Маркетологи могут использовать ИИ, чтобы убедиться, что вы видите их рекламу — вот как

Кратко

• AdGazer — это модель, которая предсказывает внимание человека к рекламе с помощью ИИ, обученного на отслеживании взгляда.
• Контекст страницы влияет на до третьего результатов внимания к рекламе.
• Академическая демонстрация может быстро превратиться в реальное внедрение в рекламные технологии.

Где-то между статьей, которую вы читаете, и рекламой рядом с ней ведется тихая война за ваши глаза. Большинство дисплейных объявлений теряют внимание, потому что люди просто ненавидят рекламу — настолько, что крупные технологические компании, такие как Perplexity или Anthropic, пытаются уйти от этих навязчивых нагрузок, ищут лучшие модели монетизации. Но новый инструмент на базе ИИ от исследователей из Университета Мэриленда и Тилбургского университета хочет изменить это — предсказывая с тревожной точностью, будете ли вы действительно смотреть на рекламу, прежде чем кто-либо решит разместить ее там. Инструмент называется AdGazer, и он работает, анализируя как саму рекламу, так и содержимое страницы вокруг нее — затем прогнозирует, сколько времени типичный зритель будет смотреть на рекламу и логотип бренда, основываясь на обширных исторических данных исследований рекламы. 

Команда обучила систему на данных отслеживания взгляда 3531 цифровой дисплейной рекламы. Реальные люди носили оборудование для отслеживания взгляда, просматривали страницы, и их паттерны взгляда записывались. AdGazer учился на всем этом. При тестировании на рекламе, которую он никогда раньше не видел, он предсказал внимание с коэффициентом корреляции 0,83 — что означает, что его прогнозы совпадали с реальными паттернами взгляда человека примерно в 83% случаев. В отличие от других инструментов, сосредоточенных только на самой рекламе, AdGazer анализирует всю страницу вокруг нее. Финансовая новостная статья рядом с рекламой роскошных часов ведет себя иначе, чем та же реклама часов рядом с лентой спортивных результатов. Контекст вокруг, согласно исследованию, опубликованному в Journal of Marketing, составляет как минимум 33% того, сколько внимания получает реклама, и около 20% — сколько времени зрители смотрят именно на бренд. Это важный момент для маркетологов, которые давно полагали, что вся нагрузка лежит на креативе.

Система использует мультимодальную модель большого языка для извлечения высокоуровневых тем как из самой рекламы, так и из содержимого страницы, затем определяет, насколько хорошо они семантически совпадают — по сути, сама реклама и контекст, в который она помещена. Эти векторные представления тем поступают в модель XGBoost, которая объединяет их с низкоуровневыми визуальными признаками для получения итогового балла внимания. Исследователи также создали интерфейс Gazer 1.0, где можно загрузить свою рекламу, обвести рамками бренд и визуальные элементы, и получить предсказанное время взгляда в секундах — вместе с тепловой картой, показывающей, какие части изображения, по мнению модели, привлекут больше всего внимания. Он работает без необходимости в специализированном оборудовании, хотя полное сопоставление тем с помощью LLM все еще требует GPU-среды, которая пока не интегрирована в публичную демонстрацию. На данный момент это академический инструмент. Но архитектура уже есть. Разрыв между исследовательской демонстрацией и коммерческим продуктом в области рекламных технологий измеряется месяцами — не годами.