محققان ابزاری مبتنی بر یادگیری ماشین (Machine Learning) به نام AdGazer ساختهاند که پیش از آنکه آگهی اصلاً به شما نمایش داده شود پیشبینی میکند آیا شما واقعاً به یک تبلیغ دیجیتال نگاه خواهید کرد یا خیر. این ابزار در واقع مدلی است که توجه انسان به تبلیغات را با استفاده از هوش مصنوعی آموزشدیده بر اساس ردیابی چشم (Eye-tracking) پیشبینی میکند.
به گزارش میهن بلاکچین، یافتههای این پژوهش نشان میدهد که محتوای پیرامون یک تبلیغ، تا ۳۳ درصد در جلب توجه مخاطبان نقش دارد. این نسخه آزمایشی (Demo) آکادمیک که امروز مورد توجه قرار گرفته است، میتواند به سرعت از یک طرح پژوهشی به یک ابزار کاربردی در صنعت فناوری تبلیغات (Ad-Tech) تبدیل شود.
در فاصلهی میان مقالهای که هماکنون مطالعه میکنید و آگهی تبلیغاتی که در کنار آن قرار دارد، یک رقابت پنهان برای جذب نگاه شما برقرار است. واقعیت این است که اکثر آگهیهای نمایشی در این نبرد شکست میخورند؛ چراکه کاربران به طور کلی از تبلیغات گریزان هستند. این موضوع تا حدی جدی است که غولهای حوزه هوش مصنوعی نظیر پرپلکسیتی (Perplexity) یا آنتروپیک (Anthropic) در تلاش هستند تا از این روشهای مزاحم فاصله بگیرند و به دنبال مدلهای بهتری برای درآمدزایی باشند.
با این حال، یک ابزار جدید در حوزه ایجنت هوش مصنوعی که توسط محققان دانشگاه مریلند و تیلبرگ توسعه یافته، قصد دارد این وضعیت را تغییر دهد. این ابزار با دقتی بسیار بالا پیشبینی میکند که آیا شما واقعاً به یک آگهی خیره خواهید شد یا خیر؛ آن هم دقیقاً پیش از آنکه تبلیغکننده بخواهد هزینهای برای قرار دادن آگهی در آن صفحه وب پرداخت کند. امروز، این فناوری میتواند تحول بزرگی در نحوه تعامل کاربران با فضای دیجیتال ایجاد کند.
این ابزار که ادگیزر (AdGazer) نام دارد، با بررسی همزمان خودِ آگهی و محتوای صفحه وب که آن را احاطه کرده است، فعالیت میکند. این سیستم بر اساس حجم عظیمی از دادههای قدیمی در حوزه تحقیقات تبلیغاتی، پیشبینی میکند که یک بیننده معمولی چه مدت زمانی به آن آگهی و نشان تجاری خیره خواهد شد.
تیم سازنده AdGazer، این سیستم را با استفاده از دادههای ردیابی چشم که از ۳,۵۳۱ آگهی نمایشی دیجیتال به دست آمده، آموزش داده است. در این فرآیند، افراد واقعی با استفاده از تجهیزات ردیابی چشم، صفحات وب را مرور کردند تا الگوهای نگاه آنها با دقت ثبت شود. در نهایت، AdGazer امروز از تمامی این اطلاعات برای یادگیری و درک دقیق رفتار مخاطب استفاده میکند تا بفهمد کاربران دقیقاً به چه بخشهایی توجه بیشتری نشان میدهند.
زمانی که این سیستم روی آگهیهای کاملاً جدید آزمایش شد، توانست میزان توجه مخاطبان را با ضریب همبستگی ۰.۸۳ پیشبینی کند. به زبان ساده، این یعنی پیشبینیهای AdGazer در حدود ۸۳ درصد مواقع با الگوهای واقعی نگاه انسان مطابقت داشته است. برخلاف سایر ابزارهایی که تنها روی خودِ آگهی تمرکز میکنند، AdGazer تمام محتوای صفحه پیرامون آن را نیز بررسی میکند.
برای مثال، یک آگهی ساعت لوکس زمانی که در کنار یک مقاله اخبار مالی قرار میگیرد، عملکرد متفاوتی نسبت به زمانی دارد که در کنار نوار اعلان نتایج ورزشی نمایش داده میشود. بر اساس این مطالعه که در ژورنال بازاریابی بررسی شده است، بستر محیطی حداقل ۳۳ درصد در جذب توجه مخاطب نقش دارد. همچنین حدود ۲۰ درصد از مدت زمانی که بینندگان به طور خاص به یک برند نگاه میکنند، به همین فضای اطراف آگهی بستگی دارد. این یافته برای فعالان حوزه بازاریابی که تصور میکردند تنها طرح خلاقانه آگهی وظیفه جذب مخاطب را دارد، یک تغییر الگوی فکری بزرگ محسوب میشود.
سیستم AdGazer از یک مدل زبانی بزرگ چندوجهی برای استخراج موضوعات اصلی و کلیدی از آگهی و محتوای صفحه پیرامون آن استفاده میکند. سپس میزان مطابقت معنایی آنها را بررسی میکند؛ به این معنا که تحلیل میکند محتوای خود آگهی تا چه اندازه با فضایی که در آن قرار گرفته هماهنگ است.
این مفاهیم موضوعی استخراجشده وارد یک مدل ریاضی پیشرفته به نام ایکس جی بوست (XGBoost) میشوند تا با جزئیات ظاهری و بصری آگهی ترکیب شده و در نهایت، امتیاز نهایی میزان توجه مخاطب را محاسبه کنند. محققان همچنین یک رابط کاربری به نام Gazer 1.0 طراحی کردهاند که در آن می&zw
