程序化广告
以低延迟和低成本扩展和优化全球实时竞价
在云中扩展竞价和拍卖。然后使用机器学习技术来优化竞价决策，分析供应路线，改进广告投放，以低成本实现毫秒级的延迟、敏捷性和可扩展性。借助 AWS 的服务，数据科学团队可以减少在数据准备上花费的时间，将更多时间用于试验机器学习，进一步提高广告定位、受众细分、实时竞价、竞价决策优化、媒体收益管理和舞弊检测的效率。
为什么选择 AWS
广度和深度
在计算、无服务器、联网、数据库和机器学习等领域的功能比任何其他云服务提供商都更丰富，因而更有能力通过经济高效的方式，以极低的延迟在云中大规模优化和运行竞价、拍卖、广告投放和其他程序化工作负载。
成本优势
与按需实例相比，Amazon EC2 Spot 实例最高可让客户节省 90% 的成本，同时可以在云中轻松使用 Docker 和 Kubernetes 运行容器化工作负载，这些优势可帮助客户降低身份解析、拍卖定价、供应路线优化和竞价等训练和生产工作负载的成本。
业务敏捷性
在新区域中启动基于云的程序化工作负载只需数周，而非数月，并且可以随时随地扩展以满足全球媒体需求。减少数据科学团队用于预处理和模型训练的时间，让他们可以专注于试验和优化。
客户聚焦
Quantcast
使用 QCLearn 机器学习系统后，Quantcast 的成本降低了 60％，同时由于实时竞价机制的原因，Amazon EC2 Spot 实例的支出降低了 25％。
“Amazon EC2 Spot 实例正在帮助我们控制成本，并扩展系统以满足需求。”
– Quantcast 高级系统工程师 Leah Blank
使用 QCLearn 机器学习系统后，Quantcast 的成本降低了 60％，同时由于实时竞价机制的原因，Amazon EC2 Spot 实例的支出降低了 25％。“Amazon EC2 Spot 实例正在帮助我们控制成本，并扩展系统以满足需求。”
Quantcast 高级系统工程师 Leah Blank
使用 QCLearn 机器学习系统后，Quantcast 的成本降低了 60％，同时由于实时竞价机制的原因，Amazon EC2 Spot 实例的支出降低了 25％。“Amazon EC2 Spot 实例正在帮助我们控制成本，并扩展系统以满足需求。”
Quantcast 高级系统工程师 Leah Blank
AdRoll
