Как ChatGPT создал передовой рекламный стек для диалогового ИИ

Традиционные рекламные системы работают на фундаментально ограниченной предпосылке: они разработаны для реагирования на дискретные, однократные единицы намерения пользователя. В традиционной модели пользователь выполняет конкретное действие — например, отправляет поисковый запрос или просматривает определенную веб-страницу, — и система рекламы получает это событие как отдельную точку данных. Система затем функционирует путем сопоставления этого немедленного события с базой данных потенциальной рекламы. Этот процесс относительно прост: извлечь кандидатов, ранжировать их, провести аукцион для определения ценообразования и, наконец, отобразить полученную рекламу. Однако природа разговорного ИИ, примером которого является ChatGPT, делает этот традиционный подход устаревшим. Намерение пользователя в часовой среде не материализуется как один конкретный запрос; скорее, оно развивается органически и эволюционирует в течение нескольких ходов, иногда охватывая целые сессии, и часто без четкого, немедленного «рекламного момента».

Чтобы успешно интегрировать монетизацию в эту изменчивую, разговорную парадигму, технический персонал ChatGPT разработал специализированную и высокосложную систему доставки рекламы. Эта система представляет собой значительный отход от стандартных рекламных стеков, поскольку она построена вокруг пользовательской, дообученной флагманской большой языковой модели (LLM). Эта LLM — не просто генератор контента; она действует как оркестратор, используя специализированную архитектуру вызова инструментов для управления всем жизненным циклом рекламы. Ее обязанности многогранны и включают идентификацию лучших потенциальных рекламных вариантов (извлечение), прогнозирование степени вовлеченности пользователя в рекламу (ранжирование), оценку фактической полезности рекламы в контексте разговора (релевантность) и, наконец, проведение необходимых аукционов для точного выбора и ценообразования рекламы.

Этот продвинутый рекламный стек был разработан с учетом трех критически важных инновационных архитектурных решений для поддержки нюансов развивающихся целей пользователя. Во-первых, он реализует сохраняемые рекламные сессии (stateful ad sessions). Это означает, что система не рассматривает каждое сообщение как новое начало. Вместо этого она запоминает и сохраняет информацию в течение нескольких ходов в рамках одного разговора и даже в нескольких отдельных разговорах. Эта непрерывность жизненно важна, потому что цели пользователя — такие как планирование сложной поездки или выбор бизнес-программного обеспечения — редко достигаются в рамках одного взаимодействия; они уточняются и совершенствуются со временем.

Во-вторых, система в значительной степени полагается на пользовательскую, дообученную LLM, которая использует свои возможности вызова инструментов для интерпретации не только последнего сообщения пользователя, но и всего контекста, а также лежащего в основе, развивающегося намерения разговора. Это позволяет ей эффективно выбирать, ранжировать и доставлять рекламу, которая действительно поддерживает путь пользователя, а не просто реагирует на последнее использованное ключевое слово. В-третьих, и, возможно, самое критическое для поддержания доверия пользователей, весь процесс выбора рекламы выполняется в совершенно отдельной, независимой службе от основной генерации ответов ChatGPT. Это архитектурное разделение имеет первостепенное значение; оно гарантирует, что система рекламы не может влиять, смещать или компрометировать нейтральный, органический голос ChatGPT или качество сгенерированного ответа. Основные серверы ChatGPT обрабатывают ответ на естественном языке, в то время как отдельная служба рекламы независимо оценивает возможность размещения спонсорского контента.

Необходимость этой перестройки лучше всего понять, сравнив ее с ограничениями старой модели «запрос-ответ». В часовом контексте рассмотрение каждого сообщения как отдельного запроса несет значительные риски. К этим рискам относится неверная интерпретация истинной цели пользователя путем чрезмерного упрощения контекста, попытка рекламировать слишком рано, до того как реальная потребность пользователя кристаллизовалась, отображение рекламы, которая активно препятствует естественному потоку пользователя, а также неэффективное повторное выполнение всего рекламного потока каждый раз, когда меняется запрос, что создало бы шум и растратило бы вычислительные ресурсы. Поэтому система рекламы была построена для поддержания сохраняемой сессии, адаптируясь к развивающемуся обмену, а не полагаясь на единственный, упрощенный запрос. LLM оркестрирует весь поток, определяя оптимальную рекламу для показа в нужный момент, основываясь как на текущем ходе пользователя, так и на всей истории разговора.

Эта сложная архитектура оказалась невероятно успешной в удивительно короткие сроки. В то время как создание самосовершенствующей, сохраняемой рекламной системы, подобной этой, обычно требует годы разработки, ChatGPT Ads достигла годовой ставки выручки в размере 1 миллиарда долларов менее чем через 200 дней после запуска. Более того, система быстро масштабировалась, позволив более чем 100 000 рекламодателям запускать кампании на платформе с момента ее дебюта. Сочетание отслеживания сохраняемого контекста и архитектурного разделения является основной инновацией, позволяющей глубоко интегрировать монетизацию без ущерба для пользовательского опыта или воспринимаемой нейтральности ИИ. Это техническое достижение не только решает большую проблему в монетизации ИИ, но и устанавливает новый отраслевой стандарт того, как платформы генеративного ИИ могут ответственно и эффективно интегрировать рекламу, отдавая приоритет доверию и ценности пользователя.