaneamente; embora alguns modelos de texto-para-imagem recentes possam produzir resultados em apenas alguns segundos, mesmo esse atraso pode ser muito longo para leilões de anúncios em tempo real.

Uma possível solução é produzir as imagens localmente, no GPU do navegador, evitando viagens de ida e volta na rede; ou criar um conjunto de imagens de antemão, pré-cacheadas no cliente.

** Este aspecto é omitido no novo artigo, assim como o potencial de abuso de deepfakes em novos estudos de IA é frequentemente suavizado pelo uso de figuras de animais fofos (em vez de pornô de IA) em novos estudos. No entanto, o tipo de imagem mostrada no trabalho representa anunciantes em seu melhor comportamento, em vez de mostrar exatamente como anúncios visuais personalizados poderiam eventualmente se tornar, à medida que métodos de direcionamento de consumidores se unem à IA gerativa de resposta rápida.

** Não consigo identificar esta instituição nomeada, pois ‘UCAS’ geralmente se resolve em uma bem conhecida instituição de processamento de inscrições universitárias do Reino Unido. Aguardo esclarecimentos.

^† Que os pesquisadores prometem liberar no repositório GitHub associado.

Publicado pela primeira vez na quinta-feira, 5 de fevereiro de 2026