AI-genererade annonsbilder som riktar sig till din demografiska grupp – och, till slut, dig?

Annonsörer syftar till att anpassa annonser till enskilda tittare för att driva klick, och medan skräddarsydda kreativa verk för varje person för närvarande är opraktiska, tyder ny forskning på att AI-genererade bilder snart kan riktas effektivt mot specifika demografiska grupper.

Den personanpassade annonseringen i Steven Spielbergs sci-fi-actionfilm från 2002, Minority Report, har lämnat ett bestående, även skrämmande intryck på kulturen, med dess levande skildring av proaktiva annonserings-skyltar som känner igen människor i folkmassor och ropar ut reklammeddelanden direkt till dem.

Många konsumentgrupper kan se denna nivå av tittarigenkänning som en mardröm, och även om framstegen mot detta bromsades av följderna av Cambridge Analytica- skandalen, kvarstår idealet om direkt, högt riktad engagemang som en eftertraktad mål inom annonsering.

I själva verket utvecklas system som kan fokusera på egenskaperna hos en specifik tittare ständigt – även om företagsforskning i sådana fall måste vidta åtgärder för att respektera lagar kring personligt identifierbar information (PII); lagar som har stärkts i Europa under det senaste decenniet, med dessa förbättrade skydd spridda på andra håll via den så kallade Bryssel-effekten.

Hej, du!

Nu när AI-genererade annonser och marknadsinnehåll är på uppgång, måste annonsörer ändå möta den potentiella kostnaden för AI-annonser riktade till specifika individer, där bilderna och texten skapas på begäran och i realtid.

Till exempel, även om en skräddarsydd bild kunde genereras mycket snabbt, skulle kostnaderna i stor skala vara betydande. Dessutom opererar automatiska online-annonsauktionsprocesser på kritiska, millisekundsnivåer, vilket gör det svårt att skapa anpassad bildinnehåll för användare, åtminstone för tillfället; och videoinnehåll är en ännu mer avlägsen möjlighet.

Men de tekniska hindren för att hantera högre nivåer av demografiska kohortgrupper i en nätbaserad publik (via laptops, mobiltelefoner, smarta TV-apparater etc.) är inte så allvarliga – och ett nytt internationellt akademiskt/industriellt samarbete föreslår ett sätt att skapa separata annonsbilder för olika demografiska grupper, inklusive faktorer som ålder och plats:

Från det nya arbetet: exempel på personanpassad annonsgenerering, där en enda produkt återges i olika stilar för olika tittargrupper. Den översta raden visar de ursprungliga produktbilderna. De tre nästa raderna visar versioner anpassade till tre olika tittargrupper per produkt, baserat på skillnader i egenskaper som ålder, livsstil eller estetisk preferens. Dessa grupp typer är inte fördefinierade, utan upptäcks automatiskt.

Det nya ramverket – med titeln One Size, Many Fits (OSMF) – syftar till att överbrygga gapet mellan bred målgruppsannonsering och opraktiskt detaljerad personanpassning, genom att generera olika annonsbilder för automatiskt upptäckta tittargrupper, med hjälp av produktmedveten kluster för att anpassa visuellt innehåll till klickpreferenser för olika demografiska grupper.

Författarna skriver:

‘[Vi] presenterar [ett] sammanhållet ramverk som anpassar sig till olika gruppvisa klickpreferenser i stor skala annonsbildgenerering.

‘OSMF börjar med produktmedveten anpassad gruppering, som dynamiskt organiserar användare baserat på deras attribut och produktkarakteristika, och representerar varje grupp med rika kollektiva preferensfunktioner.’

Testat mot jämförbara ramverk, hävdar författarna att de uppnått toppresultat.

Även om arbetet identifierar olika kohortgrupper, är artikeln inte specifik när det gäller vilka demografiska egenskaper som representeras av varje G-gruppering, även om dessa troligen motsvarar traditionella marknadssegmenteringsgrupper.

Därför är det inte lätt att avgöra, baserat på de olika exemplen som ges i huvudartikeln och bilagan, varför vissa bakgrunder eller belysning skulle tilltala en kohort mer än en annan, eftersom vi inte känner till egenskaperna hos någon kohort:

Det finns inga konsekventa ‘blå för pojkar, rosa för flickor’ etc. stilar, över kohortspecifika bildstilar, som kunde avslöja vilken typ av person som tillhör vilken grupp – definitionerna, som framgår av den befintliga litteraturen, är mycket mer komplexa och subtila.

Vad som kanske är mer oroande, för de som är misstänksamma mot annonsriktning, är möjligheten att utnyttja per-användarinsikter vid generering av specifik bildinnehåll i annonser**.

Den nya artikeln har titeln One Size, Many Fits: Aligning Diverse Group-Wise Click Preferences in Large-Scale Advertising Image Generation, och kommer från 17 forskare över hela världen, från National Laboratory of Pattern Recognition i Peking; ‘School of AI at UCAS’; det kinesiska e-handelsföretaget JINGDONG; Hong Kong University of Science and Technology i Guangzhou; och Pattern Recognition Lab vid Nanjing University of Science and Technology.

Metod

Systemet använder anpassad kluster (en metod som hittar naturliga grupper genom att koppla användaregenskaper med hur de svarar på olika produkter) för att gruppera användare, baserat på hur deras egenskaper formar visuella preferenser i en given produktinställning. Författarnas implementering av denna metod kallas Produktmedveten Anpassad Gruppering (PAAG).

De här grupperingarna är inte fördefinierade, utan upptäcks från mönster i data.

En villkorsstyrd bildgenerator, med titeln Preferens-Villkorsstyrd Bildgenerering (PCIG), använder sedan varje grupps profil för att skapa annonsbilder som matchar gruppens sannolika smak:

OSMF grupperar användare baserat på hur deras egenskaper formar produktpreferenser, och använder sedan dessa gruppprofiler för att generera annonsbilder som matchar varje grupps smak. PAAG hanterar grupperingen, och PCIG skapar bilderna med hjälp av prompter och feedback som anpassats till varje grupp.

Bildgenereringen använder en obestämd version av Stable Diffusion, tillsammans med en lämplig ControlNet-svit (den senare för att hjälpa till att upprätthålla konsekvens bland de olika kohortgenereringarna).

I arbetsflödet kodar PAAG först relationen mellan användaregenskaper och både text- och bildaspekter av produkten, med hjälp av en uppsättning dedikerade encoders och en cross-attention-mekanism för att slå samman dem i en enhetlig preferens-inbäddning som reflekterar hur sannolikt en användare är att klicka på en viss annons.

PAAG modellerar sedan hur olika kombinationer av användaregenskaper interagerar med både produkttitlar och produktbilder. Text- och bildfunktioner extraheras med hjälp av CLIP och ResNet-baserade encoders, och användaregenskaper som kön, plats, ålder eller enhet skickas genom en MLP, som möjliggör cross-attention över produkttext- och bildfunktioner.

Den resulterande inbäddningen representerar varje användares klicksannolikhet för en viss produkt i en specifik visuell kontext. När dessa användar-produkt-preferensinbäddningar erhålls, använder PAAG K-means-kluster för att gruppera användare som svarar liknande på en given produkt.

PAAG väljer det bästa antalet användargrupper för varje produkt genom att kontrollera hur väl klustren separerar. Istället för att använda bara en genomsnittspunkt per grupp, provar den flera på olika avstånd för att fånga en bredare variation av preferenser.

Dessa gruppprofiler skickas sedan som token till gruppmedveten multimodal stor språkmodell (G-MLLM), som använder dem för att generera annonsbilder som är anpassade till varje grupp.

Bildgenerering baserad på användarpreferenser

På användarsidan lär sig G-MLLM att förutsäga vilka gruppmedlemmar som sannolikt kommer att klicka nästa och hur man beskriver vanliga egenskaper i naturligt språk. På produktsidan lär den sig att sammanfatta produkten som visas i en bild och att generera annonsstil-kapitel som matchar både produkten och gruppen.

För att återspegla verkligt användarbeteende, utvidgas modellen till en gruppmedveten belöningsmodell (GRM). GRM tränas på forskarnas eget Grupperad Annonsbild Preferens (GAIP)-dataset^† (se nedan) för att jämföra par av bilder för samma produkt och identifiera vilken som fungerade bättre med en given grupp, med hjälp av verkliga klickdata.

Denna belöningsignal används sedan för att finjustera G-MLLM med Group-DPO, en metod som lär den att föredra prompter som leder till bättre gruppvis engagemang.

Data och tester

Utveckling av GAIP

Med anledning av den historiska bristen på dataset relaterade till grupp-baserad annonspreferens, och att tidigare samlingar som Personliga soppor och CG4CTR antingen är för små eller för dåligt specificerade, utvecklade forskarna sitt eget dataset, det ovannämnda GAIP, som hämtats från “industriella annonsloggar” från ett obestämt e-handelsföretag.

Loggarna samlades in under en period av tre veckor, med varje post som registrerade produktbilden och titeln, tittarens profil (inklusive ålder, utgiftsnivå och känslighet för kampanjer), och om annonsen klickades.

Datasetet innehåller över 40 miljoner användare, 2 miljoner produkter och nästan 10 miljoner annonsbilder, med hög visuell variation mellan artiklarna.

Användare grupperades av PAAG i distinkta kluster för varje produkt, och klickfrekvensen (CTR) beräknades per bild inom varje grupp:

Från den nya artikeln, ett litet utdrag ur några av de definierande kriterierna för GAIT.

GAIP bildas sedan som en uppsättning tupler (annonsbild, produkttitel, grupp-inbäddning, grupp-specifik CTR) som parar varje bild och titel med dess CTR och inbäddningen av den grupp som såg den.

För att säkerställa tillförlitlighet behålls endast produkter med tillräcklig exponering, vilket resulterar i ett dataset på 610 172 gruppvisa prover.

GAIP är avsevärt större än tidigare dataset: medan de flesta tidigare benchmark-involverar färre än tio användargrupper, innehåller GAIP nästan 600 000 verkliga gruppvisa preferensposter, vilket erbjuder djupare insikter i gruppvisa preferenser.

Tester

För att träna PCIG-pipelinen extraherade forskarna bild- och textfunktioner med hjälp av ResNet och CLIP-textencoder, och kartade dem till 128-dimensionella inbäddningar genom lärande linjära lager. För att upprätthålla effektivitet begränsades PAAG till fem användargrupper per produkt.

Grupp-inbäddningarna konstruerades med hjälp av en percentilbaserad urvalstrategi, som drog flera punkter från 15:e, 55:e och 95:e percentilerna, för att fånga både kärn- och periferpreferenser.

LLaVA användes som ryggraden för G-MLLM, och förträning genomfördes under tio epoker med en cosinuslärnings schema med en lärningshastighet på 2e-6, vilket krävde en imponerande fem dagar av träning på en kluster av åtta NVIDIA H100 GPU:er, var och en med 80 GB VRAM.

GRM tränades genom att rekonstruera GAIP med matchade produktbildpar, och sedan initierades med samma vikt som G-MLLM. Under den slutliga Group-DPO-etappen frystes GRM, och G-MLLM finjusterades med hjälp av LoRA under tre epoker – återigen med en lärningshastighet på 2e-5, på samma NVIDIA-kluster.

Mätvärden som användes för den första utvärderingen var NDCG@5 och AUROC. NDCG@5 mätte hur olika varje grupp rankade samma uppsättning annonsbilder, med lägre värden som indikerade tydligare separation i preferenser; och AUROC användes för att utvärdera hur väl varje modell skilde sig mellan klickade och icke-klickade innehåll.

Alla mätvärden beräknades på klusterresultat från 1 000 produkter, totalt cirka 100 000 prover, och användes för att jämföra PAAG mot tre tidigare system: CACS; WIYD; och JAC:

Preferensmodelleringresultat jämfört med tidigare metoder. Lägre NDCG@5 och högre AUROC indikerar bättre prestanda. De bästa resultaten är i fetstil, de näst bästa är understrukna.

Av dessa resultat kommenterar författarna:

‘[Vår] metod uppnår överlägsen prestanda på båda mätvärdena. Konkret uppnår PAAG den lägsta NDCG@5 (0,3066), och överträffar den bästa baslinjen (CACS), vilket indikerar mer distinkta intergruppspreferensmönster för effektiv gruppvis annonsbildgenerering.

‘Dessutom uppnår PAAG den högsta AUROC (0,6372), och förbättrar över den starkaste baslinjen (WIYD) med 0,0159.’

En andra omgång tester kontrollerade om systemet kunde bättre matcha annonser till rätt användargrupper:

Online CTR-jämförelse som visar att grupp-personanpassad generering (‘Vår’) överträffar alla baslinjer, inklusive CAIG och förtränad G-MLLM.

Här visade PCIG starkare klickfrekvenser än äldre modeller som CAIG och G-MLLM, med en 5,5-procentig förbättring. GRM testades också offline genom att kontrollera om den kunde korrekt välja den bättre annonsen i ett par, baserat på grupppreferenser. Den överträffade alla baslinjer, inklusive allmänna modeller, med en 4,7-procentig vinst över CAIG.

En sista kvalitativ test genomfördes för att utvärdera om PCIG kunde återspegla gruppvisa preferenser i stilen på de genererade bilderna. Som visas i figuren nedan återgavs samma produkt på olika sätt för varje grupp, med ändringar i palett, ton och visuell komposition:

Fullständiga resultat för de kvalitativa testerna, som förhandsvisades tidigare i artikeln.

Dessa variationer motsvarade, enligt författarna, de antagna klickpreferenserna för varje grupp, vilket visade att PCIG kunde producera stilistiskt olika utdata samtidigt som den behöll relevans och tilltal.

Slutsats

Kanske det mest intressanta aspekten av detta projekt är den okända korrelationen mellan utdatastilar över gruppriktade bilder för samma produkt (av vilka det finns flera sidor med exempel i artikeln som inte kan återges här).

Kan vi anta att urbana bakgrunder är relaterade till ålder, d.v.s. till nyutexaminerade som börjar sin karriär, och att landsbygds miljöer är riktade mot mer välmående Gen X-typer som identifierar den öppna vägen som en sorts “sista frihet”? Man kan tolka dessa testutdata hela dagen.

Potentialen för sådana system vilar på två faktorer: insikt och fördröjning. Insikt beror på om framväxande spårningssystem kan extrahera tillräckligt med meningsfull information från användare för att stödja effektiv kohortbaserad annonsering, samtidigt som de lägger grunden för mer precisa, individuellt riktade annonser i framtiden.

Fördröjning utgör en större utmaning, eftersom dessa anpassade annonsbilder måste genereras och levereras nästan omedelbart; även om vissa nyligen utvecklade text-till-bild-modeller kan producera resultat på bara några sekunder, kan även den fördröjningen vara för lång för realtidsannonsauktioner.

En möjlig lösning är att producera bilderna lokalt, på webbläsarens GPU, och undvika nätverksrundresor; eller att skapa en mängd bilder i förväg, förkodade på klienten.

** Denna aspekt utelämnas i den nya artikeln, liknande hur nya AI-ramverks potential för deepfake-missbruk ofta mildras genom att använda söta djurfigurer (i stället för AI-porr) i nya studier. Trots detta representerar den typ av bildinnehåll som visas i arbetet annonsörer på sitt allra bästa beteende, snarare än att visa hur personliga visuella annonser kan bli i framtiden, när konsumentriktningsmetoder samarbetar med snabb responsgenererande AI.

** Jag kan inte identifiera denna namngivna institution, eftersom ‘UCAS’ vanligtvis motsvarar en välkänd brittisk universitetsansökningsklarering. Jag välkomnar förtydliganden.

^† vilket forskarna lovar att släppa på den associerade GitHub-repot.

Publicerad första gången torsdagen den 5 februari 2026