בעולם הפרסום הדיגיטלי, שבו כל שקל חשוב, אילוצי תקציב מקשים על מקסום הערך הכולל מהרשעות מנצחות. חוקרים מציגים את DARA – מסגרת חדשנית להקצאת תקציבים בפרסום מקוון במצבי few-shot, שבהם נתוני אינטראקציה היסטוריים מוגבלים. שיטה זו מבוססת על מודלי שפה גדולים (LLM) שמתמודדים היטב עם למידה בהקשר, אך משפרת את הדיוק המספרי הנדרש באמצעות אימון מיוחד.
האתגר המרכזי ב-AI-Generated Bidding (AIGB) הוא אופטימיזציה של ערך מצטבר תחת אילוצי תקציב, כאשר שיטות למידה מחוזקת מסורתיות נכשלות במצבים עם מעט דוגמאות. LLM מציעים פתרון מבטיח בזכות יכולת הכללה מנתונים מוגבלים, אך חסרים להם דיוק מספרי לאופטימיזציה עדינה. כדי להתגבר על כך, פותח GRPO-Adaptive – אסטרטגיית אימון פוסט-טריינינג ל-LLM שמעדכנת דינמית את מדיניות הייחוס במהלך האימון, ומשפרת הן את ההיגיון והן את הדיוק.
על בסיס זה, DARA מפרקת את תהליך קבלת ההחלטות לשני שלבים: reasoner few-shot שמייצר תוכניות ראשוניות באמצעות prompting בהקשר, ואופטימייזר עדין שמחדש את התוכניות באמצעות היגיון מונע משוב. הפרדה זו מאפשרת ל-DARA לשלב את חוזקות הלמידה בהקשר של LLM עם התאמה מדויקת הנדרשת למשימות AIGB, ומספקת פתרון יעיל.
השוואה לשיטות קיימות מראה כי DARA מתעלה על baselines במדד הערך המצטבר לפרסומאי תחת אילוצי תקציב, הן בסביבות נתונים אמיתיות והן בסינתטיות. בישראל, שבה שוק הפרסום הדיגיטלי צומח במהירות, שיטות כאלה יכולות לסייע לעסקים קטנים ובינוניים להתחרות בגדולים עם תקציבים מוגבלים, תוך שימוש בכלים מבוססי AI מתקדמים.
לסיכום, DARA פותחת דלת לשיפור משמעותי בניהול תקציבי פרסום. פרסומאים ישראלים צריכים לבחון אינטגרציה של שיטות כאלה בפלטפורמות כמו גוגל או מטא, כדי למקסם החזר השקעה. מה תהיה ההשפעה על התחרות בשוק?