Никита Фоминов: «В рекламе реалистичнее говорить не об автопилоте, а о копилоте»

Искусственный интеллект постепенно становится частью технологической цепочки в рекламе — от создания текстов и запуска кампаний до закупки трафика, оптимизации бюджета и борьбы с фродом. При этом за общим термином «ИИ» скрываются разные технологии, а громкий пилот далеко не всегда превращается в работающий бизнес-инструмент.

О том, где алгоритмы уже действительно полезны рекламному рынку, почему качество данных становится критически важным и сможет ли ИИ заменить специалиста, рассказывает Никита Фоминов, CEO Билайн Adtech, в интервью «Код.ру».

— Сегодня об искусственном интеллекте говорят практически во всех сегментах рекламного рынка. Если отойти от хайпа, где ИИ и машинное обучение уже действительно работают в Adtech?

— Для начала я бы разделил машинное обучение и то, что сегодня чаще всего подразумевают под ИИ, — в первую очередь большие языковые модели. В рекламных технологиях применяются разные подходы, и решают они разные задачи.

Если говорить о наиболее зрелых сценариях, я бы выделил три направления: оптимизацию рекламных кампаний, борьбу с фродом и автоматизацию части работы рекламодателя.

В programmatic машинное обучение помогает принимать решения при закупке рекламы: оценивать рекламные возможности, управлять ставками, распределять бюджет. Это особенно важно, поскольку решение о том, стоит ли участвовать в аукционе и сколько заплатить за конкретный показ, необходимо принимать автоматически за доли секунды.

Второе направление — антифрод. Здесь машинное обучение позволяет обнаруживать сложные сценарии недействительного трафика, которые трудно заранее описать набором жестких правил.

Наконец, генеративные модели могут брать на себя часть рутинной работы при подготовке кампаний: создавать и адаптировать тексты, предлагать варианты формулировок, помогать с оформлением материалов.

Поэтому я бы говорил не об одной универсальной «ИИ-функции», а о постепенном проникновении технологии в разные этапы рекламной кампании. Мы движемся скорее к модели копилота: значительную часть рутинных операций берет на себя технология, а специалист определяет цели, контролирует результат и принимает ключевые решения.

— Вы упомянули programmatic. Как именно машинное обучение решает, стоит ли покупать конкретный рекламный показ?

— В классической модели специалист задает исходные параметры кампании: аудиторию, бюджет, ограничения, KPI. Дальше система сталкивается с огромным количеством отдельных возможностей для показа рекламы.

Задача ML-модели — оценить каждую такую возможность и спрогнозировать, насколько конкретный показ способен приблизить кампанию к заданной цели. Исходя из этого прогноза система может управлять ставкой в рекламном аукционе.

Если сильно упростить, рекламодатель перестает одинаково оценивать каждый потенциальный контакт. За показ, который с большей вероятностью даст нужный результат, система может предложить более высокую ставку. За менее перспективный — меньшую или вообще отказаться от участия в аукционе.

— То есть задача алгоритма прежде всего в том, чтобы покупать рекламу дешевле?

— Не совсем. Купить рекламу дешевле само по себе не является конечной целью. Вопрос в том, какой результат рекламодатель получает в рамках заданного бюджета.

Есть, например, механизм перераспределения бюджета. По мере накопления статистики алгоритм может определять, какие сегменты аудитории, площадки, форматы или временные периоды показывают более высокую эффективность, и корректировать распределение средств.

В этом одно из преимуществ машинного обучения: система способна быстро реагировать на изменения в ходе кампании. Но возможности таких алгоритмов напрямую зависят от данных. Чем больше качественных сигналов получает система и чем точнее измеряется результат рекламы, тем больше возможностей для оптимизации.

Поэтому развитие машинного обучения в Adtech нельзя рассматривать отдельно от развития инфраструктуры данных.

— Другая большая проблема рекламного рынка — фрод. Почему здесь недостаточно обычных правил фильтрации?

— Потому что фрод постоянно меняется. Появляются новые способы имитации человеческой активности, и невозможно заранее описать каждый из них жестким набором правил.

Поэтому на рынке используются комбинированные подходы. Классические механизмы фильтрации могут дополняться ML-моделями, которые анализируют большое количество признаков рекламного запроса и последовательности событий.

Это позволяет находить сложные паттерны поведения, которые труднее обнаружить с помощью отдельных правил. При этом я бы не противопоставлял машинное обучение традиционным методам: на практике они дополняют друг друга.

Еще один важный вопрос — независимая верификация. Когда платформа сама закупает или оценивает трафик и одновременно сама говорит о его качестве, возникает очевидный вопрос доверия к метрике. Поэтому для рынка важна возможность сопоставлять внутренние оценки с результатами независимых систем измерения.

— Насколько вообще данные становятся конкурентным преимуществом на рекламном рынке?

— Их роль растет вместе со сложностью алгоритмов. Можно построить очень хорошую модель, но без качественных входных данных ее возможности будут ограничены.

Причем важен не только объем данных. Значение имеют их качество, актуальность, корректность измерения результата и способность инфраструктуры быстро обрабатывать эти сигналы.

Есть и другой аспект — требования к работе с данными. Чем больше автоматизации появляется в рекламных технологиях, тем важнее становятся вопросы обезличивания, безопасности и контроля того, какие данные и для каких задач используются.

В каком-то смысле развитие ИИ делает инфраструктуру данных не менее важной, чем сами модели.

— Если алгоритмы уже способны закупать трафик, распределять бюджет, выявлять фрод и генерировать рекламные тексты, что в перспективе останется человеку?

— Принятие решений. Поэтому мне и кажется, что сейчас реалистичнее говорить не об «автопилоте», а о копилоте.

ML и ИИ хорошо справляются с задачами, где необходимо быстро обработать большой объем информации, найти закономерности, предложить варианты или снять с человека рутинные операции. Но постановка задачи и контроль результата по-прежнему остаются за специалистом.

Особенно хорошо эта граница видна в креативе. Модели умеют воспроизводить известные паттерны и быстро создавать большое количество вариантов. Но им сложнее работать с юмором, культурным контекстом, действительно неожиданными идеями или резкими изменениями общественных настроений.

Поэтому я бы не ставил вопрос так: «Когда ИИ заменит специалиста?» Более практичный вопрос — какие задачи специалист сможет передать технологии и за счет этого сосредоточиться на том, где его экспертиза действительно создает дополнительную ценность.

— После первой волны интереса к генеративному ИИ на рынке появилось некоторое разочарование: оказалось, что далеко не каждый пилот превращается в работающий бизнес-инструмент. Почему?

— Я бы скорее говорил не о разочаровании, а о взрослении рынка. Мы постепенно переходим от этапа, когда сам факт использования ИИ воспринимался как достижение, к более прагматичному вопросу: какую конкретно бизнес-задачу решает технология и какой измеримый результат она дает?

Одно из первоначальных ожиданий заключалось в том, что ИИ позволит достаточно быстро автоматизировать целые функции и существенно сократить затраты. На практике оказалось, что автоматизировать отдельную задачу значительно проще, чем заменить сложный рабочий процесс целиком.

И проблема далеко не всегда в качестве самой модели. Для промышленного внедрения нужны данные, интеграция с существующими системами, инфраструктура, контроль качества, безопасность, а во многих случаях — участие человека.

Поэтому считать только стоимость отдельного обращения к модели неправильно. Необходимо оценивать полную стоимость внедрения и эксплуатации и сопоставлять ее с получаемым экономическим эффектом.

— Особенно много сейчас говорят об ИИ-агентах. С ними возникает та же проблема?

— Во многом да. Создать работающий прототип ИИ-агента сегодня относительно просто. Гораздо сложнее добиться того, чтобы он надежно работал длительное время — с реальными данными, нестандартными ситуациями и в ответственных бизнес-процессах.

Именно на этом этапе становятся заметны вопросы интеграции, качества данных, контроля и стоимости эксплуатации.

Поэтому то, что часть ранних проектов не оправдала первоначальных ожиданий, я бы не воспринимал как свидетельство снижения потенциала ИИ. Скорее рынок начинает точнее понимать, где эта технология действительно полезна, а где ее внедрение пока не дает достаточного эффекта.

— Тогда какой главный критерий вы бы использовали при выборе задачи для внедрения ИИ в рекламе?

— Должна быть понятная бизнес-задача и возможность измерить результат. Технология ради технологии быстро перестает быть интересной.

Для Adtech это особенно актуально, потому что рекламная индустрия в значительной степени построена вокруг измеримости. Если применение ML или ИИ позволяет эффективнее использовать бюджет, повышать качество трафика, ускорять запуск кампании или снимать с человека значительный объем рутинной работы, тогда у внедрения есть понятный смысл.

Но оценивать его нужно по результату, а не по самому факту использования искусственного интеллекта.

В конечном счете ценность ИИ для рекламного рынка будет определяться не количеством запущенных пилотов и даже не сложностью моделей, а тем, насколько эффективно эти технологии встроятся в ежедневную работу рекламодателя и специалиста.