Optimisation des campagnes de marketing numérique avec Amazon Bedrock by Adin.ai

Description générale du cas d’utilisation 

Le cas d’utilisation vise à développer un mécanisme de suggestion d’optimisation pour améliorer les performances des campagnes publicitaires numériques en cours sur les plateformes Google Ads, Meta, et TikTok. Le projet utilise les données de performance des campagnes collectées à partir de ces plateformes, des données étiquetées manuellement fournies par des experts du domaine et des documents simples fiables liés à l’optimisation de la publicité numérique. 

Divers modèles de fondation tels que Llama 2-70b-chat, Claude 2, Claude 3, Command et Titan Express ont été entraînés à l’aide de ces jeux de données. Des méthodes d’ajustement, d’entraînement préalable et basées sur les connaissances ont été utilisées tout au long du processus. 

Des résultats significatifs en chiffres 

L'Oréal 

Dans l’étude menée avec la marque Maybelline New York de la société L’Oréal, avec le système d’optimisation intelligente basée sur l’IA générative, il y a eu une diminution de 67 % du coût par portée, une diminution de 71 % du coût par mémorisation publicitaire et une augmentation de 3 % du nombre de mémorisations publicitaires (personnes). Au total, 40 % d’économies ont été réalisées après seulement 2 jours d’optimisation intelligente. 

Papara 

Grâce à notre collaboration avec Papara, nous avons réussi à réduire les coûts unitaires de 30 % grâce à une planification et à une optimisation intelligentes, ce qui nous a permis d’atteindre une clientèle active. 

Sélection du modèle 

Différents modèles de fondation disponibles dans Amazon Bedrock ont été utilisés pour le processus de modélisation avec optimisation intelligente. Des modèles tels que Llama2-70b-chat, Claude 12, Claude 3, Command et Titan Express ont été sélectionnés en fonction de leurs points forts respectifs et utilisés dans le cadre de l’étude. En outre, des opérations d’ajustement et d’entraînement continu ont été menées en fonction de l’accessibilité des modèles Llama 2-70b-chat, Claude 3 et Titan Express. Tout au long de l’étude, l’accent n’a pas été mis sur l’utilisation d’un seul modèle, mais plutôt sur la mise à profit des points forts de plusieurs modèles de fondation combinés. 

Matrice d’expérience

Figure 1 : Matrice d’expérience

Mise en œuvre

Cette section décrit les détails de mise en œuvre du système de notation, y compris la configuration de l’environnement de production et l’architecture du système. 

Description du système de production 

Le service Amazon Bedrock est au cœur du système d’optimisation. En outre, les services AWS Lambda, Amazon S3, Amazon API Gateway, Amazon Cognito, Outils pour les développeurs AWS (y compris AWS CodeCommit, AWS CodeBuild et AWS CodePipeline), Amazon ECR et AWS Amplify sont mis à profit pour garantir le bon fonctionnement du système dans l’environnement de production. 

Architecture système 

L’architecture système repose sur des modèles fournissant des recommandations dans le format de sortie, conformément à des normes et à des formats spécifiques, sur la base de jeux de données d’entrée. Les données d’entrée du modèle sont stockées sur Amazon S3. Des instructions personnalisées adaptées aux modèles individuels sont préparées dans le composant Amazon Bedrock et mises en œuvre dans la section Amazon Bedrock spécifique à chaque modèle. Les sorties obtenues sont également stockées sur Amazon S3. Au sein de l’architecture, l’adéquation des recommandations d’optimisation faites par les modèles à des normes prédéfinies basées sur la connaissance du domaine sert de point de contrôle. 

Figure 2 : Architecture d’optimisation intelligente

Captures d’écran de l’IU 

Figure 3 : Écran d’optimisation intelligente

Conclusion 

Notre étude a examiné différentes méthodes utilisant différents modèles de fondation Amazon Bedrock, en mettant l’accent sur des métriques essentielles, comme les performances, la rentabilité et les taux de réussite. En utilisant une approche de combinaison de modèles, nous avons combiné stratégiquement les forces de plusieurs modèles afin de gérer efficacement la variabilité des résultats. En outre, des modèles spécifiques ont été utilisés pour améliorer l’entraînement des autres, renforçant ainsi la robustesse du système. L’ingénierie de requête spécifique au modèle a permis de garantir que les sorties étaient adaptées aux exigences spécifiques.

Cette étude de cas représente une avancée significative dans le domaine de la publicité numérique, car elle introduit un mécanisme de suggestion novateur alimenté par l’IA générative au sein d’Amazon Bedrock. Soulignant l’importance d’Amazon Bedrock, notre étude souligne son rôle central dans les innovations futures du secteur. Grâce à l’approche holistique d’Adin.ai et à l’utilisation judicieuse de puissants modèles d’IA générative, nous visons à révolutionner le secteur en proposant des suggestions personnalisées dérivées de l’analyse des données sur plusieurs canaux, facilitée par l’architecture d’AWS. Ces suggestions sont méticuleusement élaborées pour optimiser les performances des campagnes et engendrer des résultats.

En conclusion, notre étude témoigne du potentiel de transformation de l’IA générative au sein d’Amazon Bedrock, qui promet de remodeler le secteur et d’engendrer des résultats exceptionnels à l’échelle mondiale. Tout en restant attachés à l’innovation, nous sommes prêts à ouvrir la voie en matière d’optimisation de la publicité numérique, en ouvrant la voie aux avancées futures et en établissant de nouvelles normes du secteur.