Digitale Marketingkampagnen mit Amazon Bedrock von Adin.ai optimieren

Allgemeine Beschreibung des Anwendungsfalls 

Der Anwendungsfall zielt darauf ab, einen Mechanismus für Optimierungsvorschläge zu entwickeln, um die Leistung laufender digitaler Werbekampagnen auf den Plattformen Google Ads, Meta und TikTok zu verbessern. Das Projekt nutzt Daten zur Kampagnenleistung, die von diesen Plattformen gesammelt wurden, manuell beschriftete Daten, die von Domain-Experten zur Verfügung gestellt wurden, und vertrauenswürdige einfache Dokumente zur Optimierung digitaler Werbung. 

Verschiedene Grundlagenmodelle wie Llama 2-70b-chat, Claude 2, Claude 3, Command und Titan Express wurden mit diesen Datensätzen trainiert. Während des gesamten Prozesses wurden Feinabstimmungen, fortgesetztes Vortraining und wissensbasierte Methoden eingesetzt. 

Wichtige Ergebnisse in Zahlen 

L’Oréal 

In der bei der Marke Maybelline New York des Unternehmens L'Oréal durchgeführten Studie konnten mit dem generativen KI-basierten intelligenten Optimierungssystem die Kosten pro Reichweite um 67 % gesenkt, die Kosten pro Werbeerinnerung um 71 % gesenkt und die Werbeerinnerung (bei Personen) um 3 % erhöht werden. Insgesamt wurden durch die intelligente Optimierung nach nur 2 Tagen 40 % der Kosten eingespart. 

Papara

Als Ergebnis unserer Zusammenarbeit mit Papara konnten wir die Stückkosten durch intelligente Planung und Optimierung um 30 % senken und so einen aktiven Kundenstamm erreichen. 

Modellauswahl 

Verschiedene in Amazon Bedrock verfügbare Grundlagenmodelle wurden für die intelligente Optimierungsmodellierung verwendet. Modelle wie Llama2-70b-chat, Claude 12, Claude 3, Command und Titan Express wurden auf der Grundlage ihrer jeweiligen Stärken ausgewählt und im Rahmen der Studie eingesetzt. Darüber hinaus wurden für die Modelle Llama 2-70b-chat, Claude 3 und Titan Express Feinabstimmungen und fortgesetztes Vortraining auf der Grundlage von Barrierefreiheitsfunktionen durchgeführt. Während der gesamten Studie lag der Schwerpunkt nicht auf der Verwendung eines einzigen Modells, sondern vielmehr auf der Nutzung der Stärken mehrerer Grundlagemodelle in Kombination. 

Experimentmatrix

Abbildung 1: Experimentmatrix

Implementierung

In diesem Abschnitt werden die Einzelheiten der Implementierung des Scoring-Systems beschrieben, einschließlich der Einrichtung der Produktionsumgebung und der Systemarchitektur.

Beschreibung des Produktionssystems 

Das Herzstück des Optimierungssystems ist der Amazon Bedrock Service. Darüber hinaus werden die Services AWS Lambda, Amazon S3, Amazon API Gateway, Amazon Cognito, AWS Entwicklertools (einschließlich AWS CodeCommit, AWS CodeBuild und AWS CodePipeline), Amazon ECR und AWS Amplify genutzt, um den reibungslosen Betrieb des Systems in der Produktionsumgebung sicherzustellen. 

Systemarchitektur

Die Architektur des Systems basiert auf der Annahme, dass Modelle auf der Grundlage von Eingabedatensätzen Empfehlungen im Ausgabeformat liefern, die bestimmten Standards und Formaten entsprechen. Die Eingabedaten für das Modell werden auf Amazon S3 gespeichert. Die auf die einzelnen Modelle zugeschnittenen Prompts werden in der Amazon-Bedrock-Komponente vorbereitet und in dem für jedes Modell spezifischen Amazon-Bedrock-Bereich implementiert. Die erhaltenen Ausgaben werden ebenfalls auf Amazon S3 gespeichert. Innerhalb der Architektur wird die Eignung der von den Modellen gemachten Optimierungsempfehlungen für vordefinierte Standards, die auf Domainwissen basieren, als Kontrollpunkt genommen. 

Abbildung 2: Intelligente Optimierungsarchitektur

Screenshots der Benutzeroberfläche 

Abbildung 3: Intelligenter Optimierungsbildschirm

Fazit 

Unsere Studie untersuchte verschiedene Methoden mit unterschiedlichen Amazon Bedrock Grundlagemodellen und konzentrierte sich dabei auf entscheidende Metriken wie Leistung, Kosteneffizienz und Erfolgsraten. Mithilfe eines Modell-Mix-Ansatzes haben wir die Stärken mehrerer Modelle strategisch kombiniert, um die Output-Variabilität effektiv anzugehen. Darüber hinaus wurden bestimmte Modelle genutzt, um das Training anderer zu verbessern und die Robustheit des Systems zu stärken. Das modellspezifische Prompt-Engineering stellte sicher, dass die Ergebnisse auf die spezifischen Anforderungen zugeschnitten waren.

Dieses Fallbeispiel zeigt einen bedeutenden Fortschritt in digitaler Werbung und stellt einen bahnbrechenden Vorschlagsmechanismus vor, der von generativer KI in AWS Bedrock unterstützt wird. Unsere Studie hebt die Bedeutung von Amazon Bedrock hervor und unterstreicht seine zentrale Rolle bei der Förderung künftiger Innovationen in der Branche. Durch den ganzheitlichen Ansatz von Adin.ai und den Einsatz leistungsstarker generativer KI-Modelle wollen wir die Branche revolutionieren, indem wir maßgeschneiderte Vorschläge liefern, die auf kanalübergreifender Datenanalyse basieren, welche durch die AWS-Architektur ermöglicht wird. Diese Vorschläge werden sorgfältig ausgearbeitet, um die Kampagnenleistung und Ergebnisse zu optimieren.

Zusammenfassend lässt sich sagen, dass unsere Studie das transformative Potenzial der generativen KI in Amazon Bedrock belegt. Dies verspricht, die Branche umzugestalten und außergewöhnliche Ergebnisse auf globaler Ebene zu liefern. Da wir uns weiterhin der Innovation verschrieben sehen, sind wir bereit, bei der Optimierung digitaler Werbung eine Vorreiterrolle zu übernehmen, den Weg für zukünftige Fortschritte zu ebnen und neue Branchenstandards zu setzen.