AI সারাংশ থাকলে ব্যবহারকারীরা সাধারণ ওয়েবপৃষ্ঠায় ক্লিক করার সম্ভাবনা প্রায় অর্ধেক হয়ে যায়। পিউ রিসার্চ সেন্টারের মার্কিন ব্যবহারকারীদের Google-এ বৃহৎ পরিসরের ব্রাউজিং আচরণের বিশ্লেষণে দেখা গেছে: AI সারাংশ থাকলে ব্যবহারকারীদের প্রচলিত অনুসন্ধান ফলাফলে ক্লিক করার হার 15% থেকে সরাসরি 8% এ পতন হয়।[1]
ব্যবহারকারীরা কথোপকথনের মধ্যে অন্বেষণ এবং তুলনা করছেন, এবং বিজ্ঞাপনগুলিও সেখানে স্থানান্তরিত হয়েছে। OpenAI আনুষ্ঠানিকভাবে ChatGPT Ads চালু করেছে, এবং Google এও AI Overviews-এ বিজ্ঞাপন চালু করেছে, যেখানে তারা উত্তরগুলির সাথে স্পনসরযুক্ত কার্ড যোগ করে সার্চ ইঞ্জিনের যুগের মডেলটিকে সরাসরি অনুসরণ করছে। [2, 3] তবে তথ্য প্রাপ্তির প্যারাডাইমের পরিবর্তন বিজ্ঞাপনের আকৃতি নিয়ে পুনরায় চিন্তা করতে বাধ্য করছে:
যখন তথ্য মাধ্যম পুরো পৃষ্ঠার অনুসন্ধানের ফলাফল থেকে বাস্তবসময়ে তৈরি একটি উত্তরে পরিণত হয়, বিজ্ঞাপনগুলির জন্য কী নিলাম করা উচিত?
তিন দশক ধরে, অনলাইন বিজ্ঞাপন একটি ডিফল্ট ধারণার উপর ভিত্তি করে গড়ে উঠেছে: বিজ্ঞাপনের জায়গা প্রথমে থাকে, তারপর নিলাম দিয়ে নির্ধারণ করা হয় কে এটি পাবে। অনুসন্ধানের ফলাফলের ক্রম, ফিডের কোন প্রদর্শন—সবই পূর্বনির্ধারিত সুযোগ। কিন্তু বড় মডেলের উত্তর অক্ষরে অক্ষরে তৈরি হয়: কোনো ব্র্যান্ডটি উপযুক্ত কি না, কোথায় উপস্থিত হবে, কীভাবে উপস্থাপন করা হবে—সবকিছুই আগের লেখা বিষয়বস্তুর উপর নির্ভরশীল। এমনকি, মূল্যের কথা আগে বলা না অভিজ্ঞতার কথা আগে বলা—এটি পণ্যটির উপরে সম্পূর্ণভাবে ভিন্ন প্রভাব ফেলতে পারে।

চিত্র 1: জেনারেটিভ ইনফরমেশন মিডিয়ামে, বিজ্ঞাপনের সুযোগ কোথায় উত্থিত হয়, কে এটি পায়, এবং কীভাবে প্রদর্শিত হয়, এগুলি মার্কেটিং ফলাফল এবং ব্যবহারকারীর অভিজ্ঞতাকে প্রভাবিত করে।
অতএব, এটি শুধুমাত্র বিজ্ঞাপনের সুযোগ পূরণ করে না, বরং বিজ্ঞাপনের সুযোগ গঠনও করে। এই নতুন প্যারাডাইমে, অধ্যয়নগুলি ইতিমধ্যেই অনুচ্ছেদ-স্তরের বিজ্ঞাপন সন্নিবেশ, প্রার্থী উত্তর নিলামের মতো নিলাম পদ্ধতি অন্বেষণ করছে, এবং রেনমিনহুই এবং স্ট্যানফোর্ড বিশ্ববিদ্যালয়ের গবেষকদল বড় মডেল-ন্যাটিভ বিজ্ঞাপনের প্রতিদ্বন্দ্বিতাকে টোকেন-ভিত্তিক উত্পাদন প্রক্রিয়ায় আরও এগিয়ে নিয়েছে।
তারা প্রস্তাব করেছে LAMA, যা কনটেন্ট জেনারেশন এবং বিজ্ঞাপন বণ্টনকে একসাথে বিকশিত করে: প্রতিটি টোকেন জেনারেট হওয়ার সময়, এটি প্রতিক্রিয়াটি কীভাবে অগ্রসর হবে তা রিয়েল-টাইমে প্রভাবিত করে এবং চূড়ান্তভাবে কার বিজ্ঞাপন প্রদর্শিত হবে তা প্রভাবিত করে। এটিই এই কাজের মূল ধারণা—জেনারেশন হিসাবে বণ্টন (Generation as Allocation)।

টোকেন-লেভেল বিজ্ঞাপন
লেখক: হানবিং লিউ, বোয়েই জাং, চাংয়ুয়ান ইউ, ইনয়ু ইয়ে, কি কি
পিপলস ইউনিভার্সিটি অফ চাইনা, গাওলিং আর্টিফিশিয়াল ইন্টেলিজেন্স স্কুল, স্ট্যানফোর্ড ইউনিভার্সিটি
লিঙ্ক: https://arxiv.org/abs/2608.27382
প্রতিটি অক্ষর লেখার জন্য বড় মডেল
এটি একটি একক বিডিং প্রক্রিয়া।
বিজ্ঞাপন নিলামকে টোকেন স্তরে নিয়ে আসুন, যেখানে বিজ্ঞাপনদাতারা শুধুমাত্র শেষ প্রদর্শনের সুযোগ নয়, বরং পরবর্তীতে কোন দিকে এগিয়ে যাবেন তা নিয়েও প্রতিদ্বন্দ্বিতা করবে। উদাহরণস্বরূপ, ছুটির গন্তব্যের প্রস্তাবনা দিলে, প্রথমে যাতায়াতের কথা বলা নাকি আবাসনের কথা বলা, এটি পরবর্তী প্রতিদ্বন্দ্বিতায় বিভিন্ন বিজ্ঞাপনদাতাদের জন্য সুবিধা তৈরি করতে পারে। ফলে বিজ্ঞাপনদাতাদের জন্য নতুন কৌশলগত সুযোগও খুলে গেল: তারা শুধুমাত্র বর্তমান উৎপাদনকে প্রভাবিত করতে রিপোর্টগুলি সমন্বয় করতে পারবে, বরং ইতিমধ্যে লেখা বিষয়বস্তুর ভিত্তিতে পরবর্তী কৌশলগুলি সময়মতো পরিবর্তনও করতে পারবে।
এটি প্রক্রিয়ার জন্য বেশি প্রয়োজনীয়তা তৈরি করে: বিজ্ঞাপনদাতাকে শুরুতেই সত্যিকারের মূল্যের তথ্য প্রদানের জন্য উৎসাহিত করা প্রয়োজন, এবং এটি তৈরির সময়ও সত্য বলতে থাকা প্রয়োজন। একইসাথে, উত্তরটি শুধুমাত্র বিডের সাথে মানিয়ে নেওয়ার জন্য ব্যবহারকারীর মূল প্রশ্ন থেকে বিচ্যুত হওয়া উচিত নয়।
LAMA-এর পূর্ণরূপ হলো Latent Advertiser Mixture Auction, অর্থাৎ "সম্ভাব্য বিজ্ঞাপনদাতা মিশ্র নিলাম"। এটি বিজ্ঞাপনদাতাদের বর্তমান টেক্সটের ভিত্তিতে "পরবর্তীতে এভাবে লিখলে আমার জন্য কতটা মূল্যবান হবে" তা রিপোর্ট করতে দেয়, এবং মূল ভাষা মডেলের সাথে মিলিয়ে প্রতিটি বিজ্ঞাপনদাতার পছন্দের অনুযায়ী জেনারেটিভ স্ট্র্যাটেজি তৈরি করে। প্ল্যাটফর্মটি এইভাবে প্রতি Token-এর জন্য উত্তর জেনারেট করে, এবং প্রতিটি বিজ্ঞাপনদাতার শেষপর্যন্ত দৃশ্যমানতা পাওয়ার সম্ভাবনা নিরন্তর আপডেট করে: যতটা নতুনভাবে লেখা কোনো বিজ্ঞাপনদাতার পছন্দের দিকের সাথে মিলবে, ততটাই তার বণ্টনের সম্ভাবনা বেড়ে যায়। উত্তরটি শেষ হওয়ার পর, চূড়ান্ত সম্ভাবনা অনুযায়ী বিজয়ীকে বাইরের লিঙ্ক বা স্পনসরড কার্ডের মতো ফরম্যাটে দৃশ্যমানতা দেওয়া হয়। বাস্তবায়নের সময়, এই মূল্যবানতা রিপোর্টগুলি প্ল্যাটফর্ম-সides-এর মডেলগুলির দ্বারা অটোমেটিকভাবে গণনা করা যেতে পারে, যা আজকের বিজ্ঞাপন সিস্টেমগুলিতে Auto-bidding (অটো-বিডিং) সার্ভিসের মতো।

চিত্র 3: LAMA-এর কার্যপ্রক্রিয়া। প্রতিটি টোকেন উত্পাদনের সময় ক্রমানুসারে রিপোর্ট, জেনারেট এবং আপডেট সম্পন্ন করা হয়, এবং উত্তর উত্পাদন শেষ হওয়ার পরে চূড়ান্ত বণ্টন এবং সেটেলমেন্ট সম্পন্ন করা হয়।
বিজ্ঞাপনদাতাদের এই প্রক্রিয়ার মধ্যে পথ পাল্টানো থেকে কীভাবে বাঁচা যায়? LAMA এই জেনারেটিভ প্রক্রিয়ার জন্য সুনির্দিষ্টভাবে স্থানীয় রিপোর্ট যাচাই এবং পেমেন্ট নিয়ম ডিজাইন করেছে।
যাচাইকরণ হল পূর্ববর্তী এবং পরবর্তী রিপোর্টগুলির মধ্যে সামঞ্জস্যতা নিশ্চিত করা: বিজ্ঞাপনদাতার পরবর্তী বিভিন্ন সংস্করণের মূল্য বিচারকে সংকলন করে, এটি পূর্ববর্তী বর্তমান টেক্সটের রিপোর্টের সাথে মিলতে হবে। প্ল্যাটফর্মটি প্রতিটি ধাপে শুধুমাত্র একবার স্থানীয়ভাবে যাচাই করলেই বিজ্ঞাপনদাতাকে নিজের মতামত যেকোনোভাবে পরিবর্তন করতে বাধা দেওয়া যায়। পেমেন্টটি উৎপাদন প্রক্রিয়ার সাথে সামঞ্জস্যপূর্ণভাবে সমন্বয় করা হয়: যদি কোনো ধাপে বিজ্ঞাপনদাতার জন্য দৃশ্যমানতা পাওয়ার সম্ভাবনা এবং পরবর্তী মূল্যকে একসাথে বিবেচনা করলে এটি বেশি লাভজনক হয়, তবে সংশ্লিষ্ট খরচ উৎপন্ন হয়; যদি এটি কম লাভজনক হয়, তবে সাবসিডি প্রদান করা হয়, এবং প্রাথমিক খরচের সাথে মিলিয়ে চূড়ান্ত জমা-বিজমা সম্পন্ন করা হয়। এভাবে, উৎপাদনকে প্রভাবিত করা, দৃশ্যমানতা অর্জনের জন্য চেষ্টা করা, এবং খরচ বহন করা—এইসবকেই একসাথে সংযুক্ত করা হয়।
এই প্রক্রিয়াটি মার্কোভ ডিএসআইসি (Markov DSIC) উদ্দীপনা সামঞ্জস্যতা পূরণ করে: যেকোনো অন্যান্য বিজ্ঞাপনদাতা যেকোনো সম্ভাব্য কৌশল ব্যবহার করুক না কেন, যদি একজন বিজ্ঞাপনদাতা আগে সত্যি প্রতিবেদন করে থাকে, তবে যেকোনো অর্জনযোগ্য উৎপাদন অবস্থায়, সত্যি প্রতিবেদন করতে থাকা অন্য যেকোনো সম্ভাব্য কৌশলে স্যুইচ করার চেয়ে খারাপ হবে না। অর্থাৎ, সততা শুধুমাত্র শুরুর বিডের জন্যই প্রযোজ্য নয়, বরং উত্তরের উৎপাদন প্রক্রিয়াজুড়েও প্রযোজ্য।
এর সাথে সাথে, LAMA-এর সামাজিক কল্যাণ গ্যারান্টি রয়েছে: বিজ্ঞাপনের মূল্য থেকে মূল উত্তর থেকে বিচ্যুতির শাস্তি বিয়োগ করে লক্ষ্য নির্ধারণ করা হয়, এবং এটি আদর্শ সেরা পদ্ধতির সাথে পার্থক্যের জন্য স্পষ্ট তাত্ত্বিক সীমা রয়েছে। এটি পদ্ধতিকে বাণিজ্যিক মূল্যের পিছনে ছোটার সময় বিজ্ঞাপনের দ্বারা ব্যবহারকারীর অভিজ্ঞতার উপর প্রভাবকে সীমাবদ্ধ করে।
প্রতিটি ধাপ কীভাবে লেখা হয়, শেষ পর্যন্ত কার প্রকাশ পায় এবং কতটা পরিশোধ করা হয়—LAMA সেগুলিকে একই মেকানিজমের মধ্যে নিয়ে আসে। এটিই “জেনারেট টু ডিস্ট্রিবিউট”-এর অর্থ।
তত্ত্বটি খুব ভালো
কতটা প্রাকৃতিক ফলাফল পাওয়া যায়?
গবেষণা দল তিনটি সাধারণ পরিস্থিতি—ফিটনেস, ছুটি এবং গাড়ি—কে কভার করে এমন একটি তিন-বিজ্ঞাপনদাতা প্রতিযোগিতামূলক পরিবেশে 1239টি বাস্তব ব্যবসায়িক অনুসন্ধান প্রশ্ন নিয়ে Webis Generated Native Ads 2024 ডেটাসেট থেকে ধারণার প্রমাণ প্রস্তুত করেছে।
পরীক্ষাটি Qwen3-14B কে রেফারেন্স ভাষা মডেল হিসেবে ব্যবহার করে এবং LoRA প্রশিক্ষণের মাধ্যমে বিজ্ঞাপনদাতাদের শেয়ার করা রিপোর্ট মডেল পাওয়া যায়। বিজ্ঞাপনের মূল্য হল ওপেন-সোর্স প্রেডিকশন মডেল দ্বারা পূর্বানুমান করা মূল্য, এবং ব্যবহারকারীর অভিজ্ঞতা GEM-Bench দ্বারা প্রদত্ত সংশ্লিষ্টতা, তথ্যপূর্ণতা, প্রবাহময়তা ও সামঞ্জস্যতা, বিজ্ঞাপনের প্রাকৃতিকতা, বিজ্ঞাপনের তথ্যগত সঠিকতা এবং আক্রমণাত্মকতা ইত্যাদি মানদণ্ডগুলির উপর ভিত্তি করে সমন্বিতভাবে মূল্যায়ন করা হয়। বেসলাইন পদ্ধতিগুলির মধ্যে রয়েছে জেনারেশনের আগে এবং পরে দুটি বণ্টন পদ্ধতি, যা মূল কনটেন্ট, সম্পাদিত-সন্নিবেশিত, এবং রিইনফোর্সমেন্ট লার্নিং স্ট্র্যাটেজি—এই তিনটি জেনারেশন পদ্ধতির সাথে মিলিত, এবং MOSAIC—এই উত্তর-স্তরের সংকলন পদ্ধতি।

চিত্র 4: প্রধান পরীক্ষার টেবিল
LAMA চারটি মেট্রিকেই সর্বোচ্চ পৌঁছেছে, যা প্ল্যাটফর্মের আয় (+10.7%) এবং বিজ্ঞাপনদাতার মূল্য (+3.8%) উভয়কেই বাড়িয়েছে এবং ব্যবহারকারীর অভিজ্ঞতাকে কোনোভাবেই ক্ষতি করেনি।
বিশ্বের সেরা বিচ ছুটির জন্য একটি জিজ্ঞাসা দেখুন: “best beach vacations in the world”। বিজ্ঞাপন মেকানিজম ছাড়া রেফারেন্স উত্তরটি শুধুমাত্র গন্তব্য এবং পরিকল্পনা ফ্যাক্টরগুলির কথা বলে; LAMA-এর উত্তরে প্রথমে Expedia এবং পরে Tripadvisor উল্লেখ করা হয়েছে, যেখানে বিজ্ঞাপনদাতারা প্রক্রিয়ার সময় নিয়ন্ত্রণ বদলাচ্ছে, কিন্তু উত্তরটি এখনও প্রাকৃতিক, প্রবাহমান এবং রেফারেন্স উত্তরের মতোই মূল্যবান তথ্য প্রদান করে।

চিত্র 5: ছুটির পরিস্থিতিতে উত্তরের নমুনা, কমলা রঙে হাইলাইট করা বাক্যগুলি হাইপারলিঙ্কের জন্য বরাদ্দ করা টেক্সট ইন্টারভ্যাল।
জেনারেশন শেষে, ট্রিপঅ্যাডভাইজরের বণ্টন সম্ভাবনা উল্লেখযোগ্যভাবে বেড়ে যায় এবং এই উত্তরে এটি চূড়ান্ত বিজয়ী হিসাবে নির্বাচিত হয়।
কেন ট্রিপঅ্যাডভাইজর? লেখার বিষয়বস্তু অনুযায়ী, এক্সপেডিয়া প্রথম অংশে মালদ্বীপ, বালি এবং ক্যারিবিয়ান সহ গন্তব্যগুলির জন্য একটি ব্র্যান্ড অ্যানকর হিসেবে ব্যবহৃত হয়েছে; ট্রিপঅ্যাডভাইজর-এর উল্লেখটি সরাসরি ব্যাখ্যা করে যে পণ্যটি কী করতে পারে: গন্তব্যগুলি তুলনা করা, পর্যটকদের মন্তব্য দেখা, আবাসন এবং অভিজ্ঞতা ছাঁটাই করা—এটি একটি আরও সম্পূর্ণ মূল্য প্রকাশ করে। এবং প্ল্যাটফর্মের বণ্টন সম্ভাবনা আপডেটটি এই বিষয়টি সঠিকভাবে ধরে নিয়েছে।
গবেষণা দল একটি সহজে বোঝা যায় এমন বিডিং বিক্ষোভ পরীক্ষাও পরিচালনা করেছে: অন্যান্য বিজ্ঞাপনদাতাদের রিপোর্টগুলি অপরিবর্তিত রেখে, শুধুমাত্র লক্ষ্য বিজ্ঞাপনদাতার রিপোর্টটিকে প্রকৃত মানের উপরে বা নিচে সমানভাবে সরানো হয়েছিল। ফলাফলগুলি সহজেই বোঝা যায়: যত বেশি বিড করা হয়, তত বেশি Token-এর অনুপাত, বণ্টনের সম্ভাবনা এবং প্রদান হয়। তবে, প্রকৃত প্রত্যাশিত উপযোগিতা অসীমভাবে বৃদ্ধি পায়নি; এটি শুধুমাত্র সৎ রিপোর্টিংয়ের সময়ই শীর্ষে পৌঁছায়। মিথ্যা রিপোর্টের মাধ্যমে বিড বাড়ানোর ফলে প্রভাবের জন্য বেশি স্থান পাওয়া যায়, কিন্তু উচ্চতর প্রদানের কারণে এটি ক্ষতিকর, যা “উদ্দীপনা-সঙ্গত” তত্ত্বের গ্যারান্টির মাধ্যমেই নিশ্চিত।

চিত্র 6: উত্পাদনের অংশ, বণ্টন এবং পেমেন্ট রিপোর্টের সাথে বৃদ্ধি পায়, এবং সততার ক্ষেত্রে প্রকৃত প্রত্যাশিত উপযোগিতা সর্বোচ্চ হয়।
শেষ কথা
জেনারেটিভ বিজ্ঞাপনগুলি কোথায় প্রযোজ্য? একটি প্রাকৃতিক স্থান হল যেখানে ব্যবহারকারী ইতিমধ্যেই ব্যবসায়িক পরামর্শের অপেক্ষায় থাকে: কেনাকাটা করার সময় ডিজিটাল গাইডের মাধ্যমে পণ্যগুলির তুলনা করা, ভ্রমণের সময় হোটেল বাছাই করা, বা স্মার্ট এজেন্টের মাধ্যমে দৈনিক কাজের প্রবাহে ব্যবহৃত পেইড টুলগুলির বাছাই করা। যখন ব্যবসায়িক তথ্যটি ব্যবহারকারীর প্রকৃত প্রয়োজনকে প্রতিক্রিয়া জানায় এবং স্পষ্টভাবে বিজ্ঞাপনের সীমানা চিহ্নিত করা হয়, এবং উত্তরের কার্যকরী, বস্তুনিষ্ঠ তথ্যকে নষ্ট করে না, তখন এটি গ্রহণযোগ্যতা বৃদ্ধি পায়।
লামা যা অনুসন্ধান করছে, তা হলো এই দৃষ্টিভঙ্গির অধীনে এই কার্যপ্রণালীটি কীভাবে বাস্তবায়িত করা যায়: বিজ্ঞাপনদাতাদের উত্পাদন প্রক্রিয়ায় প্রতিযোগিতা করতে দেওয়া, একইসাথে নিয়মের মাধ্যমে কৌশলগত আচরণকে সীমাবদ্ধ করা এবং ব্যবসায়িক মূল্য এবং উত্তরের গুণমানকে ভারসাম্যপূর্ণ করা।
অতীতে, প্রতিযোগিতা নির্ধারণ করত যে কে একটি ইতিমধ্যে বিদ্যমান বিজ্ঞাপন স্থান পাবে। আজকাল, এই ক্রিয়াকলাপ বিজ্ঞাপনের সুযোগগুলির উত্তরে কীভাবে গঠন হবে তা নির্ধারণ করতে পারে। "স্থান বরাদ্দ" থেকে "উত্তরের মধ্যেই বরাদ্দ" -এর দিকে এগিয়ে, LAMA বড় মডেল-নেটিভ বিজ্ঞাপন ক্রিয়াকলাপের জন্য একটি নতুন ডিজাইন পথ প্রদান করে।
লেখকের তথ্য
লিউ হানবিং (প্রথম লেখক): পিপলস ইউনিভার্সিটি অফ চাইনা, গাওলিং আর্টিফিশিয়াল ইন্টেলিজেন্স স্কুলের তৃতীয় বর্ষের মাস্টার্স ছাত্র, যার পরামর্শদাতা প্রফেসর চি চি, যিনি জেনারেটিভ আর্টিফিশিয়াল ইন্টেলিজেন্সের মধ্যে ইন্টেলিজেন্ট ডিসিশন-মেকিং এবং মেকানিজম ডিজাইনের উপর গবেষণা করেন, ২০২৭ সালে স্নাতকোত্তর ডিগ্রি অর্জনের পরিকল্পনা। তাঁর কাজ WINE, ACL, SIGMOD-এর মতো শীর্ষস্থানীয় কনফারেন্সগুলিতে প্রকাশিত হয়েছে।
হোমপেজ: https://tokgoleo.github.io/home/
চি চি (প্রধান যোগাযোগকারী): চিনা জাতীয় উচ্চ পর্যায়ের যুব পেশাদার, স্ট্যানফোর্ড বিশ্ববিদ্যালয় থেকে ডক্টরেট সম্পন্ন করেন, যেখানে তিনি প্রফেসর ইয়ে ইনযুরের শিষ্য ছিলেন। তিনি হুইং আর্টিফিশিয়াল ইন্টেলিজেন্স স্কুল, রেনমিন বিশ্ববিদ্যালয়ের স্থায়ী অধ্যাপক এবং CCF কম্পিউটেশনাল ইকোনমিক্স কমিটির ডেপুটি চেয়ারম্যান (এক্সিকিউটিভ) এবং অফিস প্রধান। তাঁর গবেষণার ক্ষেত্রগুলির মধ্যে রয়েছে অ্যালগরিদমিক গেম থিওরি এবং মেকানিজম ডিজাইন, বড় মডেল এবং এজেন্ট, মাল্টি-এজেন্ট সিস্টেম, অপটিমাইজেশন এবং ইন্টেলিজেন্ট ডিসিশন-মেকিং। তাঁর গবেষণা MS, OR, MOR, GEB, TR-B এবং CCF-A ক্লাস কনফারেন্স STOC, ICML, NeurIPS, ICLR, ACL, AAAI, KDD, SIGIR, WWW-এর মতো শীর্ষস্থানীয় জার্নালগুলিতে প্রকাশিত। তিনি বাইডু, আলিবাবা, টেনসেন্ট, মেইটুয়ান, বাইটডান্স, ডি-লি, হুয়াওয়েই, OPPO-এর মতো কোম্পানিগুলির সাথে দীর্ঘদিন ধরে গভীরভাবে সহযোগিতা করছেন, যেখানে অনলাইন বিজ্ঞাপন, ইন্টেলিজেন্ট মার্কেটিং, কুপন অপটিমাইজেশন এবং ব্যবহারকারীর বৃদ্ধির মতো মূলভিত্তিক ব্যবসায়িক কাজগুলির সাথে, 100-কোটিরও বেশি ব্যবহারকারীর বাস্তব-জগতের পরিস্থিতির মধ্যে বড় মডেল, মেকানিজম ডিজাইন এবং মাল্টি-এজেন্ট ডিসিশন-মেকিংটিরও।
হোমপেজ: https://ai.ruc.edu.cn/szdw/zrjs/qq/index.htm
প্রসঙ্গ
1. পিউ রিসার্চ সেন্টার, ২০২৫-০৭-২২: গুগল ব্যবহারকারীদের ফলাফলে এআই সারাংশ দেখা গেলে লিঙ্কে ক্লিক করার সম্ভাবনা কম। https://www.pewresearch.org/short-reads/2025/07/22/google-users-are-less-likely-to-click-on-links-when-an-ai-summary-appears-in-the-results/
2. OpenAI সহায়তা কেন্দ্র, ChatGPT-এ বিজ্ঞাপন, 2026-09-04 তারিখে অ্যাক্সেস করা হয়েছে: https://help.openai.com/en/articles/20001047-ads-in-chatgpt
3. গুগল এডস এবং কমার্স, 2025-05-21: https://blog.google/products/ads-commerce/google-search-ai-brand-discovery
এই পোস্টটি ওয়েইচ্যাট গ্রুপ "মেশিন ইন্ডাস্ট্রি" থেকে আসছে
