إذا كان لديك أيضًا نظرة على تقرير التخصيص المفقود في 2 صباحًا تفكر في أي خطوة في خطوطك فاشلة ، فهذه المقالة بالنسبة لك. تعمل إعلانات الأداء الحديثة على مجموعة من أنظمة الذكاء الاصطناعي غير المحددة - نموذج التمويل في الوقت الحقيقي، ونتائج CTR، وخصائص متعددة الاتجاهات، وكلها متواجدة معًا وتسويق البيانات إلى مخازن ضخمة مثل Snowflake أو Redshift. أو . أين لماذا هناك طريقة أفضل، ويأتي من مصدر غير متوقع: عالم GenAI. What Generative AI Got Right ما الذي يجعله حقا تمكن فريقين من بناء أنابيب RAG و التطبيقات التي تعمل بنظام LLM من الوصول إلى نفس المشكلة في البداية. يعود الإجابة أخيراً إلى الخطأ - هل كانت خطوة العثور؟ المطالبة؟ النماذج؟ لتحديد هذا، اتخذوا قراراً. إزالة دورة حياة الطلب الكامل إلى "القطاعات" الفريدة والمستخدمة، كل منها يكتشف الوقت والمستندات والمستندات والتكلفة. distributed tracing أدوات مثل AWS X-Ray و OpenTelemetry (OTel) تجعل هذه الميزات متوافرة ومستقرة. treat every ad event like a distributed request, and trace it end to end. Mapping a Trace to an Ad Auction خرائط تقييم لـ Ad Auction لا يختلف اختراع الإعلانات البرمجية عن خطوط RAG على مستوى البنية التحتية. وهذه هي الطريقة التي يبدو فيها إشارة كاملة عندما تقطعها إلى مجموعات: 
 
 
 
 
 
 
 
 
 
 
 
 
 Span 
 What It Does 
 
 
 
 User Request 
 Ingests the incoming bid request 
 
 
 
 User Profiling 
 Segments the user, embeds features 
 
 
 
 Ad Inventory Lookup 
 ANN search across your vector ad index 
 
 
 
 RTB Auction 
 ML model predicts CTR, executes bid 
 
 
 
 Ad Delivery 
 Renders and serves the creative 
 
 
 
 Event Tracking 
 Attributes clicks/conversions via warehouse queries 
 
 
 
 Aggregation 
 Computes ROAS and other performance metrics طلب المستخدم إدخال طلب الشراء المتوفر الملفات المستخدمة تخصيص المستخدم، تخصيص ميزات البحث عن الأصول ANN البحث عبر مؤشر إعلاناتك المركزي تذاكر RTB نموذج ML يتوقع CTR ، يقوم بتنفيذ العروض في التوزيع يقدم ويخدم الإبداع إتقان الأحداث تخصيص النقرات / التحويلات من خلال طلبات المتاجر جمعية حساب ROAS وأساليب الأداء الأخرى تتلقى كل مسافة وقت البدء / النهاية ، والتأخير ، والتكلفة (التمثيل + الاستفسار) ، والبيانات المترتبة على Adtech مثل أسعار العروض ودرجات الصلة. What This Actually Buys You ماذا يشتري هذا في الواقع لك يظهر تحليل العديد من العينات الإحصائية المجهولة شيئاً مفيداً على الفور: لا يتم توزيع تكاليفك بطريقة قد تعتقدها. في إشارة الأحداث الإعلانية العالية المعتادة (تعكس مدة إجمالية تصل إلى أقل من ثانية و تكلفة منخفضة من الدولار) ، تتألف الإشارة الإعلانية والإشارات الإجمالية بشكل مستمر من حصة القاذفات - كلاهما عمليات ضخمة في المخزون. بدون رؤية على مستوى المساحة ، فإن معظم الأندية تحسين الأشياء الخاطئة. مع ذلك ، يمكنك تحديد استفسار تكوين المخزون كمصدر لخمسة أجزاء من تكلفة الحدث الخاص بك وتفعيلها وفقًا لذلك - سواء كان ذلك التحكم في الأسئلة أو تخزين النتائج أو تحديد قبل التكوين. تتيح هذه رؤية تخفيضات تكلفة بنسبة 20-25% بسهولة لتحديد وتموين. The Governance Angle: Metadata Tracing كلمات متعلقة: metadata tracing تستخدم قنوات الإعلانات الأداء البيانات الحساسة – مجموعات المستخدمين، ورقم الأجهزة، إشارات التحويل. من خلال توسيع نموذج التتبع إلى طبقة البيانات الخاصة بك (فكر في DataHub أو الكاتدرائية المنزلية) ، يمكنك التتبع لغة النموذج ، وتتراكم العلامات ، وتتراكم تدفقات PII كقطاعات من الدرجة الأولى. LLMs يمكن أن تساعد في تقييم وتصنيف تلقائي ، مع خطوات التحقق التي يتم تسجيلها كقطاعات أيضًا. Implementation Path مسار التطبيق الأخبار الجيدة هي أن لا شيء هنا يتطلب أدوات مثيرة: AWS X-ray / OTel هو نقطة البداية المناسبة. وهي مستخدمة على نطاق واسع، وتحتوي على SDKs لكل لغة رئيسية. Instrumentation: اكتب أساليبك مباشرة إلى مخزونك الحالي.تقرير أساليب مع صفوف على مستوى المساحة هو كل ما تحتاجه لتبدأ في البحث عن الحواجز والمخاطر. Storage: يمكن أن تستخدم DataHub (المصدر المفتوح) أو قائمة مماثلة في AWS كمستندات الملفات المركزية الخاصة بك، مع مراقبة التقاليد التي تتصل إلى مجالات التتبع الخاصة بك. Metadata layer: طبقة AWS Bedrock/Snowflake Cortex، Monte Carlo، أو أدوات مماثلة على أعلى لتحديد التردد والتعليق على الاختلافات - مهمة خاصة بالنسبة إلى نموذج CTR وخصائصك، والتي يمكن أن تزداد بصعوبة. Monitoring: The Bigger Picture صورة أكبر إن الفجوة في التفكير في Adtech هي مشكلة حقيقية تتطلب الوقت والمال والمثابرة على الإعلانات، فالتدريب على إصلاحها موجود بالفعل - فإنه يعيش فقط في عالم GenAI والأنظمة الموزعة، وليس في أدوات Adtech. إن إدخال التتبع المركزي إلى خطوط التقييم والتقييم الخاصة بك يعني إزالة أسرع ، وتوقعات تكلفة موثوقة ، وإقامة قاعدة لتحديث تلقائي مع نمو مكونات الذكاء الاصطناعي الخاصة بك أكثر تعقيدا. الأدوات هي مصدر مفتوح.الخطر الرئيسي هو فقط تطبيقها في سياق حيث لم تكن الممارسة القياسية حتى الآن. هذا الفراغ يستحق إغلاقه.

The is an opinion piece based on the author’s POV and does not necessarily reflect the views of HackerNoon.

Read My Stories

تم إنتاج هذا الصوت باللغة الأصلية للقصة!

AI Observability for Adtech: كيف يمكن للمتبعين إصلاح خطوط بياناتك

About Author

تعليقات

شنق العلامات

تم تقديم هذه المقالة في

Related Stories

Aria Coin Achieves 3000% Growth, Pioneering a Galactic-Themed Crypto Ecosystem

Best Mobile App Development Companies

Cappasity -Turning dreams into Augmented reality

Top 4 Hiring Trends for Mobile App Developers in 2018

Aria Coin Achieves 3000% Growth, Pioneering a Galactic-Themed Crypto Ecosystem

Best Mobile App Development Companies

Cappasity -Turning dreams into Augmented reality

Top 4 Hiring Trends for Mobile App Developers in 2018

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps