Ottimizzazione delle campagne di marketing digitale con Amazon Bedrock di Adin.ai

Descrizione generale del caso d'uso 

Il caso d'uso mira a sviluppare un meccanismo di suggerimento di ottimizzazione per migliorare le prestazioni delle campagne pubblicitarie digitali in corso su piattaforme Google Ads, Meta e TikTok. Il progetto utilizza dati sul rendimento delle campagne raccolti da queste piattaforme, dati etichettati manualmente forniti da esperti di dominio e semplici documenti affidabili relativi all'ottimizzazione della pubblicità digitale.

Vari modelli fondamentali come Llama 2-70b-chat, Claude 2, Claude 3, Command e Titan Express sono stati addestrati utilizzando questi set di dati. Durante tutto il processo sono stati utilizzati metodi di messa a punto, pre-formazione continua e basati sulla conoscenza.

Risultati importanti in cifre 

L'Oréal 

Nello studio condotto con il marchio Maybelline New York della società L'Oréal, con il sistema di ottimizzazione intelligente basato sull’IA generativa, c’è stata una diminuzione del 67% del costo per portata, una riduzione del 71% nel costo per richiamo degli annunci e un aumento del 3% nel richiamo degli annunci (persone). In totale, è stato ottenuto un richiamo sui costi del 40% dopo soli 2 giorni dall’ottimizzazione intelligente. 

Papara 

Grazie al nostro lavoro con Papara, abbiamo ottenuto una riduzione del 30% dei costi unitari attraverso una pianificazione e un'ottimizzazione intelligenti raggiungendo con successo una base clienti attiva.

Selezione del modello 

Per il processo di modellazione di ottimizzazione intelligente sono stati utilizzati diversi modelli di base disponibili in Amazon Bedrock. Modelli come Llama2-70b-chat, Claude 12, Claude 3, Command e Titan Express sono stati selezionati in base ai rispettivi punti di forza e impiegati nell'ambito dello studio. Inoltre, sono state condotte operazioni di perfezionamento e proseguimento della formazione preliminare in base all'accessibilità dei modelli Llama 2-70b-chat, Claude 3 e Titan Express. Nel corso dello studio, l'accento non è stato posto sull'utilizzo di un singolo modello, ma piuttosto sullo sfruttamento congiunto dei punti di forza di più modelli di base.

Matrice dell’esperimento

Figura 1: Matrice dell'esperimento

Implementazione

Questa sezione descrive i dettagli di implementazione del sistema di punteggio, inclusa la configurazione dell'ambiente di produzione e l'architettura del sistema.

Descrizione del sistema di produzione 

Al centro del sistema di ottimizzazione si trova il servizio Amazon Bedrock. Inoltre, i servizi AWS Lambda, Amazon S3, Gateway Amazon API, Amazon Cognito, AWS Developer Tools (incluso AWS CodeCommit, AWS CodeBuild e AWS CodePipeline), Amazon ECR e AWS Amplify vengono sfruttati per garantire il corretto funzionamento del sistema nell’ambiente di produzione. 

Architettura del sistema 

L'architettura del sistema si basa sulla premessa di modelli che forniscono raccomandazioni in formato di output, aderenti a standard e formati specifici, basati su set di dati di input. I dati di input per il modello sono archiviati su Amazon S3. I prompt personalizzati su misura per i singoli modelli vengono preparati all'interno del componente Amazon Bedrock e implementati nella sezione Amazon Bedrock specifica per ciascun modello. Gli output ottenuti vengono inoltre archiviati su Amazon S3. All'interno dell'architettura, l'idoneità delle raccomandazioni di ottimizzazione fornite dai modelli a standard predefiniti basati sulla conoscenza del dominio viene considerata un punto di controllo.

Figura 2: Architettura di ottimizzazione intelligente

Schermate dell'interfaccia utente

Figura 3: Schermata di ottimizzazione intelligente

Conclusioni 

Il nostro studio ha approfondito vari metodi utilizzando diversi modelli di fondazione di Amazon Bedrock, concentrandosi su metriche cruciali come prestazioni, efficienza dei costi e percentuali di successo. Utilizzando un approccio basato sulla combinazione di modelli, abbiamo combinato strategicamente i punti di forza di più modelli per affrontare efficacemente la variabilità dell'output. Inoltre, sono stati utilizzati modelli specifici per migliorare la formazione degli altri, rafforzando la robustezza del sistema. La progettazione dei prompt specifica del modello ha garantito che i risultati fossero personalizzati per soddisfare requisiti specifici.

Questo caso di studio rappresenta un progresso significativo nella pubblicità digitale, introducendo un meccanismo di suggerimento pionieristico basato sull'IA generativa all'interno di Amazon Bedrock. Sottolineando l'importanza di Amazon Bedrock, il nostro studio sottolinea il suo ruolo fondamentale nel guidare le future innovazioni del settore. Attraverso l'approccio olistico di Adin.ai e sfruttando potenti modelli di IA generativa, miriamo a rivoluzionare il settore fornendo suggerimenti personalizzati derivati da analisi dei dati multicanale facilitata dall'architettura di AWS. Questi suggerimenti sono stati elaborati meticolosamente per ottimizzare le prestazioni delle campagne e ottenere risultati.

In conclusione, il nostro studio testimonia il potenziale trasformativo dell'IA generativa all'interno di Amazon Bedrock, promettendo di rimodellare il settore e fornire risultati eccezionali su scala globale. Continuando a puntare sull'innovazione, siamo pronti a fare da apripista nell'ottimizzazione della pubblicità digitale, aprendo la strada a progressi futuri e stabilendo nuovi standard di settore.