Нейросети и будущее рекламы

К 2020 году искусственный интеллект успешно справился со многими задачами в области рекламы и маркетинга. Вот лишь некоторые из них:

1. Провел успешную рекламную кампанию outdoor для Google с агентством R/GA, создав индивидуальную наружную рекламу для каждого прохожего и подключив 20% из них к Google Поиск.

2. На Youtube создавал гиперкастомизированные ролики для супов Campbell's, увеличив продажи на 55%.

3. Выиграл у креативного директора японского подразделения McCann Erickson в битве рекламных роликов.

Задачей этой статьи будет ответить на вопросы «Стоит ли работникам рекламы всерьез опасаться конкуренции со стороны искусственных нейронных сетей?» и «Что делать, если есть чего опасаться?».

Для начала давайте разберемся, что такое искусственная нейронная сеть (ИНС). Вот одно из определений: «Искусственная нейронная сеть — это машинная интерпретация мозга человека, в котором находятся миллионы нейронов, передающих информацию в виде электрических импульсов». Очень сильно упрощая модель ИНС, можно объяснить ее действие так: сеть на входе получает множество различных параметров, после чего над этими данными по отдельности производятся различные действия, а результаты этих действий собираются в конечный ответ сети.

Например, для создания гиперкастомизированных роликов, которые демонстрируются пользователям на online-видеопортале, сеть на входе получает полный набор параметров пользователя, анализирует их по отдельности и в сочетаниях, после чего собирает из коротких заготовок для каждого смотрящего индивидуальный рекламный ролик.

Ровно так же человек, глядя на собеседника и его профиль в социальных сетях, может предположить, как необходимо настроить для оппонента эффективное рекламное сообщение.

На этом примере также удобно объяснить, почему именно нейронные сети стали так знамениты и подняли обсуждения об искусственном интеллекте на новый уровень. Дело в том, что алгоритм, не основанный на принципе нейронных сетей, кастомизировал бы ролик только из учета закономерностей, которые выявил разработчик. То есть разработчик вынужден был бы самостоятельно проанализировать множество результатов рекламных кампаний и вручную проследить, какие особенности аудитории могут быть использованы для кастомизации рекламы. Утомительный труд, результаты которого напрямую зависят от талантов и усердия создателей алгоритма. Стоит ли говорить, что при таком подходе от автора алгоритма ускользает множество неявных признаков: например, разработчик может не догадаться, что на продажи супа Campbell's может влиять не только погода, пробки и день недели по отдельности, но и их непредсказуемое сочетание. То есть в дождливый четверг одинокий в очередной раз простоявший в пробке мужчина наверняка задумается о пустом в конце недели холодильнике и купит по дороге готовый суп со скидкой. Каждый подобный пример должен быть описан разработчиком для итогового алгоритма.

Искусственная нейронная сеть, в отличие от описанных алгоритмов, не программируется вручную, а автоматически обучается на примере успешных рекламных кампаний. Для обучения написанной системе требуются данные пользователей, которые смотрели кастомизированные ролики и результат их просмотров. Сеть сама проводит параллели между результатом смотрения и множеством параметров пользователя, которые повлияли на успех или провал показа. Этот процесс создания нейронов и связей между ними является ключевой особенностью ИНС. Обученная сеть запоминает множество вариантов сочетания данных, которые могут повлиять на финальный результат, и использует эти наработанные связи, чтобы улучшить эффективность рекламы. Процесс напоминает работу нейронов в человеческом мозгу, поэтому искусственная нейронная сеть и получила такое название.

Таким образом, правильно подготовленная и настроенная нейронная сеть самостоятельно находит все взаимосвязи, нужные для эффективной работы. Разработчику не нужно вручную создавать алгоритмы для правильной кастомизации ролика – сеть сама разберется, что и на кого эффективно работает, и будет применять полученные знания на практике. Более того, сеть будет продолжать автоматически учиться в процессе работы, повышая собственную эффективность, или меняться вместе с новыми полученными данными.

Звучит многообещающе, не так ли? Однако у каждой системы, наряду с плюсами, есть и минусы. Давайте разберемся, позволяют ли ИНС ее «таланты» превратиться в востребованного рекламиста.

Качество построенной модели ИНС и процесс ее настройки («обучения») критически зависит от множества факторов. В этой статье мы специально остановимся на нескольких из них:

1. Данные для обучения.

2. Однозначность оценки результата.

3. Глубина анализа.

Давайте рассмотрим подробнее эти факторы. И поговорим об их роли для оценки эффективности ИНС в рекламной индустрии.

Данные для обучения

ИНС учится на примере различных работ. Чем больше примеров можно предоставить для сети – тем выше качество ее работы. Таким образом, идеальной сферой применения для ИНС становятся области, где можно ставить быстрые опыты или самостоятельно тренироваться, получая новые результаты. Например, сеть легко учится играть в шахматы, так как после анализа существующих партий она может играть сама с собой, продолжая обучение. Другой пример – кастомизация рекламных объявлений, эффективность которой можно оценить сразу после показа.

Именно поэтому ИНС остается эффективной в областях маркетинга и рекламы, связанных с точными данными: кастомизации рекламных объявлений или настройки медийного таргетинга. Однако, из-за отсутствия значимой базы кейсов для обучения, в стратегии или креативе искусственные нейронные сети остаются малоприменимыми. Отдельно нужно отметить, что для ремесленного создания видео- и радиороликов, принтов, баннеров и так далее ИНС довольно скоро будет пригодна, но в качестве вспомогательного инструмента. Создать десятки вариантов креатива на основе базы просмотренных ИНС способна, но человеку придется самостоятельно выбирать и дорабатывать результаты работы сети.

Рекламисты в этом случае выигрывают от того, что способны учиться на рекламных кейсах, которые встречают на практике и в интернете, оценивая их эффективность по косвенным признакам или на основе собственного опыта.

Оценить потребности в данных и нехватку баз для обучения ИНС можно на примере свежей новости – недавно инженеров IBMуличили в неправомочном использовании фотосервиса Flickr для обучения нейронной сети. Вряд ли у компании IBMотсутствуют деньги на использование стоковых сервисов. А это значит, что общедоступных и коммерческих баз не хватает для качественной настройки ИНС. И это при том, что базы с фотоизображениями гораздо объемнее баз с рекламными кейсами.

Однозначность оценки результата

Искусственная нейронная сеть может обучаться только в условиях, когда результат ее работы можно легко оценить. Например, чтобы научиться собирать эффективные ролики, сеть должна знать, закончился ли просмотр рекламы кликом на кнопку «перейти на сайт». Получать точную оценку своих действий ИНС также нужно, чтобы повысить точность результата. Например, один из популярных методов обучения параметров искусственной нейронной сети, метод обратного распространения, состоит в том, что сеть варьирует внутреннюю обработку данных, отслеживая изменения конечного результата. В этом случае ИНС критически нуждается в том, чтобы иметь возможность мгновенно оценить результат собственных действий самостоятельно или проверить его с помощью доступных сторонних инструментов: например, показать получившуюся в результате эксперимента рекламу пользователю и отследить результат.

Параметр оценки результата почти полностью ставит под вопрос текущую ценность ИНС для рекламной области и сулит ей успехи только в далеком будущем. Все из-за того, что для большинства рекламных материалов или кампаний невероятно трудно провести оценку эффективности. Например, отдельно оценить эффективность ТВ-ролика в отрыве от другой маркетинговой или рекламной активности. Также трудно оценить эффективность сезонной рекламной кампании крупного бренда, поддерживающего десятки коммуникационных кампаний одновременно.

Прибавьте к этому еще и серьезный показатель субъективной оценки результата заказчиком. На каждом уровне принятия решений в маркетинговом отделе клиента существует множество личностных факторов, которые постоянно меняются, накладываются и нередко дают противоречивые результаты. Все это делает ИНС возможной для применения только в случае выполнения сетью сразу двух ролей – рекламного агентства и маркетингового подразделения заказчика. И только в будущем, в котором эффективность любого из каналов можно будет измерить с приемлемой точностью в отрыве от остальных.

В отличие от ИНС работники рекламной индустрии сами составляют мнение о том, что хорошо, а что плохо на профессиональном рынке. А выбирая будущего сотрудника, работодатель выбирает на рынке труда именно ту оценку качества работы специалистом, которая его устраивает для данной вакансии.

Оценить важность возможности оценки результата в процессе настройки ИНС можно на недавнем примере чат-бота Тау от Microsoft. Бот на основе нейронной сети обучался на реальных разговорах с пользователями и их высказываниях в социальных медиа, из-за чего всего за сутки обучения стал проявлять признаки депрессии, нацизма, сексизма и так далее. Фразам «я ненавижу людей» бота научили пользователи сети, причем ИНС не способна качественно оценить изменения в собственном алгоритме формирования ответов и «понять», что стиль общения стал аморальным или грубым.

Глубина анализа и объем нейронных слоев

Производительность и эффективность ИНС напрямую зависит от параметров, которые нужно проанализировать для выполнения работы. Например, даже для таргетинга рекламы искусственную нейронную сеть приходится ограничивать, не предоставляя ей избыточное количество данных. В случае перегруза сети информацией или организации слишком «глубокой» системы поиска взаимосвязей между данными ИНС начинает видеть ложные закономерности в данных. Например, если наряду с данными об интересах пользователя передавать ИНС информацию о положении планет в день показа баннера или биржевых котировках, а также если заставлять сеть искать связь между всеми доступными данными на момент показа баннера, сеть начнет искать ложные корреляции для оценки эффективности рекламы. Все это приведет к снижению эффективности ИНС.

Это еще один параметр, который откладывает победу ИНС над простым специалистом рекламы. Дело в том, что при работе с клиентом, разработке стратегии или создании креативной идеи сотрудник креативного агентства использует огромное количество знаний, нередко полученных в течение всей жизни. Например, чувство стиля или визуальный вкус арт-директор формирует с первых уроков рисования. Творческий стиль копирайтера основан на прочтенных им книгах, статьях, интернет-постах и на чувстве языка, сформированного живым общением. Понимание закономерностей или аналитическое чутье стратега связано с его опытом и «пониманием жизни», как бы высокопарно это ни звучало. Все эти данные пока невозможно оценить, оцифровать и вложить в нейронные слои ИНС. А если бы было возможно – текущие ИНС не способны эффективно работать с таким количеством данных. Возможно, это сделают искусственные нейронные сети на основе живых организмов, которые сейчас разрабатываются сразу несколькими странами. Но пока это вопрос неблизкого будущего.

Понять объем информации, который придется учитывать ИНС для работы в реальном мире, можно на случае с Дун Минчжу. Предпринимательница получила от нейронной сети ошибочный штраф за переход дороги на красный свет в Шанхае. Дело в том, что на перекрестке по время красного сигнала пешеходного светофора оказался автобус, на борту которого располагалась реклама с фотографией Дун. ИНС, на счету которой больше 7 тысяч успешно выписанных штрафов, просто не в силах обрабатывать сценарии, которые выходят за рамки ее обучения, но абсолютно понятны любому человеку.

Рассмотрев всего три базовых особенности ИНС, можно с уверенностью сказать, что ближайшим будущим в использовании искусственного интеллекта в рекламе будет его становление в качестве вспомогательного инструмента специалиста индустрии. При этом ИНС будут активно снижать роль опытных ремесленников индустрии, задача которых состоит только в механическом сочетании наработанных приемов в стратегии или креативе. При этом искусственные нейронные сети освободят текущим специалистам руки для творческой работы – исследования инсайтов и барьеров, разработки уникальной и продуманной коммуникации, а также вдумчивой партнерской работы с клиентом.

Очевидно, что ИНС со временем отберет работу по созданию типовых стратегий, роликов, активаций, кампаний, баннеров или приложений. Так же, как на современных заводах роботизированные конвейеры взяли на себя всю механическую работу.

Однако это произойдет не так скоро, поэтому у каждого участника рынка будет достаточно времени для учета тренда автоматизации в своих среднесрочных и долгосрочных планах. А у каждого работника креативного агентства будет неплохой повод задать себе вопрос, «насколько творчески он подходит к своей работе». И убедиться в том, что его роль в агентстве – решать именно творческие и нетривиальные задачи, которые невозможно автоматизировать за счет искусственных нейронных сетей. Будущее в индустрии есть только у таких ролей.

Автор: Олег Туманов (tlgrm: @adtumanov)

Куратор: Алексей Иванович Ковылов