Vidmob如何利用生成性AI转变其创意数据领域

关键要点

在这篇文章中，我们概述了Vidmob如何与AWS的生成性AI创新中心GenAIIC合作，利用生成性AI深入分析创意数据，从而提升市场营销效果。Vidmob通过构建面向客户的聊天界面，简化了创意表现数据的查询和分析，最终目标是提高客户的决策效率和营销效果。

生成性人工智能AI可以在营销中发挥重要作用，因为它能够生成个性化内容并利用预测分析优化广告定位。这种数据分析不仅可以预测趋势和公众情感，还可以个性化客户旅程，最终达到更有效的营销效果和业务推动。例如，通过对创意数据广告分析的洞察，可以揭示哪些创意效果最佳，并帮助理解其成功的原因。

在这篇博文中，我们将展示Vidmob，一家创意数据公司，如何与AWS生成性AI创新中心GenAIIC团队合作，利用Amazon Bedrock在规模上深入挖掘创意数据中的有意义洞察。这一合作涉及以下几个步骤：

Vidmob背景

Vidmob是一个创意数据公司，利用创意分析和评分软件，为市场营销人员和机构做出创意和媒体决策，努力通过提高创意效果来推动业务结果。Vidmob的影响力体现在其与数字广告领域的合作伙伴关系及原生集成，拥有数十种专有模型，并运营一个基于人类反馈的强化学习RLHF模型来提升创意效果。

Vidmob的AI之路

Vidmob不仅利用AI增强其创意数据能力，还在RLHF创意领域开创了新进展。通过将Amazon Rekognition等AI模型无缝集成到其创新技术栈，Vidmob始终保持在创意数据领域的前沿。

这段旅程超越了AI的简单采用；Vidmob始终意识到精心策划的差异化数据集重要性，以最大化其AI驱动解决方案的潜力。Vidmob认识到数据网络效应的内在价值，因此构建了一个产品和运营系统架构，旨在成为市场营销创意领域最全面的RLHF解决方案。

用例概述

Vidmob旨在用生成性AI彻底变革其分析领域。其核心目标是使客户能够通过聊天界面直接查询和分析其创意表现数据。在过去8年中，Vidmob积累了大量的数据，提供对广告活动中的创意价值深入的洞察以及增强表现的策略。Vidmob设想使客户能够轻松利用这些数据生成洞察并做出明智的创意策略决定。

目前，Vidmob及其客户依靠创意策略专家来解答这些与品牌相关的问题，辅以基于行业或环境级别的机器生成的规范性见解。这个过程通常需要创意策略专家消耗大量时间。为了改善客户体验，Vidmob决定与AWS GenAIIC合作，更快速和自动化地提供这些见解。

Vidmob与AWS GenAIIC合作分析广告数据，帮助Vidmob的创意策略专家理解客户广告的表现。Vidmob的广告数据由从Amazon Rekognition和其他内部模型生成的标签组成。由AWS GenAIIC构建的聊天机器人将这一标签数据用于提取见解。

以下是此次合作的关键成功标准：

然而，实现这些目标也面临一些挑战：

解决方案概述

AWS团队与Vidmob合作构建了一种无服务器架构，以处理来自客户的问题。解决方案使用了以下服务：

以下图示展示了当前解决方案的高层工作流程：

该工作流程包含以下步骤：

工作流程细节

在用户输入查询后，系统会自动创建一个提示并将其输入QA聊天机器人，从而输出响应。LLM提示的主要方面包括：

以下截图展示了用户可以输入客户及其广告相关问题的界面。

在后台，路由器用于确定作为参考来回答问题的上下文广告相关数据集。这取决于问题和客户，通过以下步骤完成：

输出结果如下图所示。

具体而言，输出包括最佳答复问题的元素，为什么该元素可能重要，以及对创意的相应提升百分比。

数据集

数据集包括与特定客户相对应的一组广告相关数据。具体而言，Vidmob分析客户广告活动，通过各种机器学习ML模型和AWS服务提取与广告相关的信息。关于每个广告活动的信息整理到一个单一的数据集中创意数据。数据集中记录了给定创意的每个元素在特定指标下的表现；例如，CTA对广告观看率的影响。使用了以下两个数据集：

如前所述，对于某个特定客户，有两种类型的数据集：基于目标和基于投放的数据。目标数据用于回答与广告有关的通用用户查询，如TikTok、Meta或Pinterest，而投放数据则用于回答诸如Facebook Reels、流媒体和新闻推送等Meta子频道内广告的特定问题。因此，如“我在Meta创意中的创意洞察是什么？”的问题是更为一般的，因此引用目标数据，而“Facebook News Feed的洞察是什么？”则参考投放数据中的News Feed统计信息。

目标数据集包含元素及其对应的平均百分比提升、创意数量、p值等，而投放数据则包含每个子频道的同样统计信息。

结果

Vidmob的策略专家评估了一组问题，主要针对以下指标：

针对过滤和未过滤数据的客户背景信息和一系列问题进行了评估。

总体而言，由Anthropic的Claude生成的客户背景输出了特定客户的价值主张、品牌身份和竞争优势。准确性和清晰度完美，而绝大多数样本的相关性也达到完美。完美的标准是由主题专家通过9/10或10/10的评分来确认。

在处理一组问题的回答时，响应普遍具有高清晰度，AWS GenAIIC通过添加额外的标签信息，将QA聊天机器人的准确性和相关性分别提高了10和5。总的来说，Vidmob预期将创意活动的见解生成时间从数小时减少到几分钟。

结论

在这篇文章中，我们分享了AWS GenAIIC团队如何在Amazon Bedrock上使用Anthropic的Claude从Vidmob的性能数据中提取和总结见解，利用零shot提示工程。通过这些服务，创意策略专家不仅能够通过LLM的内在知识理解客户信息，还能够回答用户查询，使用客户背景信息和标签类型如消息传递和品牌。这样的见解可以大规模获取，利用于提升广告活动的有效性。

此次合作的成功使Vidmob有机会利用生成性AI为客户创造更有价值的见解，同时减少时间开销，以实现更具可扩展性的解决方案。

这只是AWS使构建者能够交付基于生成性AI解决方案的方式之一。您可以立即开始使用Amazon Bedrock，看看它如何在示例代码库中集成。如果您对与AWS生成性AI创新中心合作感兴趣，请与AWS GenAIIC联系。

关于作者

Mickey Alon 是一位连续创业者，并且是《Mastering ProductLed Growth》的共同作者。他共同创立了Gainsight PXVista和InsighteraAdobe，后者是实时个性化引擎。他曾负责MarketoAdobe的全球产品开发团队，并目前担任Vidmob的CPTO，这是一个由GenAI驱动的领先创意智能平台。

Suren Gunturu 是一名数据科学家，在生成性AI创新中心工作，帮助各种AWS客户解决高价值业务问题。他专注于使用大型语言模型构建机器学习管道，主要通过Amazon Bedrock和其他AWS云服务实现。

Gaurav Rele 是生成性AI创新中心的高级数据科学家，负责与不同领域的AWS客户合作，加速他们使用生成性AI和AWS云服务，解决实际业务挑战。

Vidya Sagar Ravipati 是生成性AI创新中心的科学经理，凭借其在大规模分布式系统方面的丰富经验和对机器学习的热情，帮助AWS客户加速他们的AI和云采纳。