Автоматическая обработка минус-фраз Яндекс.Директа с помощью ИИ
🔍 Проблемы в поисковой рекламе
Совершенно случайно я дошел до файн-тюнинга фундаментальных моделей для рекламы.
В моем агентстве значительная часть рекламы приходится на поиск, который сталкивается с двумя основными проблемами:
— мусорный трафик,
— высокие цены
Если автоматизация цен может быть решена с помощью здравой логики и алгоритмов, то очистка от мусора остается сложной и рутинной задачей.
Мусорный трафик не только расходует бюджет впустую, но и делает трафик дороже.
⚙️ Решение с помощью языковых моделей
К задаче очистки мусорного трафика я подходил за время своей карьеры раз 6. И с помощью матметодов ML и на базе нейросетевых фреймворков. Сейчас в моде LLM, поэтому я должен попробовать решить задачу ими.
Использование языковых моделей сталкивается с тремя проблемами:
1. Они дорогие.
2. Они медленные (на вопросе в ChatGPT вы этого не заметите, но на 10 000 поисковых фраз будет ощутима медлительность).
3. Они не эксперты. Даже если начать промпт словами «Ты эксперт в контекстной рекламе» языковая модель не станет таким экспертом.
Для решения первых двух проблем я выбрал gpt-4o-mini — она значительно дешевле базовой модели.
А для повышения рекламной экспертизы потребовался fine-tuning. Сначала мы показываем, как правильно принимать решения, а затем просим систему выполнять эти решения самостоятельно.
🚀 Результаты и сложности
На удивление, результаты оказались впечатляющими: ответы быстрые, дешевые и адекватные даже при неполных данных.
В примере я показываю выводы лишь по одному условию показа, хотя на практике данных должно подаваться значительно больше.
Однако, остались и сложности — обработка опечаток работает крайне неадекватно. Пока неясно, как решить эту проблему без дополнительного подпроцессинга и как передать текущую дату.
💬 Буду рад советам
Если вы решали подобные задачи методом языковых моделей или как то еще — расскажите о своем опыте.
----
Поляков считает — про ИИ, рекламу и аналитику.
🔍 Проблемы в поисковой рекламе
Совершенно случайно я дошел до файн-тюнинга фундаментальных моделей для рекламы.
В моем агентстве значительная часть рекламы приходится на поиск, который сталкивается с двумя основными проблемами:
— мусорный трафик,
— высокие цены
Если автоматизация цен может быть решена с помощью здравой логики и алгоритмов, то очистка от мусора остается сложной и рутинной задачей.
Мусорный трафик не только расходует бюджет впустую, но и делает трафик дороже.
⚙️ Решение с помощью языковых моделей
К задаче очистки мусорного трафика я подходил за время своей карьеры раз 6. И с помощью матметодов ML и на базе нейросетевых фреймворков. Сейчас в моде LLM, поэтому я должен попробовать решить задачу ими.
Использование языковых моделей сталкивается с тремя проблемами:
1. Они дорогие.
2. Они медленные (на вопросе в ChatGPT вы этого не заметите, но на 10 000 поисковых фраз будет ощутима медлительность).
3. Они не эксперты. Даже если начать промпт словами «Ты эксперт в контекстной рекламе» языковая модель не станет таким экспертом.
Для решения первых двух проблем я выбрал gpt-4o-mini — она значительно дешевле базовой модели.
А для повышения рекламной экспертизы потребовался fine-tuning. Сначала мы показываем, как правильно принимать решения, а затем просим систему выполнять эти решения самостоятельно.
🚀 Результаты и сложности
На удивление, результаты оказались впечатляющими: ответы быстрые, дешевые и адекватные даже при неполных данных.
В примере я показываю выводы лишь по одному условию показа, хотя на практике данных должно подаваться значительно больше.
Однако, остались и сложности — обработка опечаток работает крайне неадекватно. Пока неясно, как решить эту проблему без дополнительного подпроцессинга и как передать текущую дату.
💬 Буду рад советам
Если вы решали подобные задачи методом языковых моделей или как то еще — расскажите о своем опыте.
----
Поляков считает — про ИИ, рекламу и аналитику.