Araştırmacılar, Yapay Zeka Üretimli Reklamlar İçin Token Düzeyinde İhale Öneriyor

icon MarsBit
Paylaş
AI summary iconÖzet
Renmin Üniversitesi Gao Ling AI Okulu ve Stanford'dan araştırmacılar, LAMA adlı yeni bir token düzeyi ilan açık artırma sistemi önerdi. Mekanizma, ilan tekliflerini AI içerik üretimiyle entegre ederek reklamverenlerin içerik yönünü etkilemesine izin verir. LAMA, dürüst raporlamayı garanti altına alır ve kullanıcı deneyimini ticari değerle dengeler. Testler, içeriğin kalitesini düşürmeden platform gelirlerini ve reklamveren getirilerini artırdığını gösterdi. Bu geliştirme, artan AI + kripto haber trendinin bir parçasıdır ve alanda yeni token listelemelerini destekleyebilir.

Arama sonuçlarında AI özeti göründüğünde, kullanıcıların normal web sayfalarını açma olasılığı neredeyse yarıya iniyor. Pew Research Center, ABD kullanıcılarının Google'da yaptığı geniş çaplı gezinme davranışlarını analiz ederek, AI özeti varken kullanıcıların geleneksel arama sonuçlarını tıklama oranının %15'ten doğrudan %8'e düştüğünü tespit etti. [1]

Kullanıcılar diyalogda keşif yaparak karşılaştırma yapıyor ve reklamlar da bununla birlikte taşındı. OpenAI, ChatGPT Reklamları'nı resmen başlatmış; Google da AI Özetlere reklamları dahil etti ve cevaplara sponsor kartları ekleyerek arama motoru dönemini doğrudan sürdürüyor. [2, 3] Ancak bilgi edinme biçimindeki değişim, reklam formatını yeniden düşünmeye zorluyor:

Bilgi arama aracısı tam sayfa arama sonuçlarından gerçek zamanlı olarak üretilen bir cevaba dönüşürken, reklamlar neye ihale edilmelidir?

Otuz yıl boyunca çevrimiçi reklamcılık, reklam alanlarının önceden var olduğu ve ihalelerin kimin bunu kazanacağını belirlediği varsayımına dayanıyordu. Arama sonuçlarındaki sıralama, bilgi akışındaki hangi gösterimler, önceden tanımlanmış fırsatlar idi. Ancak büyük modellerin yanıtları harf harf oluşturulur: Bir markanın yer alıp almayacağı, nerede yer alacağı ve nasıl tanıtılacağı, daha önce yazılanlara bağlıdır. Hatta fiyat mı yoksa deneyim mi önce konuşulacağı, ürünün tamamen farklı bir izlenim bırakmasına neden olabilir.

Çevrimiçi reklam

Şekil 1: Üretken bilgi ortamlarında, reklam fırsatlarının nerede ortaya çıkacağı, kimin tarafından elde edileceği ve nasıl sunulacağı, pazarlama etkisini ve kullanıcı deneyimini birlikte etkiler.

Bu nedenle, üretmek sadece reklam fırsatlarını doldurmaktan ziyade, reklam fırsatlarını şekillendirmektedir. Bu yeni paradigmada, mevcut araştırmalar paragraf düzeyinde reklam ekleme, aday cevap ihalesi gibi ihale yöntemlerini araştırmaya başlamıştır; Pekin Üniversitesi GaoLing ve Stanford Üniversitesi'nden araştırmacılar, büyük modellerin doğuştan reklam rekabetini Token bazında üretim sürecine kadar ilerletmiştir.

Önerdikleri LAMA, içerik üretimi ile reklam dağıtımını birlikte geliştirir: Her bir Token üretildiğinde, cevabın nasıl devam edeceği gerçek zamanlı olarak etkilenir ve aynı zamanda reklam görünürlüğünün nihai sahibi de belirlenir. Bu çalışma, temel fikir olarak üretimin dağıtım olması (Generation as Allocation) önerisini sunar.

Çevrimiçi reklam

Token Düzeyinde Reklamcılık

Yazarlar: Hanbing Liu, Bowei Zhang, Changyuan Yu, Yinyu Ye, Qi Qi

Çin Halk Cumhuriyeti Üniversitesi Yüksek H瓴 Yapay Zeka Enstitüsü, Stanford Üniversitesi

Bağlantı: https://arxiv.org/abs/2608.27382

Büyük model her harf yazdığında

Hepsi bir tekil teklif sürecidir.

Reklam ihalesini Token seviyesine taşıyın, reklam verenler sadece son görünürlük fırsatı için değil, sonraki yazım yönünü belirlemek için de rekabet ediyor. Örneğin, tatil destinasyonu önerirken, ulaşımı mı önce konuşmak yoksa konaklamayı mı, farklı reklam verenlerin sonraki rekabette avantaj kazanmasına neden olabilir. Bu da reklam verenlere yeni bir stratejik alan sunuyor: Sadece raporu düzenleyerek mevcut üretimi etkilemekle kalmıyor, aynı zamanda yazılmış içeriğe göre sonraki stratejilerini anında değiştirebiliyorlar.

Bu, mekanizmaya daha yüksek bir talep getiriyor: Reklam verenlerin başlangıçta gerçek değer bilgilerini sunmaya istekli olmaları gerektiği gibi, üretim süreci boyunca da doğruyu söylemeye devam etmeleri gerekiyor. Aynı zamanda, cevaplar yalnızca tekliflere uyum sağlamak için kullanıcı orijinal sorusundan sapmamalı.

LAMA, Latent Advertiser Mixture Auction'un kısaltmasıdır, yani "Potansiyel Reklam Verenler Karışık İhale". Bu sistem, reklam verenlere mevcut metne göre "Bir sonraki satırı bu şekilde yazmak benim için ne kadar değerli?" sorusunu yanıtlamalarını sağlar ve orijinal dil modeliyle birleştirerek her reklam verenin tercihlerine uygun üretim stratejilerini oluşturur. Platform, her Token için yanıtı adım adım üretir ve her reklam verenin nihai görünürlük olasılığını sürekli günceller: Yeni yazılan içerik, bir reklam verenin tercihlerine ne kadar uygunsa, ona atanacak olasılık o kadar yüksektir. Yanıt tamamlandıktan sonra, nihai olasılıklara göre kazanan seçilir ve bağlantı veya sponsor kartları gibi biçimlerde görünürlük sağlanır. Gerçek dünyada uygulandığında, bu değer raporları, platform tarafındaki modeller tarafından otomatik teklif (Auto-bidding) hizmetleri gibi hesaplanabilir.

Çevrimiçi reklam

Şekil 3: LAMA'nın çalışma süreci. Her Token üretimi sırasında raporlama, üretme ve güncelleme adımları sırayla tamamlanır ve cevap üretimi tamamlandığında nihai dağıtım ve hesaplaşma gerçekleştirilir.

Reklam verenlerin bu süreci "ara sıra değiştirmesini" nasıl önleyebiliriz? LAMA, bu üretim süreci için özel olarak yerel rapor doğrulama ve ödeme kuralları tasarladı.

Doğrulama, önceki ve sonraki raporların uyumunu kontrol eder: Reklam verenin bir sonraki adımdaki farklı yazılımların değerini değerlendirmesi, önceki metin için yapılan raporla tamamen uyumlu olmalıdır. Platform, her adımda yalnızca bir yerel doğrulama yaparak reklam verenin rastgele tutum değiştirmesini engeller. Ödeme, üretme sürecine göre ayarlanır: Bir adımda reklam verenin görünürlük elde etme olasılığı ve sonraki değer birlikte daha avantajlı hale gelirse ilgili ücret oluşur; daha az avantajlı hale gelirse sübvansiyon sağlanır ve başlangıç ücretiyle birlikte sonuçlandırılır. Böylece, üretimi etkileme, görünürlük kazanma ve maliyet taşıma birbirine bağlanır.

Bu mekanizma, Markov DSIC (Markov İstihdam Uyumlu) teşvik uyumluluğunu sağlar: Diğer ilan verenler hangi uygun stratejiyi seçerse seçsin, bir ilan verenin önceki durumda dürüstçe rapor vermesi durumunda, herhangi bir ulaşılabilecek üretimsel durumda, dürüstçe rapor vermeye devam etmek, daha sonraki adımlarda başka bir uygun stratejiye geçmekten daha kötü olamaz. Yani, dürüstlük sadece başlangıç teklifinde değil, cevapların üretimi boyunca da geçerlidir.

Aynı zamanda, LAMA'nın sosyal refah garantisi de vardır: reklam değeri ile orijinal cevaptan sapmanın ceza terimi arasındaki fark hedeflenir ve bu, ideal en iyi mekanizmayla olan farkının teorik olarak sınırlı olduğunu gösterir. Bu, mekanizmanın ticari değeri takip ederken reklamların kullanıcı deneyimine olan etkisini de sınırlar.

Her adımdan nasıl yazılacağına, nihayetinde kimin görünürlük kazanacağı ve ne kadar ödenmeye karar verilmesine kadar, LAMA bunları aynı mekanizmaya dahil eder. Bu tam olarak “üret ve dağıt” anlamına gelir.

Teori çok mükemmel

Gerçek etki nasıl?

Araştırma ekibi, kavram kanıtı için Webis Generated Native Ads 2024 veri kümesinden 1.239 gerçek ticari arama sorgusu seçti ve bu sorgular, her biri üç reklam verenin rekabet ettiği üç yaygın senaryoyu kapsıyor: fitness, tatil ve otomobil.

Denemeler, Qwen3-14B'nin referans dil modeli olarak kullanılması ve LoRA eğitimiyle reklam verenlerin paylaştığı rapor modelinin elde edilmesiyle gerçekleştirilmiştir. Reklam değeri, açık kaynaklı tahmin modeli tarafından tahmin edilen değerlere dayanmaktadır; kullanıcı deneyimi ise GEM-Bench tarafından sağlanan ilgilik, bilgililik, akıcılık ve tutarlılık, reklamın doğal olması, reklamın gerçekçiliği ve girdaplaştırıcılığı gibi göstergelere göre kapsamlı olarak değerlendirilmiştir. Taban yöntemler, orijinal içerik, düzenlenmiş ekleme ve pekiştirmeli öğrenme stratejileri olmak üzere üç üretim yöntemiyle birlikte, önce ve sonra iki atama biçimi ile MOSAIC adlı cevap düzeyindeki toplama mekanizmasını içermektedir.

Çevrimiçi reklam

Şekil 4: Ana deney tablosu

LAMA, dört endikatörde de en yüksek puana ulaştı, platform geliri (+10,7%) ve reklam veren değeri (+3,8%) arasında kazan-kazan bir sonuç elde ederken kullanıcı deneyimini tamamen korudu.

Dinlenme senaryosundaki bir sorguyu inceleyelim: “best beach vacations in the world (dünyanın en iyi plaj tatil yerleri)”. Reklam mekanizması içermeyen referans cevap yalnızca varış noktalarını ve planlama faktörlerini ele alır; LAMA tarafından oluşturulan cevapta ilk kısımda Expedia, son kısımda ise Tripadvisor yer alır. Üretim sürecinde reklam verenler sürekli olarak kontrolü değiştirir, ancak oluşturulan cevap hâlâ doğal ve akıcıdır ve referans cevabı gibi değerli bilgiler sunar.

Çevrimiçi reklam

Şekil 5: Tatil sahnesindeki cevap örneği, turuncuyla vurgulanmış cümleler, bağlantı verilen metin aralıklarıdır.

Üretim tamamlandıktan sonra, Tripadvisor'nın dağıtım olasılığı önemli ölçüde daha yüksek oldu ve bu yanıtta nihai kazanan olarak seçildi.

Neden Tripadvisor? Metin içeriğine bakıldığında, Expedia ilk bölümlerde Maldivler, Bali ve Karayipler gibi destinasyonları tanıtmak için bir marka referansı gibi görünüyor; Tripadvisor'a atıfta bulunan cümle ise ürünün ne yapabildiğini doğrudan açıklıyor: destinasyonları karşılaştırmak, turist yorumlarını incelemek, konaklama ve deneyimleri filtrelemek—daha tam bir değer ifadesi sunuyor. Ve platformun dağıtım olasılığı güncellemesi bu noktayı hassas bir şekilde yakaladı.

Araştırma ekibi, diğer reklamveren raporlarını sabit tutarak hedef reklamverenin raporunu gerçek değerden yukarı veya aşağı doğru özlü bir teklif bozma deneyi de gerçekleştirdi. Sonuçlar doğrudan beklendiği gibi oldu: daha yüksek teklif vermek, katkıda bulunduğu Token oranı, tahsis olasılığını ve ödemenin miktarını artırdı. Ancak gerçek beklenen fayda sonsuza kadar artmadı; tam olarak dürüst raporlama anında zirveye ulaştı. Fiyatı artırmak için yanlış rapor vermek, yanıtlarda daha fazla etki kazanmayı sağlasa da, daha yüksek ödemeler nedeniyle maliyeti fazla oluyor ve bu tam olarak “teşvik uyumlu” teorik garantisinin sağladığı özelliktir.

Çevrimiçi reklam

Şekil 6: Üretim oranı, dağıtım ve ödeme, raporlamadaki artışla birlikte artar; gerçek beklenti faydası dürüstlükte maksimuma ulaşır.

Sonuç

Hangi durumlarda üretken reklamlar uygun olur? Doğal bir yerleşim yeri, kullanıcıların zaten ticari öneri aradığı senaryolardır: alışveriş yaparken dijital rehberlerle ürünleri karşılaştırmak, seyahat ederken otel seçmek veya akıllı ajanların günlük iş akışlarında kullanılan ücretli araçları seçmesi. Ticari bilgiler, kullanıcının gerçek ihtiyaçlarını yanıtladığında ve açık bir reklam sınırı etiketiyle, cevabın etkili nesnel gerçeklerini bozmadığında, daha fazla kabul görür.

LAMA, bu vizyon altındaki mekanizmayı nasıl gerçekleştirebileceğini araştırır: reklam verenlerin üretim sürecinde rekabet etmesini sağlarken, stratejik davranışları kurallarla sınırlayarak ticari değeri ve cevap kalitesini dengelemek.

Geçmişte, açık artırma, var olan bir reklam pozisyonunu kimin alacağını belirliyordu. Bugün, mekanizma, cevaplar içinde reklam fırsatlarının nasıl oluşturulacağını da belirleyebiliyor. “Pozisyon atama”dan “oluştur ve ata”ya geçişle, LAMA, büyük modeller için yerel reklam mekanizmaları için yeni bir tasarım yolu sunuyor.

Yazar bilgisi

Liu Hanbing (birinci yazar): Pekin İnsan Bilimleri Üniversitesi, GaoLing Yapay Zeka Enstitüsü, üçüncü sınıf yüksek lisans öğrencisi, danışmanı Prof. Qi Qi; araştırma alanları, üretken yapay zekada akıllı karar verme ve mekanizma tasarımı; mezuniyet yılı 2027. Çalışmaları WINE, ACL, SIGMOD gibi üst düzey konferanslarda yayınlanmıştır.

Ana Sayfa: https://tokgoleo.github.io/home/

Qi Qi (İletişim yazarı): Pekin İnsan Bilimleri Üniversitesi, Gaoling Yapay Zeka Enstitüsü'nde kalıcı profesör, Ulusal Düzeyde Üstün Genç Yetenek, CCF Hesaplamalı Ekonomi Komitesi Başkan Yardımcısı (Yürütücü) ve Ofis Müdürü. Doktorasını Stanford Üniversitesi'nde Ye Yinyu Profesör'ün danışmanlığında tamamladı. Araştırma alanları arasında algoritmik oyun teorisi ve mekanizma tasarımı, büyük modeller ve ajanlar, çoklu ajan sistemleri, optimizasyon ve akıllı karar verme yer alır. Çalışmaları, MS, OR, MOR, GEB, TR-B gibi üst düzey dergilerde ve STOC, ICML, NeurIPS, ICLR, ACL, AAAI, KDD, SIGIR, WWW gibi CCF-A sınıfı konferanslarda yaygın olarak yayımlanmıştır. Aynı zamanda百度,阿里,腾讯,美团,字节,滴滴,华为,OPPO gibi şirketlerle uzun süredir derin iş birliği yapmakta olup, çevrimiçi reklamcılık, akıllı pazarlama, kupon optimizasyonu ve kullanıcı büyümesi gibi temel iş süreçleri kapsamında büyük modeller, mekanizma tasarımı ve çoklu ajan karar verme teknolojilerinin milyarlarca kullanıcı ölçekli gerçek senaryolarda uygulanmasını sağlamaktadır.

Ana sayfa: https://ai.ruc.edu.cn/szdw/zrjs/qq/index.htm

Kaynaklar

1. Pew Research Center, AI özetinin sonuçlarda görünmesi durumunda Google kullanıcılarının bağlantıları tıklama olasılığı daha düşüktür, 2025-07-22: 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 Yardım Merkezi, ChatGPT'de Reklamlar, erişim tarihi 2026-09-04: https://help.openai.com/en/articles/20001047-ads-in-chatgpt

3. Google Reklamları ve Ticaret, Google Arama'da işiniz için daha fazla fırsat, 2025-05-21: https://blog.google/products/ads-commerce/google-search-ai-brand-discovery

Bu yazı WeChat hesabından "Makine Kalbi" gelmiştir

Yasal Uyarı: Bu sayfadaki bilgiler üçüncü şahıslardan alınmış olabilir ve KuCoin'in görüşlerini veya fikirlerini yansıtmayabilir. Bu içerik, herhangi bir beyan veya garanti olmaksızın yalnızca genel bilgilendirme amacıyla sağlanmıştır ve finansal veya yatırım tavsiyesi olarak yorumlanamaz. KuCoin, herhangi bir hata veya eksiklikten veya bu bilgilerin kullanımından kaynaklanan sonuçtan sorumlu değildir. Dijital varlıklara yapılan yatırımlar riskli olabilir. Lütfen bir ürünün risklerini ve risk toleransınızı kendi finansal koşullarınıza göre dikkatlice değerlendirin. Daha fazla bilgi için lütfen Kullanım Koşullarımıza ve Risk Açıklamamıza bakınız.