Yahoo nasadilo Bedrock na rozširovanie reklamných tém, výsledky filtruje cez podobnosť

Yahoo zmodernizovalo rozširovanie kľúčových slov vo svojej reklamnej platforme DSP pomocou veľkého jazykového modelu prevádzkovaného cez Amazon Bedrock. Nejde iba o výmenu jedného modelu za druhý. Firma prebudovala časť produkčného postupu tak, aby generatívna AI navrhovala nové výrazy, no o ich zaradení rozhodovala aj samostatná kontrola významovej podobnosti a pravidlá pre citlivý obsah. Prípadová štúdia AWS tak ukazuje praktický vzor nasadenia: model tvorí kandidátov, ale nie je jediným arbitrom ich kvality.

Search Retargeting v Yahoo DSP spája vyhľadávací zámer používateľa s reklamou v zobrazovacích, video a natívnych formátoch. Inzerent najprv definuje segment pomocou východiskových kľúčových slov a systém ich rozšíri o príbuzné výrazy, aby dokázal zachytiť väčšiu skupinu relevantných vyhľadávaní. Výsledné množiny sa ukladajú do Amazon OpenSearch Service a ďalší dávkový proces ich porovnáva s históriou vyhľadávania. Ide teda o súčasť dátovej a rozhodovacej infraštruktúry, nie o chatovú funkciu pre koncového používateľa.

Staršie riešenie používalo reprezentácie Word2Vec a vyhľadávanie pomocou lokalitne citlivého hašovania, označovaného LSH. Takýto postup vedel nájsť podobné frázy, no Yahoo podľa zverejneného opisu narážalo na zastaranú slovnú zásobu, slabšie rozpoznávanie konkrétnych entít a prílišný dôraz na povrchovú podobnosť. Pri niektorých vstupoch nevzniklo žiadne použiteľné rozšírenie. To je podstatný problém v reklame, kde sa slovník produktov, udalostí a používateľských záujmov mení rýchlo.

Tím preto cez SageMaker Studio porovnal viacero modelov vrátane Amazon Titan, Meta Llama a Anthropic Claude. Ako najvhodnejší pre danú úlohu vybral Claude 3.5 Sonnet v2, pričom hodnotil pomer medzi počtom navrhnutých rozšírení a ich významovou blízkosťou k pôvodným výrazom. Bedrock poskytol spoločnú serverovú vrstvu pre experimentovanie aj nasadenie bez toho, aby Yahoo muselo samostatne prevádzkovať každý model a riešiť jeho škálovanie či aktualizácie.

Samotný jazykový model však pri testoch vytváral aj nesúvisiace alebo príliš široké návrhy. Yahoo preto každý nový výraz opäť prevedie na vektorovú reprezentáciu a porovná ho s pôvodným kľúčovým slovom. Kandidáty pod nastaveným prahom podobnosti odstráni. Tento krok je dôležitý najmä pri zriedkavých alebo nejednoznačných výrazoch, pri ktorých môže model rozvinúť nesprávny význam a rozšíriť segment mimo zámeru inzerenta.

Druhou vrstvou sú ochranné pravidlá. Citlivé výrazy sa kontrolujú pred odoslaním požiadavky modelu aj po vygenerovaní výsledkov; systém zároveň rešpektuje zoznamy zakázaných segmentov, pravidlá platformy a nastavenia súkromia používateľov. Zverejnený návrh je preto bližší riadenému spracovateľskému potrubiu než voľnému generovaniu textu. Pre regulované alebo reputačne citlivé použitia je práve oddelenie tvorby, overenia a presadzovania pravidiel dôležitejšie než samotná voľba modelu.

Podľa údajov Yahoo a AWS dosiahol nový postup pri širokom rozširovaní päťnásobne vyšší medián pomeru rozšírenia a dvojnásobné maximum aj pri prísnych prahoch podobnosti. V niektorých prípadoch model vytvoril stovky až tisíce návrhov tam, kde starší LSH postup nevytvoril žiadny. Firma uvádza až 600-násobný rast miery rozširovania kľúčových slov a až päťnásobné zväčšenie adresovateľného publika. Tieto čísla pochádzajú od dodávateľov riešenia a bez nezávislého auditu ich treba chápať ako výsledky konkrétneho systému, nie ako všeobecnú garanciu pre každý reklamný scenár.

Produkčná funkcia bola podľa AWS spustená už v prvom štvrťroku 2025, kým aktuálny technický článok zverejňuje architektúru a výsledky až teraz. Novinkou teda nie je čerstvé zapnutie služby, ale detailnejší pohľad na to, ako Yahoo prešlo od klasického rozširovania slovníka ku kombinácii LLM, embeddingov, OpenSearch a dávkového vyhodnocovania. Tento časový rozdiel je dôležitý: opisuje systém, ktorý mal prejsť reálnou prevádzkou, nie iba laboratórny prototyp.

Pre ďalšie podniky je najprenosnejším poznatkom spôsob kontroly. Generatívny model môže pokryť nový slovník a významové súvislosti, no kvalitu výstupu chráni merateľný filter, samostatné pravidlá a možnosť spätne sledovať jednotlivé kroky. Rovnaký vzor sa dá použiť pri vyhľadávaní, odporúčaniach, klasifikácii dokumentov či tvorbe metadát. Organizácia by však mala prahy a metriky kalibrovať na vlastných dátach a sledovať nielen počet nových kandidátov, ale aj falošné zhody, diskriminačné dopady a zmeny správania po aktualizácii modelu.

Prípad Yahoo zároveň ukazuje, že modernizácia nemusí znamenať zahodenie klasických metód. Vektorové reprezentácie a kosínusová podobnosť zostali v architektúre ako kontrolná vrstva, zatiaľ čo LLM prevzal tvorivú časť rozšírenia. Praktický prínos vzniká z kombinácie techník: generatívna AI zväčšuje priestor možností, tradičné meranie ho zužuje a pravidlá určujú hranice použitia. Práve takáto viacvrstvová architektúra je realistickejšia cesta k spoľahlivému nasadeniu než očakávanie, že jeden model vyrieši tvorbu aj overenie sám.