Otimizar campanhas de digital marketing com o Amazon Bedrock da Adin.ai

Descrição geral do caso de uso 

O caso de uso tem como objetivo desenvolver um mecanismo de sugestão de otimização para melhorar a performance de campanhas publicitárias digitais em andamento nas plataformas Google Ads, Meta e TikTok. O projeto utiliza dados de performance de campanhas coletados dessas plataformas, dados rotulados manualmente por especialistas na área e documentos simples confiáveis relacionados à otimização de publicidade digital. 

Vários modelos de base, como Llama 2-70b-chat, Claude 2, Claude 3, Command e Titan Express, foram treinados utilizando esses conjuntos de dados. Ao longo do processo, foram empregados métodos de ajuste fino, pré-treinamento contínuo e baseados em conhecimento. 

Resultados importantes nos números 

L'Oréal 

No estudo realizado com a marca Maybelline New York da empresa L'Oréal, com o sistema de otimização inteligente baseado em IA generativa, houve uma redução de 67% no custo por alcance, uma redução de 71% no custo por recall do anúncio e um aumento de 3% no recall do anúncio (pessoas). No total, foi alcançada uma economia de 40% após apenas 2 dias da otimização inteligente.

Papara 

Como resultado do nosso trabalho com a Papara, alcançamos uma redução de 30% nos custos unitários por meio de um planejamento inteligente e otimização, alcançando com êxito uma base de clientes ativos.

Seleção dos modelos 

Vários modelos de base disponíveis no Amazon Bedrock foram utilizados para o processo de modelagem de otimização inteligente. Modelos como Llama2-70b-chat, Claude 12, Claude 3, Command e Titan Express foram selecionados com base em seus respectivos pontos fortes e empregados dentro do escopo do estudo. Além disso, operações de ajuste fino e pré-treinamento contínuo foram conduzidas com base na acessibilidade dos modelos Llama 2-70b-chat, Claude 3 e Titan Express. Ao longo do estudo, a ênfase não foi na utilização de um único modelo, mas sim em aproveitar os pontos fortes de vários modelos de base em conjunto.

Matriz de experimentos

Figura 1: Matriz de experimentos

Implementação

Esta seção descreve os detalhes de implementação do sistema de pontuação, incluindo a configuração do ambiente de produção e a arquitetura do sistema. 

Descrição do sistema de produção 

No centro do sistema de otimização está o serviço Amazon Bedrock. Além disso, foram usados os serviços AWS Lambda, Amazon S3, Amazon API Gateway, Amazon Cognito, as Ferramentas para desenvolvedores da AWS (entre elas o AWS CodeCommit, o AWS CodeBuild e o AWS CodePipeline), Amazon ECR e AWS Amplify para garantir o bom funcionamento do sistema no ambiente de produção. 

Arquitetura do sistema 

A arquitetura do sistema é construída com base na premissa de modelos que fornecem recomendações em formato de saída, aderindo a padrões e formatos específicos, com base em conjuntos de dados de entrada. Os dados de entrada para o modelo são armazenados no Amazon S3. Prompts personalizados, adaptados a modelos individuais, são preparados dentro do componente Amazon Bedrock e implementados na seção do Amazon Bedrock específica para cada modelo. As saídas obtidas também são armazenadas no Amazon S3. Dentro da arquitetura, a adequação das recomendações de otimização feitas pelos modelos aos padrões predefinidos com base no conhecimento do domínio é considerada um ponto de verificação.

Figura 2: Arquitetura de otimização inteligente

Capturas de tela da interface do usuário 

Figura 3: Tela de otimização inteligente

Conclusão 

Nosso estudo investigou vários métodos utilizando diferentes modelos de base do Amazon Bedrock, com foco em métricas cruciais como performance, eficiência de custos e taxas de sucesso. Empregando uma abordagem de combinação de modelos, combinamos estrategicamente os pontos fortes de vários modelos para lidar de forma eficaz com a variabilidade dos resultados. Além disso, modelos específicos foram aproveitados para aprimorar o treinamento de outros, fortalecendo a robustez do sistema. A engenharia de prompt específica para cada modelo garantiu que os resultados fossem adaptados para atender a requisitos específicos.

Este estudo de caso representa um avanço significativo na publicidade digital, introduzindo um mecanismo pioneiro de sugestões alimentado por IA generativa dentro do Amazon Bedrock. Destacando a importância do Amazon Bedrock, nosso estudo ressalta seu papel fundamental na promoção de inovações futuras no setor. Por meio da abordagem holística da Adin.ai e do uso de poderosos modelos de IA generativa, nosso objetivo é revolucionar o setor, oferecendo sugestões personalizadas derivadas da análise de dados entre canais facilitada pela arquitetura da AWS. Essas sugestões são meticulosamente elaboradas para otimizar a performance da campanha e impulsionar os resultados.

Em conclusão, nosso estudo serve como prova do potencial transformador da IA generativa dentro do Amazon Bedrock, prometendo remodelar o setor e oferecer resultados excepcionais em grande escala. Como continuamos comprometidos com a inovação, estamos preparados para liderar o caminho na otimização da publicidade digital, abrindo caminho para avanços futuros e estabelecendo novos padrões para o setor.