L’intelligence artificielle (IA) joue un rôle central dans la façon dont Google détermine quelles annonces apparaissent en réponse à une recherche et comment elles sont classées.
La société utilise une infrastructure sophistiquée d’apprentissage automatique (ML) pour gérer presque tous les aspects de son système de recherche sur les publicités – de la compréhension des requêtes utilisateur au classement des annonces en fonction de la valeur et de l’engagement.
Voici ce que nous avons appris des expositions de procès révélées dans l’affaire antitrust du ministère américain de la Justice (DOJ) contre Google.
Deux piliers AI: LLMS et LEMS
Le système de Google repose principalement sur deux types de modèles d’IA:
- LLMS (grands modèles de langue) – Celles-ci sont responsables de l’interprétation de l’intention des utilisateurs et du contexte de la requête. Ils alimentent les premières étapes du processus publicitaire, notamment:
- Comprendre les requêtes utilisateur (NLU – Compréhension du langage naturel).
- Identifier les annonces pertinentes.
- Estimation de la pertinence de la publicité.
- Lems (modèles d’apprentissage) – Ces modèles dominent les étapes ultérieures et sont conçues pour l’optimisation et la prédiction:
- Prédire les taux de clics (PCTR), les taux de conversion (PCVR) et les valeurs de conversion.
- Personnaliser les créatifs d’annonces.
- Déterminer les valeurs d’appel d’offres pour les annonceurs à l’aide de la biding automatique.
Comment Google classe les publicités en utilisant l’IA
Le classement des publicités est basé sur un calcul appelé LTV (valeur à vie), qui combine trois facteurs principaux:
- Potentiel de revenus. Ce que Google et l’annonceur devaient gagner.
- Impact de l’utilisateur. Quelle est la probabilité que l’annonce soit de fournir une bonne expérience à l’utilisateur.
- Valeur de l’annonceur. L’offre et le retour attendu pour l’annonceur.
Les modèles d’IA de Google traitent les étapes suivantes pour arriver à un classement final:
- Interpréter et récupérer: LLMS comprennent d’abord la requête et récupérer les annonces potentiellement pertinentes.
- Filtre: Les annonces de mauvaise qualité ou non pertinentes sont filtrées, principalement pour les avantages des utilisateurs.
- Composition créative: L’IA personnalise les formats d’annonces, en particulier pour des verticales spécifiques comme les achats ou les voyages.
- Enchère: LEMS définit automatiquement les offres pour les annonceurs en fonction des résultats prévus.
- Enchères et classement: Les annonces sont classées à l’aide de la métrique LTV, fortement influencée par les prédictions axées sur l’IA.
Pourquoi l’IA compte pour les publicités Google
Google utilise l’IA pour améliorer considérablement son efficacité et son efficacité:
- Élévation des performances: LEMS contribue à 85 à 90% des revenus supplémentaires à long terme pour mille impressions (LT-RPM), ce qui les rend essentiels au succès publicitaire de Google.
- Spam et prévention de la fraude: L’IA détecte les modèles de clics inhabituels et empêche les conversions frauduleuses.
- Expérience utilisateur: En prédisant si les utilisateurs resteront sur la page de destination (GoodClick), l’IA aide à s’assurer que les annonces améliorent plutôt que de nuire à l’expérience de recherche.
- Optimisation de la confidentialité: Google utilise l’IA pour générer des signaux comportementaux anonymisés (par exemple, «X-Men» Embeddings) pour personnaliser les annonces tout en maintenant la confidentialité des utilisateurs.
Ex-Googler Commentaires: Nous avons abordé l’entraîneur des annonces ex-google et de Google Jyll Saskin Gales à propos de ce document. Elle a clairement vu de nouvelles informations sur la façon dont le score de qualité est dérivé:
- «Selon qui vous demandez, le score de qualité est soit une métrique extrêmement importante, soit complètement hors de propos.
- Mon interprétation de ce DOC est que la qualité des publicités et l’expérience utilisateur sont plus importantes que jamais.
- Bien que les trois composants du score de qualité qui nous disent ne soient pas directement mentionnés ici, le bon signal de clic sous-tend clairement ce que nous connaissons sous le nom d’expérience de la page de destination.
- Le filtre de pertinence montre clairement comment l’IA détermine désormais la pertinence et les prédicteurs d’engagement sont également clairement énoncés (PCTR = CTR). »
Conclusion
L’IA joue un rôle important dans la façon dont Google exploite son système d’annonces de recherche. En intégrant des technologies telles que les modèles de grands langues (LLM) et les modèles d’apprentissage-bénéfice (LEMS), Google est capable de traiter de grands volumes de requêtes de recherche, d’identifier les annonces potentiellement pertinentes et de les classer sur une gamme de signaux prédictifs.
Ces modèles aident à améliorer la pertinence des annonces présentées aux utilisateurs, à prendre en charge les stratégies d’appel d’offres automatisées pour les annonceurs et à rationaliser la prise de décision sur le pipeline publicitaire.
Bien que ces systèmes puissent améliorer l’efficacité et la personnalisation, ils augmentent également des considérations plus larges – telles que la façon dont les classements publicitaires sont déterminés, la façon dont le comportement des utilisateurs est modélisé et le niveau d’annonceurs et d’utilisateurs de contrôle dans le processus.
Alors que l’IA continue d’évoluer, son rôle dans la formation de la publicité restera probablement au centre des intérêts publics, réglementaires et de l’industrie.
