쾌수 광고 플랫폼의 혁신: 생성형 자동 입찰 시스템 GAS


Li Yewen 등 9명의 연구원이 개발한 GAS(Generative Auto-bidding with Post-training Search)는 쾌수 광고 플랫폼에서 실제 A/B 테스트를 통해 목표 비용을 1.554% 증가시키는 성과를 달성한 혁신적인 생성형 자동 입찰 시스템입니다. 기존 생성형 모델의 데이터 품질 저하 및 소수 선호도 일반화 문제를 해결하기 위해 Post-training Search 기법을 활용하였으며, 다양한 선호도에 대한 적응력과 계산 효율성을 향상시켰습니다.

related iamge

온라인 광고의 핵심, 바로 자동 입찰 시스템입니다. 최근 트렌드는 바로 생성형 자동 입찰입니다. 트랜스포머나 디퓨저와 같은 모델을 이용해 조정 가능한 조건에 따라 입찰가를 생성하는 방식이죠. 데이터로부터 최적 전략을 학습하고 선호도에 유연하게 적응한다는 장점이 있습니다. 하지만… 문제가 있습니다.

Li Yewen 등 9명의 연구원이 발표한 논문 "GAS: Generative Auto-bidding with Post-training Search"에 따르면, 생성형 모델은 데이터 품질 저하로 인해 조건, 예상 수익, 실제 행동 가치 간의 불일치 문제를 겪습니다. 특히 장기적인 의사결정 과정에서는 더욱 심각해지죠. 게다가 데이터셋 내 다수의 선호도가 소수 광고주 선호도에 대한 모델의 일반화 능력을 저해합니다.

고품질 데이터를 수집하여 여러 모델을 재훈련하는 방법도 있지만, 비용이 너무 많이 듭니다. 이러한 문제를 해결하기 위해 연구팀은 GAS(Generative Auto-bidding with Post-training Search) 를 제안했습니다. 기본 정책 모델의 출력을 개선하고 다양한 선호도에 적응하는 유연하고 실용적인 시스템입니다.

GAS는 어떻게 작동할까요? 약한-강한 검색 정렬을 통해 이루어집니다. 각기 다른 선호도에 맞춰 작은 크리틱 모델들을 학습하고, MCTS(Monte Carlo Tree Search)에서 영감을 받은 검색 알고리즘을 사용하여 모델 출력을 개선합니다. 특히, 정책 지표로 학습된 트랜스포머 기반 크리틱을 이용한 새로운 투표 메커니즘을 통해 검색 정렬 성능을 향상시켰습니다. 또한, 계산 효율성을 고려하여 고빈도 선호도 시나리오에 대한 미세 조정 방법도 제공합니다.

실제 쾌수 광고 플랫폼의 데이터와 온라인 A/B 테스트 결과는 GAS의 효과를 명확히 보여줍니다. 목표 비용이 무려 1.554% 증가하는 놀라운 성과를 거두었습니다!

이 연구는 단순히 새로운 기술을 제시하는 것을 넘어, 현실 세계의 문제를 해결하고 실제 플랫폼에 적용 가능한 AI 기술의 발전을 보여주는 훌륭한 사례입니다. 앞으로 생성형 AI가 온라인 광고 시장에 어떤 변화를 가져올지 기대됩니다.


*이 기사는 AI가 생성한 내용으로, 일부 정보가 실제와 다를 수 있습니다. 정확한 확인을 위해 추가적인 검증을 권장드립니다.

Reference

[arxiv] GAS: Generative Auto-bidding with Post-training Search

Published:  (Updated: )

Author: Yewen Li, Shuai Mao, Jingtong Gao, Nan Jiang, Yunjian Xu, Qingpeng Cai, Fei Pan, Peng Jiang, Bo An

http://arxiv.org/abs/2412.17018v1