Se hai mai guardato un rapporto di attribuzione rotto alle 2 del mattino chiedendoti quale passo nel tuo pipeline ha silenziosamente fallito, questo post è per te. La pubblicità moderna per le prestazioni funziona su una pila di sistemi di intelligenza artificiale non deterministici - modelli di offerta in tempo reale, predittori di CTR, attribuzione multi-touch, tutti collegati in catena e trasformando i dati in grandi magazzini come Snowflake o Redshift. Quando qualcosa va storto (e andrà storto), il monitoraggio tradizionale non ti dà quasi nulla di utile. o . dove Perché C'è un modo migliore, e proviene da una fonte improbabile: il mondo GenAI. What Generative AI Got Right Quale generazione ha ragione I team che hanno costruito pipelines RAG e app alimentate da LLM hanno affrontato esattamente lo stesso problema all'inizio. Una risposta è tornata sbagliata - è stato il passaggio di recupero? il prompt? il modello? Per risolvere questo, hanno adottato Dividere l'intero ciclo di vita delle richieste in "intervallo" discreto e strumentalizzato, ognuno dei quali cattura i tempi, le entrate, le uscite e i costi. distributed tracing Strumenti come AWS X-Ray, OpenTelemetry (OTel) rendono questo compostabile e standardizzato. treat every ad event like a distributed request, and trace it end to end. Mapping a Trace to an Ad Auction Mapping a Trace per un'Auction Un'asta pubblicitaria programmatica non è così diversa da una pipeline RAG strutturalmente. Ecco come appare una traccia completa quando la si divide in spazi: 
 
 
 
 
 
 
 
 
 
 
 
 
 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 Richiesta utente Inserisci la richiesta di offerta in arrivo Profili utente Segmenta l'utente, incorpora caratteristiche Ricerca di inventario Ricerca ANN attraverso il tuo indice di annunci vettoriali L'asta della RTB Il modello ML prevede il CTR, esegue l'offerta Per la consegna Rende e serve il creativo Evento di Tracking Attribuire clic / conversioni tramite query di magazzino Aggregazione Calcola ROAS e altre metriche di prestazione Ogni span cattura il tempo di inizio/fine, la latenza, il costo (calcolo + query) e i metadati specifici di Adtech, come il prezzo di offerta e i punteggi di rilevanza. What This Actually Buys You Che cosa ti compra davvero L'analisi su più campioni di tracce statistiche anonimizzati rivela qualcosa di immediatamente utile: i costi non sono distribuiti come probabilmente pensi. In una tipica traccia degli eventi pubblicitari ad alto volume (che riflette una durata totale inferiore a un secondo e un costo frazionario-dollaro), gli intervalli di Event Tracking e Aggregation contano costantemente per la quota di leone delle spese - entrambe sono operazioni pesanti in magazzino. Senza visibilità a livello di intervallo, la maggior parte delle squadre ottimizza le cose sbagliate. Con esso, è possibile identificare la query di aggregazione del magazzino come fonte di fino a metà del costo per evento e agire di conseguenza, sia che si tratti di aggiustamento della query, cache dei risultati o pre-aggregazione. Questa visibilità rende le riduzioni dei costi del 20-25% più semplici da identificare e modellare. The Governance Angle: Metadata Tracing L’angolo di governance: Metadata Tracing Le pipeline pubblicitarie di prestazioni gestiscono dati sensibili - segmenti utente, grafici del dispositivo, segnali di conversione. L'osservabilità non è solo uno strumento di debugging qui; è un asset di conformità. Estendendo il modello di tracciamento al tuo livello di metadati (pensare DataHub o un catalogo domestico), puoi tracciare la lineatura schema, la propagazione dei tag e i flussi PII come spansioni di prima classe. LLM possono aiutare con l'etichettatura automatizzata e la classificazione, con i passaggi di convalida registrati come spansioni anche. Questo ti dà un record audibile e riproducibile di come i dati si muovono attraverso il tuo sistema - prezioso sia per la governance interna che per la fiducia degli inserzionisti. Implementation Path Path Implementazione La buona notizia è che nulla qui richiede strumenti esotici: AWS X-ray/OTel è il punto di partenza giusto. Sono ampiamente supportati e hanno SDK per ogni linguaggio principale. Instrumentation: Scrivi le tue tracce direttamente al tuo magazzino esistente. Una tabella delle tracce con righe a livello di spessore è tutto ciò di cui hai bisogno per iniziare a cercare lacune in bottiglia e margini di costo. Storage: DataHub (open source) o un catalogo simile in AWS può servire come registratore centrale dei metadati, con il lineage tracking che si connette di nuovo alle tue tracce. Metadata layer: Layer AWS Bedrock/Snowflake Cortex, Monte Carlo, o strumenti simili in alto per la rilevazione del drift e l'avviso di anomalie - particolarmente importante per i modelli di CTR e attribuzione, che possono degradare silenziosamente. Monitoring: The Bigger Picture Il quadro più grande Il divario di osservabilità di Adtech è un problema reale che costa tempo, denaro e fiducia agli inserzionisti.La disciplina per correggerlo esiste già - vive solo nel mondo di GenAI e sistemi distribuiti, non nei documenti di strumentazione di Adtech. L’introduzione di un tracciamento strutturato nelle pipeline per le aste e le misurazioni significa un debugging più rapido, una previsione credibile dei costi e una base per l’ottimizzazione automatizzata man mano che i componenti dell’IA diventano più complessi. I modelli sono provati.Il tooling è open source.La principale barriera è semplicemente applicarli in un contesto in cui non sono state ancora pratiche standard. Questo divario vale la pena di chiudere.

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

Read My Stories

Questo audio è prodotto nella lingua originale della storia!

AI Observability per Adtech: come il tracciamento può risolvere il tuo pipeline di reporting

About Author

COMMENTI

CARTELLINI

QUESTO ARTICOLO È STATO PRESENTATO IN

Related Stories

Indian PM Woos Tech CEOs During U.S. State Visit

HackerNoon - A User Experience Analysis: Part 2

Meet BrowserStack: HackerNoon Company of the Week

Meet Dealscard, Winner of Startups of The Year 2024 in Ghaziabad/Deal Aggregator

Indian PM Woos Tech CEOs During U.S. State Visit

HackerNoon - A User Experience Analysis: Part 2

Meet BrowserStack: HackerNoon Company of the Week

Meet Dealscard, Winner of Startups of The Year 2024 in Ghaziabad/Deal Aggregator

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps