<стр>Google Реклама незаметно внедряет новую мощную модель искусственного интеллекта, которая лучше выявляет нарушения правил и вредоносную деятельность.
Google опубликовал исследовательскую работу о новой модели искусственного интеллекта для обнаружения мошенничества в системе Google Ads, которая является значительным улучшением по сравнению с той, которую они использовали ранее. Интересно то, что исследовательская статья от 31 декабря 2025 г. говорит, что внедрен новый ИИ, что привело к повышению уровня обнаружения более чем на 40 процентных пунктов и достижению точности 99,8% по конкретным политикам.
ALF: Большая фундаментальная модель рекламодателя
<п>Новый ИИ называется ALF (модель большого фонда рекламодателя), подробности о которой были опубликованы 31 декабря 2025 года. ALF — это мультимодальная большая базовая модель, которая анализирует текст, изображения и видео, а также такие факторы, как возраст аккаунта, платежные реквизиты и исторические показатели эффективности.
Исследователи объясняют, что многие из этих факторов по отдельности не помечают учетную запись как потенциально проблемную, но сравнение всех этих факторов вместе позволяет лучше понять поведение и намерения рекламодателя.
Они пишут:
<блоковая цитата><п>«Основной задачей в этой экосистеме является точное и эффективное понимание намерений и поведения рекламодателей. Это понимание имеет решающее значение для нескольких ключевых приложений, включая сопоставление пользователей с рекламой и выявление мошенничества и нарушений политики.
<стр>Решение этой проблемы требует целостного подхода, обработки различных типов данных, включая структурированную информацию об учетной записи (например, возраст учетной записи, платежные данные), креативные ресурсы мультимодальной рекламы (текст, изображения, видео) и содержимое целевой страницы.
Например, у рекламодателя может быть недавно созданная учетная запись, текстовые и графические объявления известного крупного бренда, и однажды ему был отклонен платеж по кредитной карте. Хотя каждый элемент может существовать изолированно, комбинация явно указывает на мошенническую операцию.”
<п>Исследователи решают три проблемы, которые предыдущие системы не смогли преодолеть:
<п><сильный>1. Гетерогенные и многомерные данные
Гетерогенные данные относятся к тому факту, что данные рекламодателя представлены в нескольких форматах, а не только в одном типе. Сюда входят структурированные данные, такие как возраст аккаунта и тип платежа, а также неструктурированные данные, такие как творческие ресурсы, такие как изображения, текст и видео. Многомерные данные относятся к сотням или тысячам точек данных, связанных с каждым рекламодателем, в результате чего математическое представление каждого из них становится многомерным, что создает проблемы для традиционных моделей.
<п><сильный>2. Неограниченные наборы творческих ресурсов
Рекламодатели могут иметь тысячи творческих ресурсов, таких как изображения, и скрывать один или два вредоносных ресурса среди тысяч невинных ресурсов. Этот сценарий превзошел предыдущую систему.
<п><сильный>3. Реальная надежность и надежность
Система должна иметь возможность генерировать достоверные оценки уверенности в том, что у компании есть злонамеренные намерения, поскольку в противном случае ложное срабатывание могло бы повлиять на невиновного рекламодателя. Следует ожидать, что система будет работать без необходимости постоянной перенастройки для выявления ошибок.
<ч2>Конфиденциальность и безопасность <п>Хотя ALF анализирует конфиденциальные сигналы, такие как история счетов и данные учетной записи, исследователи подчеркивают, что система разработана с соблюдением строгих мер защиты конфиденциальности. Прежде чем ИИ обработает какие-либо данные, вся личная информация (PII) удаляется. Это гарантирует, что модель идентифицирует риск на основе поведенческих моделей, а не конфиденциальных личных данных.
Секретный соус: как он выявляет отклонения
<п>В модели также используется метод под названием «Межвыборочное внимание». улучшить свои навыки обнаружения. Вместо того, чтобы анализировать отдельного рекламодателя в вакууме, ALF рассматривает «более крупные группы рекламодателей». сравнить их взаимодействие друг с другом. Это позволяет ИИ узнать, как выглядит нормальная деятельность во всей экосистеме, и сделать его более точным в обнаружении подозрительных выбросов, которые не вписываются в нормальное поведение.
Alf превосходит производственные показатели
Исследователи объясняют, что их тесты показывают, что ALF превосходит сильно настроенную производственную базу:
<блоковая цитата><п>“Наши эксперименты показывают, что ALF значительно превосходит сильно настроенную базовую версию, а также показывает высокие результаты в общедоступных тестах. В производстве ALF обеспечивает существенный и одновременный прирост точности и полноты, повышая полноту более чем на 40 процентных пунктов по одной важной политике и повышая точность до 99,8% по другой.”
Этот результат демонстрирует, что ALF может обеспечить измеримые преимущества по множеству критериев оценки в реальных реальных производственных условиях, а не только в автономной или тестируемой среде.
В другом месте упоминается компромисс в скорости:
<п>“Эффективность этого подхода была подтверждена на исключительно прочной производственной базе, что само по себе является результатом обширного поиска по различным архитектурам и гиперпараметрам, включая DNN, ансамбли, GBDT и логистическую регрессию с перекрестным исследованием функций.
Хотя задержка ALF выше из-за большего размера модели, она остается в пределах приемлемого диапазона для нашей производственной среды и может быть дополнительно оптимизирована с помощью аппаратных ускорителей. Эксперименты показывают, что ALF значительно превосходит базовый уровень при выполнении ключевых задач по обнаружению рисков. Повышение производительности обусловлено его уникальной способностью целостно моделировать встраивание контента, которую более простые архитектуры с трудом могли использовать. Этот компромисс оправдан его успешным развертыванием, когда ALF ежедневно обслуживает миллионы запросов».
Задержка относится к количеству времени, которое требуется системе для выдачи ответа после получения запроса, и данные исследователя показывают, что, хотя ALF увеличивает это время ответа по сравнению с базовым уровнем, задержка остается приемлемой для производственного использования и уже работает в масштабе, обеспечивая при этом значительно лучшую производительность обнаружения мошенничества.
Улучшенное обнаружение мошенничества
Исследователи говорят, что ALF теперь развернут в системе безопасности Google Ads для выявления рекламодателей, нарушающих политику Google Ads. Нет никаких признаков того, что система используется где-то еще, например, в Поиске или профилях компаний в Google. Но они сказали, что будущая работа может быть сосредоточена на временных факторах («временная динамика») для выявления развивающихся закономерностей. Они также отметили, что это может быть полезно для моделирования аудитории и творческой оптимизации.
<стр>Читать оригинальную PDF-версию исследовательской работы:
