Optimización de campañas de marketing digital con Amazon Bedrock por Adin.ai

Descripción general del caso práctico 

Este caso práctico tiene como objetivo desarrollar un mecanismo de sugerencias de optimización para mejorar el rendimiento de campañas de publicidad digital en curso en las plataformas de Google Ads, Meta y TikTok. El proyecto utiliza datos de rendimiento de campañas recopilados de estas plataformas, datos etiquetados manualmente por expertos en la materia y documentos confiables en texto plano relacionados con la optimización de la publicidad digital.

Se entrenaron varios modelos fundacionales, como Llama 2-70b-chat, Claude 2, Claude 3, Command y Titan Express, con estos conjuntos de datos. A lo largo del proceso se aplicaron técnicas de ajuste fino, preentrenamiento continuo y métodos basados en conocimiento. 

Resultados importantes en cifras 

L'Oréal 

En el estudio realizado con la marca Maybelline New York de la empresa L'Oréal, el sistema inteligente de optimización basado en IA generativa logró una reducción del 67 % en el costo por alcance, una disminución del 71 % en el costo por recordación de anuncio y un aumento del 3 % en la recordación de anuncio (personas). En total, se logró un ahorro del 40 % en costos tan solo dos días después de implementar la optimización inteligente. 

Papara 

Como resultado de nuestro trabajo con Papara, se logró una reducción del 30 % en los costos unitarios gracias a una planificación y optimización inteligente, lo que permitió alcanzar con éxito una base activa de clientes. 

Selección de modelos 

Se utilizaron varios modelos fundacionales disponibles en Amazon Bedrock para el proceso de modelado de optimización inteligente. Se seleccionaron modelos como Llama 2-70b-chat, Claude 12, Claude 3, Command y Titan Express, según sus respectivas fortalezas, y se aplicaron dentro del alcance del estudio. Además, se llevaron a cabo operaciones de ajuste fino y preentrenamiento continuo en los modelos Llama 2-70b-chat, Claude 3 y Titan Express, en función de su accesibilidad. A lo largo del estudio, no se priorizó el uso de un único modelo, sino el aprovechamiento conjunto de las fortalezas de múltiples modelos fundacionales. 

Matriz de experimentos

Figure 1: Matriz de experimentos

Implementación

Esta sección describe los detalles de implementación del sistema de puntuación, incluida la configuración del entorno de producción y la arquitectura del sistema. 

Descripción del sistema en producción 

En el núcleo del sistema de optimización se encuentra el servicio Amazon Bedrock. Además, se utilizan los servicios AWS Lambda, Amazon S3, Amazon API Gateway, Amazon Cognito, AWS Developer Tools (incluidos AWS CodeCommit, AWS CodeBuild y AWS CodePipeline), Amazon ECR y AWS Amplify para garantizar el correcto funcionamiento del sistema en el entorno de producción. 

Arquitectura del sistema 

La arquitectura del sistema se basa en la premisa de que los modelos generan recomendaciones en un formato de salida que cumple con estándares y formatos específicos, a partir de conjuntos de datos de entrada. Los datos de entrada del modelo se almacenan en Amazon S3. Las peticiones personalizadas, adaptadas a cada modelo, se preparan dentro del componente Amazon Bedrock y se implementan en la sección correspondiente a cada modelo. Las salidas generadas también se almacenan en Amazon S3. Dentro de la arquitectura, se considera un punto de control la adecuación de las recomendaciones de optimización emitidas por los modelos a los estándares predefinidos basados en el conocimiento del dominio. 

Figura 2: Arquitectura de optimización inteligente

Capturas de pantalla de la interfaz de usuario 

Figura 3: Pantalla de optimización inteligente

Conclusión 

Nuestro estudio examinó diversos métodos con distintos modelos fundacionales de Amazon Bedrock, con énfasis en métricas clave como el rendimiento, la eficiencia en costos y las tasas de éxito. Mediante un enfoque de combinación de modelos, se integraron de forma estratégica las fortalezas de varios modelos para abordar la variabilidad en las salidas. Además, se emplearon modelos específicos para reforzar el entrenamiento de otros, lo que fortaleció la solidez del sistema. La ingeniería de peticiones específica para cada modelo aseguró que las salidas cumplieran con los requerimientos definidos.

Este caso práctico constituye un avance significativo en la publicidad digital, al presentar un mecanismo pionero de sugerencias impulsado por IA generativa dentro de Amazon Bedrock. Al destacar la importancia de Amazon Bedrock, nuestro estudio subraya su papel fundamental en el impulso de futuras innovaciones en el sector. A través del enfoque integral de Adin.ai y el uso de potentes modelos de IA generativa, buscamos transformar la industria mediante sugerencias personalizadas obtenidas a partir del análisis de datos multicanal, habilitado por la arquitectura de AWS. Estas sugerencias se elaboran con precisión para mejorar el rendimiento de las campañas y generar resultados concretos.

En conclusión, nuestro estudio demuestra el potencial transformador de la IA generativa dentro de Amazon Bedrock, con la promesa de redefinir el sector y ofrecer resultados excepcionales a escala global. Con un compromiso firme con la innovación, estamos en posición de liderar la optimización de la publicidad digital, abrir camino a futuros avances y establecer nuevos estándares para el sector.