re:Invent 2024: BlueshiftとVidMobが語る広告・マーケティングのGenerative AI活用
はじめに
海外の様々な講演を日本語記事に書き起こすことで、隠れた良質な情報をもっと身近なものに。そんなコンセプトで進める本企画で今回取り上げるプレゼンテーションはこちら！
📖 AWS re:Invent 2024 - Generative AI in advertising and marketing with Blueshift and VidMob (ADM202)
この動画では、広告・マーケティング分野におけるGenerative AIの活用について、AWSのAdvertising and Marketing部門のCraig Miller氏が概要を説明し、BlueshiftとVidMobの事例が紹介されています。Blueshiftは、Amazon Bedrockを活用してパーソナライズされたコンテンツレコメンデーションを実現し、VidMobは1,800万本以上の動画をフレーム単位で分析し、Creative Data Distilleryと呼ばれるRAGアーキテクチャを構築しました。特にVidMobのAdobe製品向けプラグインでは、クリエイティブデータに基づいた広告制作の効率を25%改善し、バリエーション生成を10倍以上に増やすことに成功しています。Amazon Novaファミリーモデルの活用や、SageMakerによるデータサイエンスの実装など、具体的な技術活用事例も紹介されています。
※ 動画から自動生成した記事になります。誤字脱字や誤った内容が記載される可能性がありますので、正確な情報は動画本編をご覧ください。
※ 画像をクリックすると、動画中の該当シーンに遷移します。
re:Invent 2024関連の書き起こし記事については、こちらのSpreadsheet に情報をまとめています。合わせてご確認ください！
本編
Generative AIと広告・マーケティングの未来：セッション概要
おはようございます。皆様、Blueshift と VidMob による Ad M 202: Generative AI and Advertising and Marketing にお越しいただき、ありがとうございます。正しい会場にお越しいただけたことと思います。Mandalay Bay までお越しいただき、基調講演をスキップして広告とマーケティングのセッションに参加し、Generative AI について学ぼうとされている皆様の判断に感謝いたします - 素晴らしい選択です。私は AWS の Advertising and Marketing 部門の Global Solutions Portfolio Lead を務めております Craig Miller です。本日は、同僚の Global Head of Publisher Ad Tech の Stephanie Layser、Blueshift の Co-Founder および Chief AI Officer の Manyam Mallela、そして VidMob の Chief Product and Technology Officer の Mickey Alon をお迎えできることを大変嬉しく思います。皆様、ご参加ありがとうございます。
本日は充実したアジェンダをご用意しております。まず、Generative AI における広告とマーケティングのトレンドについてお話しします。続いて、お客様が Generative AI テクノロジーを広告やマーケティング関連のユースケースに成功裏に適用している事例をご紹介します。また、AWS が提供する Generative AI 関連の差別化されたサービスについてもご説明します。その後、お客様である Blueshift から、従来からある広告やマーケティングのユースケースに対して、どのように Generative AI テクノロジーを活用してマーケターを支援し、プラットフォームで成果を上げているかについてお話しいただきます。さらに、VidMob からは、AWS 上で Generative AI を活用して広告主の成功を支援している Creative Data テクノロジーについてご紹介いただき、最後にまとめで締めくくります。
Generative AIの進化と広告・マーケティングへの影響
Generative AI の全体的なトレンドについて、私たちは転換点にいます。2023年には、Generative AI が広告やマーケティング関連のユースケースにもたらす可能性について、大きな期待が寄せられました。昨年の re:Invent では、多くの方々が Titan モデルなどの画期的な開発についてお聞きになったことと思います。2023年を通じて、私たちは Generative AI で実現したいことの実証実験や取り組みについて耳にしてきました。そのイノベーションと変革は非常に初期段階でした。モデルの種類の変化や、それらのモデルをめぐるリーダーシップの変化など、私たちの分野での意味のあるユースケースを実現できるような大きな勢いと変化を目の当たりにしました - 初期段階で、多くの実証実験と手作業による介入が必要で、本当の意味で重要なスケールでの本番稼働には至っていませんでした。
2024年の現在、私たちはその変化を目の当たりにしています。これまでのイノベーションが実際に本番環境に移行し、意味のある結果を生み出し始めているのです。本日は Blueshift と VidMob からその実例をお聞きできることを楽しみにしています。彼らは、プラットフォームを利用する広告主やマーケターに力を与えるために、AWS の関連テクノロジーを活用してどのように機能を構築してきたかについて、その学びを共有してくださいます。私たちは、基盤モデルとデータを組み合わせることで、広告主に影響を与える差別化された結果を生み出す重要なトレンドを目にしています。特に、パーソナライゼーションやビジネスプロセスの効率化といったテーマで、多くの成果が見られています。
本日 Blueshift と VidMob から聞いていただく事例は、皆様が持ち帰って自身で試すことができるレシピとなるでしょう。本日ここにいらっしゃる皆様お一人お一人が、これらのプラットフォームのユーザーとして、あるいは構築者として、広告やマーケティング関連のユースケースに関心をお持ちだと確信しています。そして本日、これらの新しいテクノロジーを活用して意味のある成果を生み出す方法について、洞察を得ていただけるはずです。 この分野のすべてのお客様において、最終的により効率的になり、広告とマーケティングに関するビジネスプロセスを効率的に運用したいというトレンドが見られます。また、優れたカスタマーエクスペリエンスとパーソナライゼーションで消費者とエンゲージし、成果を上げたいと考えています。さらに、パブリッシャーの広告収益化ニーズに関する運用と収益化を改善したいと考えています。
AWSのGenerative AI技術と広告・マーケティングへの応用
Generative AIは、広告とマーケティングのバリューチェーン全体において、ブランド、広告主、マーケターからパブリッシャーに至るまで、長年の課題を解決する方法で活用されています。AWSはこのイノベーションを様々な方法でサポートしています。
私たちは、広告主やマーケターの皆さんがよくご存じの「適切な人に、適切なメッセージを、適切なタイミングで届ける」という古くからのマントラの実現を支援しています。そこには、データによって実現される意味のある測定可能な成果を生み出すという私たちの目標が含まれています。私たちは、消費者の反応を予測し、適切なメッセージを提供するタイミングを判断するための予測分析を可能にする技術を活用しています。AWSは、これらの成果を効率的に実現し、個々のカスタマージャーニーに基づいてパーソナライズされたコンテンツを作成できるような、個別化された意思決定を可能にするデータの規模での処理をサポートしています。
私たちはそれを様々な方法で実現しています。多くの方が昨日発表されたAmazon Novaファミリーモデルについてご存知かもしれません。これは昨年発表されたAmazon Titanモデルに続くものです。Amazon広告でクリエイティブ生成に活用されているNovaは、クリエイティブツールスイートを使用するAmazonマーケットプレイスの出品者が5倍の広告キャンペーンを実施することを可能にし、それらの広告による購入成果を2倍にしています。Amazonのイノベーションは、クリエイティブ生成モデルだけにとどまりません。Novaモデルは、同クラスの競合モデルと比較して75%のPrice Performanceの向上を実現しています。
クリエイティブ生成や、広告・マーケティングに関連する動画・音声フォーマットについて考える際、Amazonがもたらすデモクラタイゼーションとイノベーションによって、優れたPrice Performanceの恩恵を受けることができます。また、私たちは広告とマーケティングにおいて重要な規模でのパーソナライゼーション、クリエイティブ生成、インテリジェンスのクラスを管理するため、InferentiaとTrainiumファミリーのチップセット、さらに一般的な計算要件のためのGravitonを通じて、チップレベル、シリコンレベルでの効率的なPrice Performanceの革新にも注力しています。
これらすべてにより、広告とマーケティングに関連するユースケースを効率的に運用することが可能になります。ダイレクトエンゲージメントやカスタマーエクスペリエンスを求めるマーケター、あるいは広告のバリューチェーンを通じてマネタイズを目指す広告プラットフォームやパブリッシャーにとって、私たちのお客様による意味のあるインパクトと価値を生み出すイノベーションが見られています。効率的に運用し、パーソナライズされたメッセージを作成し、優れた規模で実行する必要があることを忘れないでください。適切な消費者に適切なメッセージを適切なタイミングで効率的に届けるという約束は、広告とマーケティングにおける長年の課題でしたが、今日まで完全には実現されていませんでした。しかし現在、これらのユースケース領域で重要なイノベーションが見られています。クリエイティブ生成、クリエイティブ分析、クリエイティブ最適化により、クリエイティブの構成を分析、理解、特徴付けることが可能になっています。
クリエイティブコンテンツの最適化、バリエーション生成、翻訳、ローカライズ、地域対応、そしてデータに基づくパーソナライゼーションを実現することが可能です。これは真の最適化とイノベーションが見られる分野の1つです。BlushiftとVidMobがまさにこれらの分野について話す予定です。Amazon Advertisingは、これらの取り組みについて私たちのクリエイティブスタジオと密接に連携しており、昨日一般提供が発表された Amazon Novaモデルの開発をリードしてきました。
マーケターやブランドは、消費者とのあらゆるタッチポイントやチャネルを通じて、パーソナライゼーションによる顧客体験の向上を目指しています。これには、検索とパーソナライズされた検索結果、アウトバウンドキャンペーンとNext Best Actionの予測、消費者エンゲージメントを促進するアクションやオファーに合わせたクリエイティブのペアリング、あるいはコンタクトチャネルを通じたインバウンドの顧客体験の管理が含まれます。Generative AIは、さらなるセグメンテーション、ターゲティング、そして消費者とのエンゲージメント方法を決定するためにこれらのデータを活用しています。
また、Generative AIは、オーディエンス分析、消費者セグメンテーションの理解、そして追加キャンペーンによるターゲティングにも深く活用されています。例えば、インバウンドキャンペーンのスクリーニングのためのクリエイティブ分析と特性評価は、ビジネスプロセスの効率性が向上している実際の分野の1つです。クリエイティブを分析するこれらの同じ手法はコンテンツにも適用でき、パブリッシャーがGenerative AI技術を活用して、大規模なコンテキスチュアル広告を可能にし、ブランドセーフティを向上させ、そのコンテンツに対する消費者の相互作用やエンゲージメントの理解を活用してユーザーのさらなるセグメンテーションを可能にしたり、ショッパビリティやバーチャルプロダクトプレイスメントなどの高度なフォーマットを実現したりしているのを目にしています。
これらの機能は、Generative AI以前から存在していたかもしれませんが、コンテンツを理解・要約する柔軟性と能力、メタ情報を柔軟に抽出する能力、そして下流の広告やマーケティングのユースケースを可能にする能力により、強化されています。これらすべてを横断する重要な要素は、自動化によるビジネスプロセスを効率的に実行する必要性です。Generative AIは、自動化されたメディアプランニング、クリエイティブのスクリーニングと監査、請求と照合、さらには社内外のユーザーが自然言語でクエリを実行できるようにする種類のインテリジェンスや分析にも適用され、広告やマーケティングキャンペーン、消費者エンゲージメントから得られるインサイトを民主化する重要な進展が見られています。
2023年から2024年にかけて、これらの成果を実現するためにGenerative AIを本番環境で大規模に活用することに大きな進展が見られましたが、これは終わりではありません。広告やマーケティングスタック全体でのGenerative AIの効率的な活用を促進する、イノベーションと価格性能特性の向上により、この分野での深いイノベーションが続くと考えています。現在、これらのユースケースの多くは、パーソナライゼーションを通じて、あるいは広告やマーケティング関連ビジネスの中核的な運営方法の周辺部分で実現されているかもしれませんが、今後数年間で、価格性能の継続的な向上、モデル自体の能力向上による活用範囲の拡大、そしてこれらのモデル全体のパフォーマンス向上により、そのイノベーションがさらに進み、私たちのスタックの深部にまで及んでいくことを確信しています。
私たちは大きな進歩を遂げており、それはAmazon Novaの発表からもお分かりいただけると思います。本日は、BlueshiftとVidMobがこれらのテクノロジーを活用して、どのように製品を実現しているかについてご紹介します。来年は、皆様がこれらのユースケースなどにGenerative AIテクノロジーを採用し、広告主やマーケター自身の成果を向上させている様子をお聞きできることを楽しみにしています。それでは、お時間をいただき、ありがとうございます。ここで、同僚のStephanie Layserを壇上にお迎えしたいと思います。ありがとうございます。
AWSのGenerative AIインフラストラクチャと特徴
まず、AWSの特徴についてお話しします。第一に、目的に特化したインフラストラクチャです。 私たちはGenerative AIのインフラストラクチャに投資を行い、高性能なトレーニング向けのコスト効率の良いチップを実現しました。また、リアルタイムの推論に役立つ低レイテンシーの推論チップ、そしてAWSならではのGenerative AIの需要に合わせた柔軟なスケーリングも提供しています。これらはすべて、Generative AIワークロードのパフォーマンス、コスト、スケーラビリティに最適化されています。また、広告やマーケティング向けに特別に構築された多様なGenerative AIサービスと、幅広いモデルの選択肢も提供しています。これらは、クリエイティブの最適化、パーソナライゼーション、コンテンツモデレーション、オーディエンス分析のために、Amazon Bedrockで提供される最も幅広いGenerative AIモデルと統合されています。
さらに、広告とマーケティング専用のGenerative AIパートナーも用意しています。これらの検証済みパートナーソリューションにより、広告やマーケティングテクノロジー向けにあらかじめ構築されてテスト済みのGenerative AIモデルを使用して、より迅速な市場投入が可能になります。また、経験豊富なパートナーによる実装パッケージにより、ビジネスニーズに合わせたGenerative AIの適切な導入と効果的な活用を確実にサポートします。さらに、広告コピー、コンテンツ、画像など、高いパフォーマンスを発揮する要素向けの目的特化型モデルとソリューションも用意しており、これらはお客様のブランドとオーディエンスに最適化されています。
最後に、AWSならではのセキュリティ、プライバシー、責任保護ツールについてです。堅牢なセキュリティコントロールにより、データが存在する場所でGenerative AIワークロードを実行し、プライバシーを保持しながら完全に制御することができます。また、自動化された不正利用検出機能により、責任ある、監査可能で、コンプライアンスに準拠したGenerative AIの展開が可能です。さらに、業界をリードする包括的な知的財産管理により、Generative AIサービスの出力に関する著作権の主張から保護され、AWSのGenerative AIとそのトレーニングデータの使用における侵害の申し立てからも保護されます。
Amazon Bedrockは、最新のモデルイノベーションにアクセスしながら、Generative AIアプリケーションの構築とスケーリングを支援する完全マネージド型サービスです。数万のお客様がAmazon Bedrockを自社のGenerative AIアプリのベースとして活用しているのは、ファーストパーティおよびサードパーティのLLMとFMの中で最も幅広い選択肢にアクセスできるからです。現在最も人気のあるモデルの1つは、AnthropicのClaudeモデルです。最近、Anthropic Claude 3.5 Sonnetモデルのサポートを発表しましたが、これは知能の新しい業界標準を打ち立てています。
Blueshiftのクリエイティブデータプラットフォーム：AIマーケティングの革新
Amazon Bedrockの優れた特徴の1つは、複数のモデルをサポートしていることです。実際、多くのお客様が複数のモデルを使用して、アプリケーションに最適なモデルを選択していることがわかっています。一方で、特定のユースケースに対して独自のモデルを構築・トレーニングする必要がある企業もあります。皆さんの中にも、すでにGenerative AIアプリケーションの基盤となるLLMやFMを使って実験や開発を行っている方もいらっしゃるかもしれません。 AWSでは多くのお客様と協力してきましたが、すべての企業がGenerative AIの力を認識し、自社のGenerative AIビジョンの構築に取り組んでいることは間違いありません。しかし、ほとんどの企業が基盤モデルやLLMにのみ注目していますが、これは氷山の一角に過ぎません。
実は、表面に見えている以上のものがあります。Generative AIを最大限に活用するために重要なのは、データです。Generative AIアプリケーションも結局はアプリケーションですから、LLMの呼び出し以外のユーザー体験やすべての対話ステップをサポートする運用データベースが必要です。これには、ドメイン固有のデータを蓄積するための分析機能やデータレイク、データの取得元となるデータ統合、そしてデータ基盤全体のガバナンスとコンプライアンスのニーズが含まれます。
これらすべての領域で最も包括的なサービスセットを持つデータ基盤を持つことは非常に重要です。 AWSは、パフォーマンス、コスト、結果において妥協する必要がないよう、適切なツールを提供しています。このような「一つのサイズですべてに対応」しないという考え方は、ベクトル埋め込みの保存、取得、インデックス作成、検索に使用するツールを含め、Generative AIのニーズにも適用されています。
ビジネスニーズに合わせてGenerative AIアプリケーションを構築する際、組織のデータこそが差別化要因となります。 考えてみれば、すべての企業が同じLLMや基盤モデルにアクセスできます。しかし、Generative AIアプリケーションにデータを活用している企業は、自社のデータを使って実際のビジネス価値を生み出しています。汎用的なGenerative AIアプリケーションと、ビジネスや顧客を深く理解しているアプリケーションの違いは、まさにデータにあります。インテリジェントな対話型チャットボット、テキストからのプログラミングコード生成、書籍や文書の要約など、独自のデータを活用した創造的なユースケースが多く見られています。
それでは、Generative AIアプリケーションの構築についてもう少し詳しくお話ししたいと思います。Stephanie、Craig、ご紹介ありがとうございます。本日は、Generative AIを実際の業務に活用している実例の1つをご紹介させていただきます。 簡単に自己紹介させていただきますと、私はBlueshiftの共同創業者のManyam Mallelaです。当社はAIマーケティング向けのCustomer Data Platformを提供しています。これは、企業やブランドが、業界で言うところのファーストパーティデータである自社データの価値を increasingly認識し、それを活用してカスタマーエクスペリエンスのパーソナライゼーションを向上させ、エンゲージメント指標を意味のある形で改善していることを意味します。
Blueshiftの事例：Sweetwaterでのパーソナライズドコンテンツ推薦
私たちのことはオンラインで確認していただけます。レビューもご覧いただけますので、私たちが何をしているのか、どのようなサービスを提供しているのかをご理解いただけます。Blueshiftの事業内容を少し詳しくご説明しますと、私たちは、統合データインデックスとAIエンジンを組み合わせた、3つの重要な基盤層をプラットフォーム上に構築しています。この基盤を構築して約10年以上が経ち、あらゆるチャネルでカスタマーエクスペリエンスを統合的に管理できるようになっています。一般的に、ユーザーやブランドは、メールコミュニケーション、SMSコミュニケーション、サイト、カスタマーチャット、カスタマーサポート、そしてファーストパーティデータを活用したカスタマーエクスペリエンスのために私たちのサービスを利用しています。
私たちは、PredictiveとGenerative AIを組み合わせることでこれを実現しています。これが私たちの重要な強みであり、マーケティング実践における長年のData ScienceとMachine Learningの文脈でGenerative AIを活用しているのです。数千万人規模の顧客を抱える組織であれば、インデックスには膨大なデータが蓄積されています。これらの顧客プロファイルに基づくリアルタイムの予測を組み合わせることで、顧客へのコミュニケーションやサイト・アプリでの体験を最適化できます。そこにGenerative AIを加えることで、さらに高速なサイクルを実現できるのです。
この高速なサイクルにより、パーソナライズされたコンテンツをより効率的に作成できます。ただし、これには既に構築されている予測モデルの基盤と組み合わせる必要があります。もしくは、私たちのようなソリューションを利用することで、コンテンツ作成とユーザーに対するコンテキストに応じたパーソナライゼーションを組み合わせたフライホイールを実現できます。
Blueshiftは、AIマーケティングの4つの重要な柱を提供しています。1つ目は、サイトやアプリを訪れるユーザーが次に何をするかを理解し、マーケティング組織としてそれにリアルタイムで素早く対応できるPredictive Audiencesです。また、初回訪問者から初回購入者、そして生涯顧客へと成長させるためのコンテンツとマルチメディアのレコメンデーションを提供しています。これらにChannel and Timing Optimizationを組み合わせることで、次のベストアクションと最適なチャネルがプラットフォームに組み込まれています。そして今では、Generative Contentにより、各顧客に対するトーン、ビジュアル、コピーをさらにパーソナライズできます。サイトやアプリでは、各ユーザーのジャーニーに基づいて、ユーザーごとに特化したレイアウトを実現できます。
実際のマーケティングにおけるGenerative AIの活用事例についてお話ししましょう。約18ヶ月前、私たちの顧客から、コンテンツレコメンデーションやレコメンデーションエンジンは長年存在していたものの、コンテンツの意味的な理解はまだ限定的だという課題が提起されました。レコメンデーションと言えば、Amazonを筆頭に、どのEコマースサイトでも見られるような、ある商品を見ると類似商品が表示される、この商品を見た人は他にこんな商品も見ているという形式が一般的です。しかし時間とともに、ブランドや組織は、レコメンドする商品に適切なコンテンツを組み合わせたいと考えるようになってきました。
みなさんの中には、Generative AIを使って画像生成をしたり、ブログを書いたりした経験がある方もいらっしゃるのではないでしょうか。Generative AIを使ってブログを編集したり、画像を作成したことがある方は手を挙げていただけますか？ちらほらと手が挙がっていますね。そして、説得力のあるビジュアルやコンテンツを作成することが、いかに簡単になり、効率的で、コストが下がったかを実感されたことでしょう。ある調査によると、Generative AIを使用した画像作成のコストは、従来の方法と比べて200分の1になったとされています。そして、昨日Amazonが発表したSupernovas、NOA real、Novaという4つの異なるティアのモデルにより、このコスト面でさらなる進展が期待できるかもしれません。
そこで私たち全員、そしてマーケティング組織にとって重要な問いが生まれます：このすべてのコンテンツをどのように活用すればよいのでしょうか？確かに、良質なコンテンツを大量に作成することはできますが、それだけで十分でしょうか？コンテンツを作成するだけでなく、この無限のコンテンツの海の中で、それをお客様やユーザーとどのように結びつけていくべきなのでしょうか？AWS Bedrockモデルを使用してStability Ultraで作成したこの画像は、コンテンツ作成がいかに魅力的になったかを示しています。しかし、お客様のブランドに対する現在の立ち位置、最近の行動や未行動、長期的な関心事を理解し、それらすべてを統合することが、このコンテンツ豊富な時代における次の重要な要素となります。
私たちは、まるで誰かの肖像画を描くように、お客様の大まかな特徴から始めることを心がけています。
お客様の大まかな特徴について説明させていただきます。顧客データを管理する組織として、最初は、サイトやアプリへの訪問者についてほとんど情報がない状態から始まります。コミュニケーションを重ねていくにつれて、データの理解によってより明確な像が形作られていきます。この像は、AIが顧客の興味・関心や、ブランドや組織に対する関心度について洞察を提供することで、さらに豊かになっていきます。この理解の組み合わせは、予測インテリジェンスと、顧客ペルソナや心理に関する独自のドメイン知識によって支えられています。
このプロセスは、まさに絵を描くように、時間とともに大まかなストロークから、対話する相手の明確な像へと発展していきます。その結びつきは、継続的なエンゲージメントとコンテキストに基づいたパーソナライゼーションによって生まれます。 本日は、レコメンデーションがその中でいかに重要な役割を果たすかについて、より詳しくお話ししたいと思います。多くの組織で実践されている1-to-1レコメンデーションが、このコンテキストに基づいたパーソナライゼーションの鍵となっているのをご覧になったことがあるでしょう。
以前の推薦エンジンは、明確にアイテムとアイテムの関連性に基づく推薦に焦点を当てていました。例えば、アスレチックウェアやスポーツ用品を閲覧している際、システムはセッション履歴やサイト上での他のユーザーインタラクションに基づいて、より多くのアイテムを表示していました。しかし、Generative AIによるコンテンツの支援により、そのアイテムがその人にとってなぜ重要なのか、購入サイクルがどのような意味を持つのか、そしてそれが彼らのライフスタイルやカスタマージャーニーにどのように適合するのかを説明する、その他のコンテンツにもアクセスできるようになってきています。
18ヶ月前、私たちがAWSと話をしていた時、表面上はシンプルな課題を持ち込みました。あるお客様が販売するアイテムを持っているのですが、それと同時に、それらのアイテムに関する教育コンテンツ - ビデオ、ポッドキャスト、記事なども持っていました。課題は、これらの異なるマルチモーダルな種類のコンテンツを、メールニュースレターの中で意味のある形で組み合わせることでした。以前であれば、編集チームの最新記事や人気のビデオを単純に含めるだけでした。しかしLLMsを使用することで、それらのビデオ、画像、テキストの深い理解が可能になり、コンテンツやアイテムカタログと結びつけることができるようになりました。私たちはAWSと協力して、Titan Embeddingsを使用したソリューションを構築しました。これは、マルチモーダルなEmbeddingsを推薦エンジンに組み込む優れた方法です。QRコードをスキャンすることで、AWSのサイトで完全なブログを読むことができ、そこには比較結果やパーソナライゼーションのユースケースが含まれています。
ニーズに応じて適用できるリファレンスアーキテクチャとして、私たちはデータ取り込みのためにAmazon EMRクラスターとECSクラスターを使用しています。LLMベースのパイプラインの多くはAWS Glueで実行しています。これは事前のインフラ準備が一切不要な、完全マネージド型の優れたサービスです。入力データが到着するたびに、Glueを動的に実行でき、Glueジョブは適切にスケールして、Amazon Bedrockサービスから取得したEmbeddingsを更新し、パーソナライズされたコンテンツで推薦エンジンを更新することができます。
これが私たちの取り組みの成果です。北米有数の音楽小売店であるSweetwaterとこのソリューションを立ち上げた時、彼らは素晴らしいパートナーであることが証明されました。音楽を志す人々やプロのミュージシャンにとって、彼らはそのコミュニティでよく知られています。彼らは音楽機器を販売するだけでなく、それ以上のことをしています - 特定のアンプやギターを選ぶ理由、利用可能な様々なオプション、楽器のチューニング方法、適切なソフトウェアについて、顧客を教育しています。ユーザー体験を紹介するポッドキャストや、YouTubeインフルエンサーによる楽器のデモンストレーション動画も提供しています。これは、音楽を志す人からグラミー賞受賞者を目指す道のりを大切にする目的意識の高いコミュニティであり、購入の旅と教育の旅を効果的に結びつけています。LLMによる推薦をニュースレターに組み込んだところ、以前の協調フィルタリングモデルと比較してクリックスルー率が50%向上しました。
この過程で得られた重要な学びの一つは、Embeddingsは時間とともに複数の属性でインデックス化でき、実行時の段階的な更新と適切なインデックスによる検索を可能にするということでした。これは、特定のユニットを生成して取得するスーパーRAGのようなものです。この場合、主要なインデックスを持つより大きなベクトルインデックスを作成でき、それによりリアルタイムでコンテキストに応じたパーソナライゼーションを実現することができます。
いくつかの重要なポイントをお伝えして締めくくりたいと思います。まず1つ目は、コンテンツ生成だけでは十分ではないということです。大量のコンテンツがあっても、顧客との意味のある接点がなければ行き詰まってしまう可能性があります。Sweetwaterの事例で見たように、購買プロセス全体を通じて、ポッドキャストやビデオ、記事を通じて購入に関する情報を提供し、顧客と文脈に沿った関連性のあるコンテンツでつながることが同様に重要です。Amazon Bedrockは、CraigとStephanieから先ほど説明があった通り、スケーラビリティの心配なく、モラルの選択と厳格なテキストデータのガバナンスやガードレールを可能にする基盤です。独自のレコメンデーションエンジンやパーソナライゼーションシステムを構築するためのプリミティブを提供します。
VidMobのCreative Data Distillery：RAGアーキテクチャを活用したクリエイティブ最適化
ありがとうございます。Mickey、ようこそ。皆さん、おはようございます。 私はVidMobのChief Product and Technology OfficerのMickey Alonです。本日は、私たちのアーキテクチャと、RAGアーキテクチャとAmazon Bedrockを使って私たちのデータをどのように活用しているかについてご説明します。現在RAGを使用している方、RAGを理解している方、またはRAGの使用を計画している方は何人いらっしゃいますか？あまり多くないようですね。RAGはRetrieval Augmented Generationの略で、データを活用して価値を生み出すのに役立ちます。
データによる差別化をどのように活用するかについて説明する前に、VidMobが何をする会社なのかをご紹介したいと思います。VidMobはクリエイティブデータテクノロジー企業です。Can Viewのような企業や、J&JやCoca-Colaといった大手ブランドが、クリエイティブシグナルを通じて視聴者について学び、メディア決定を導くお手伝いをしています。
パーソナライゼーションについては、通常「適切な人に、適切なタイミングで、適切なメッセージを」と言われます。私たちはそのメッセージ、つまりコンテンツに焦点を当て、コンテンツを理解・解読することで、ユーザーの好みを真に理解し、それに対応できるようにしています。1,800万本以上の動画をフレームごとに分析し、その内容をより深く理解しています。11の主要チャネルに接続しており、これらのブランドのアセットは、クリエイティブ要素の交差点で3兆以上のデータポイントを生成しています。クリエイティブをより良く理解し、動画や静止画をより良く理解し、そこから関連データを抽出するために、40以上の独自モデルを構築しています。
クリエイティブデータとは何か、定義してみましょう。 私たちは大手ブランドのすべてのクリエイティブ動画やアセットを取り込み、すべてのインプレッションが学習の機会だと考えています。これは、ブランドが通常、クリエイティブをどのように伝えたいか、アイデンティティをどのように構築するか、どのような指標を推進したいかという観点で見ているからです。私たちは各フレームを分析し、そこで何が起きているのかを理解します。オブジェクト、テキスト、インタラクション、さらには感情や人が実際に製品に触れているかどうかといった高度な要素も理解します。これらの要素を分析し、視聴完了率やクリック率といったマーケターが推進したい指標と相関付けます。この相関関係を通じて、私たちのモデルはクリエイティブで何が起きているのか、最も魅力的な部分は何か、そしてその理由をより良く理解します。30秒の動画から1万のデータポイントが生成され、これが私たちにとって、視聴者が実際に何を好むのかをブランドに伝えるための学習機会となっています。
なぜブランドはこのようなデータを重視しているのでしょうか？調査によると、クリエイティブの品質がキャンペーン全体の成功の70%以上を占めているとされています。私たちはいつも「適切なメッセージを、適切なタイミングで、適切な人に」と言っていますが、その「何を」という部分が、エンゲージメントの大きな部分を占めているのです。これが、ブランドがクリエイティブデータを重視し、投資している理由です。そして今、Generative AIの登場により、より多くのコンテンツをより速く、より低コストで作成できるようになり、クリエイティブの豊富さへとシフトしていけることが、とてもエキサイティングです。
現在、ブランドはいくつかの課題に直面しています。ブランドアイデンティティとクオリティコントロールが重要になってきているのです。AIを使用して多くのアセットを生成する場合、どのようにしてブランドアイデンティティを維持するのでしょうか？例えば、Listerineのボトルや、Coca-Colaの缶は一目で識別できますが、もし何か違和感があれば、それはアイデンティティの問題となります。クオリティコントロールも同様に重要です。調査によると、消費者である私たちは、ブランドが日々発信するデータのうち約15%しか記憶していないとされています。そのため、記憶に残りやすさも新たな課題となっています。ブランドは、メッセージを確実に記憶してもらうために、ブランドの一貫性の実現に注力しています。ブランドの一貫性とは、製品やメッセージなどをどのように見せるかということです。ノイズを切り抜け、際立ち、この一貫性を生み出すために何を作るべきかを知っているマーケターが勝者となるでしょう。
ここで、ブランドがユニークで魅力的で記憶に残るクリエイティブを作るために私たちが構築したものについて、リファレンスアーキテクチャをご紹介したいと思います。私たちはこれをCreative Data Distilleryと呼んでいます。先ほど聞いたように、データは差別化の要因です。Amazonとのパートナーシップで実現したアーキテクチャをお見せしながら、どのようにしてそのインサイトを得るのかをご説明します。これは長い道のりです - 動画を処理し、メディアメトリクスを理解し、それらを結びつけて、日々成長を続ける大規模なデータベースに格納します。
また、エンベディングの処理方法についてもご紹介し、最終的にRAGアーキテクチャを適用して、LLMやその他のモデルの出力をより正確で精密なものにするためにデータを活用する方法をお見せします。右上の最初のアーキテクチャは、11のチャネルからデータを取り込んでクリエイティブを作成する方法を示しています。これは実際にはかなり古いスケーリングの仕組みで、動画を取り込み、フレームに分割し、Amazon SageMakerと通信しながら各フレームを理解します。SageMakerでは、マーケターが求めるより高度な方法でクリエイティブを理解するのに役立つモデルをホストしています。
Amazon SageMakerは私たちにとって大きな転換点となりました。データサイエンスをリリースの一部として組み込むことが本当に可能になったのです。以前は、デプロイメントとトレーニングに時間がかかっていましたが、SageMakerによって、データサイエンティストたちは分析とソリューションの一部となるサービスをデプロイする力を手に入れました。私たちは依然としてAmazon Rekognitionやその他のすぐに使えるエレメントを使用し、すべてを組み合わせてその全体像を作り上げ、さらにメディアメトリクスを取り込んで相関関係を分析し、このDistilled Creative Dataを生成しています。これが実際にどのように機能するのか、そしてその成果を示す2つのエキサイティングな動画をご覧いただきましょう。
2番目のパートはEmbeddingです。データが増え続けている中で、これらの相関関係を高性能なデータベースに格納することが非常に重要です。私たちはSnowflakeを使用してこれらの相関関係をすべて保存し、会話型UIを構築する際にどのような洞察を引き出すべきかを理解し、整理するためにVector Databaseを活用しています。Vector Databaseは重要な要素であり、Amazon Bedrockを使用することで、マルチモデルと連携しながら、異なるモデルをテストすることができました。これにより、コードを変更することなく、ユーザーのためにモデルを即座に切り替えることができます。これは非常に強力な機能です。なぜなら、お客様が独自のカスタムモデルを持ち込んで、そのモデルを私たちのデータと組み合わせて使用したいと考えることもあるからです。
マーケターは、増え続けるデータに対応するためのプロンプトや会話型UIを好みます。また、洞察を素早く得たいと考えています。多くのスライス＆ダイスのオプションを提供すると、彼らが必要とするスピードに追いつかず、非常に複雑になってしまいます。そこで私たちは、Brand Copilotを構築しました。これにより、次のキャンペーンを構築する前や、過去のキャンペーンから学ぶために、クリエイティブな質問をして、何が効果的かを理解することができます。
ここで私たちが実装したのは、Copilotのプロンプトを処理するRAGパイプラインです。次のスライドで実際の動作をお見せします。このRAGアーキテクチャにより、異なる領域にまたがる様々なデータベースにアクセスし、Vector Databaseを使用して質問の内容を理解することができます。「MetaとTikTokでのクリック率を左右する要因は何か？」といった具体的な質問や、「このタイプのクリエイティブ要素を使うべきか？」といった比較に基づく質問に対応できます。これらの質問は私たちのサービスに送られ、Amazon Bedrockが複数のモデルとの連携やベンチマークを支援し、最も適切な回答を決定します。
このアーキテクチャには、いくつかの課題がありました。Vector Databaseにおいて、質問やプロンプトが複数のデータソースにまたがる場合、ベクトルをどのように設計し、いくつのベクトルを作成するかを考える必要があります。これは簡単な作業ではありません。私たちの対応策として、プロンプトを分類し、それに関連するベクトルを使用するようにしました。洞察のためのプロンプトを考える際、複雑な洞察にはすべてのデータを分析する必要があります。つまり、LLMはマルチステップのアプローチを取り、ブランドの本質や目標を理解する必要があります。単にデータをLLMに投げ込むだけでは、適切な回答は得られません。このマルチステップのアプローチ、時間とともにコンテキストを提供する方法、そしてリリース時の対応を考える必要があります。会話型UIを製品にリリースする際は、フィードバックの仕組みも同時にリリースすることが重要です。
これに対処するため、お客様は洞察が優れているかどうかを評価することができます。課題の1つは、モデルがうまく機能しなかった場合や、エージェントが適切な回答を提供できなかった場合、あるいはハルシネーションが発生した場合に、何が起きていたのかを把握することです。
システムにCopilotを実装する際に考慮すべき点として、出力の予測可能性をどのようにコントロールするかということがあります。LLMに与える制御が多いほど、特にマルチステップのプロセスでは予測可能性が低くなる可能性があります。右側に2つのアーキテクチャが示されていますが、まずどのようなルートを取るべきかを判断するためのClassifierを構築し、より予測可能な結果を得るためにAgentからある程度の制御を取り除きました。これを2つのステップに分割し、その後もLLMとのやり取りやコンテキストの受け渡しは継続しますが、より決定論的な結果が得られます。将来的には、より多くのサービスを公開することで、より多くの自律性が実現できると考えていますが、LLMがそれに対応できるまでには、まだ成熟が必要だと思います。
実用的なソリューションとして、Vector Databaseでは、次のスライドでデモをご覧いただきますが、質問が入力されると、その質問を分類し、ターゲットオーディエンスや市場を理解し、適切な場所にルーティングするために質問のタイプを理解する必要があります。Vectorは、クリエイティブ要素やオーディエンス要素のVectorを使用して、より深い理解を可能にします。私たちはAgentのフローを複数のステップに分割し、UIが使用するのと同じエンドポイントを使用しています。その理由は、本当に説得力のあるインサイトが得られた場合に、それがLLMが単に説得しようとしただけではなく、実際にデータに裏付けられているかどうかを確認できるようにするためです。また、ユーザーフィードバックAPIを立ち上げ、ユーザーが簡単にクリックして良い結果と悪い結果、そしてなぜ悪かったのかについてフィードバックを提供できるようにし、モデルの改善と最適化を行えるようにしています。
この事例では、実際の動作をご覧いただけます - これは本番環境で稼働しており、いくつかのブランドとクローズドベータを実施しています。ペットケアに関する質問を簡単にプロンプトできることがわかります。インサイトを生成するためにこれらのステップを経て、私が達成しようとしていることに基づいてテラバイト規模のデータポイントを処理し、次のクリエイティブやメディアの意思決定に活用できる推奨事項を提供します。室内の設定や、飼い主がペットと交流している様子を特集することで、クリエイティブにおけるリフトが生まれることがわかります。クリックスルー率を向上させるために、ペットとの本物の瞬間を作り出すことがいかに重要かを覚えておいてください。
次のいくつかの例では、それらのインサイトがどのようにアクションに変換されているかを見ていきます。これは、マーケターが複雑な分析UIを避けて理解を深めるのを支援するCopilotでした。今では会話型UIを使用してインサイトを理解し生成できます。これは素晴らしいことですが、目標はブランドが単なるインサイトだけでなく、魅力的でユニークで記憶に残るコンテンツを作成できるようにすることでした。インサイトは素晴らしく、今ではさらに多くのインサイトがありますが、それらをどのように活用すればよいのでしょうか？
次のものは実際にとてもクールです。私たちはAdobeとパートナーシップを結ぶことを決定しました。独自のエディターを作る代わりに、Adobe製品群用のプラグインを開発しました。これはPhotoshop、After Effects、Premier Proで動作します。これを、クリエイティブデータ、要素のクリエイティブデータ、そしてインサイトへの導管として使用しています。ここでAmazon Bedrock RAGを使用して、マルチモーダル、テキストから画像へ、テキストLLMモデルに対して、実際に何を作成すべきかを伝えることができます。パーソナライゼーションを考えると、インサイトとクライアントの好みに基づいて、非常に多くのクリエイティブを素早く生成できる可能性があります。これは私たちが採用したマルチモーダルアプローチで、現在リリースしているところなので、初めてご覧いただけます。同じインサイトに基づいて、これからリリースを予定しているものです。
まず、Copilotを使って、このブランドで何が起こるか見てみましょう。 最初のプロンプトは、クラシックなTitanモデルを使用して、Creative Dataを使わずにペットケアブランドのCTAを含むクリエイティブを生成するというものです。そのプロジェクトに移動して、Creative Dataを使用せずに出力を生成してみると、結果は良好ですが、人物の隣のテーブルの上の食べ物や、CTAがないなど、私が期待していたものとは少し違います。
次に、RAGを使用してCreative Dataを有効にし、クリエイティブに注入する様子をご覧いただきます。ここでは、それらのインサイトやCreative Effectivenessの指標とスコアリングに基づいた、ベストプラクティスを反映した、よく構造化された広告が見られます。最も良い点は、多層的な編集が可能だということです。修正のためにプロンプトを繰り返し入力する必要はありません。メッセージングは私たちのインサイトに基づいています。これらは先ほど見たインサイトで、TikTokではペットとの自然な瞬間が高いクリック率を生み出すことがわかっています。これがTitanに取り込まれ、Titanがそれを活用したのです。
これで準備が整い、最後の調整をするだけで、ハイパースケールなパーソナライゼーションソリューションとして使用できます。また、Novaもサポートする予定です。もう一つ言及したいのはCreative Qualityです。何十万ものアセットを生成し始めると、エンドポイントに直接スコアリングメカニズムも組み込まれています。Adobe After Effectsでは、右側のツールをご存知ない方もいるかもしれませんが、クリエイティブをアップロードして、ブランドのベストプラクティス要件と一貫性を満たしているかチェックできます。これはパフォーマンス以外の面でも大きな効率性をもたらすと考えています。
素晴らしいですよね。私たちは通常、大規模なデータとテクノロジーを扱っていますが、時にはこのように理解しやすく、出力を見るのが楽しい、とてもクールなものに出会うことがあります。ブランドがこれらのモデルを使ってハイパーパーソナライゼーションをどのように活用するか、とてもワクワクします。初期の結果は良好で、インサイトを得るまでの速さは非常に期待が持てます。以前は、クリエイティブストラテジストがブランドを理解し、Analyticsの様々なレポートを確認して、スライスアンドダイスでインサイトを見つけるのに数時間かかっていました。今ではプロンプトを通じて行え、どんどん改善されています。
もう一つの改善点は効率性に関するものです。通常、クリエイティブを生成する際には、マーケターが望むものやベストプラクティスに合致するまで、多くのやり取りやコミュニケーションが必要でした。このサイクルでは既に25%の改善が見られ、生成できるクリエイティブの量も増えています。そして、ニュアンスやバリエーションを含めると、10倍以上に成長しています。可能性は無限大です。どの程度の詳細なデータを提供して、これらの異なるアセットを生成し、迅速にデプロイするかは、実際にはブランド次第です。
まとめとして、Amazonとパートナーシップを組めたことは素晴らしかったと思います。この業界は急速に進化していて、 Amazonは私たちが全てを連携させるのに素晴らしいパートナーでした。彼らは私たちがBedrock を素早く試し、SageMakerを稼働させるのを支援してくれたので、私たちは迅速に動き、イノベーションを続ける準備が整いました。クリエイティブの効果を革新的に向上させることを考えると、これからはプロンプトがクリエイティブになっていくと思います。そして、AIモデルについては常に進化を続けている旅の途中です。RAGアーキテクチャとBedrock の良いところは、大規模なコード変更なしに素早く対応できることです。次世代のモデルが登場しても、切り替えるだけで活用できます。
私たちは、ブランドがGenerative AIを実際に使用できるように、より多くのクリエイティブ品質管理を作ることに取り組んでいます。というのも、一部のブランドは未だにブランドの問題を懸念しており、管理のないものでブランドを危険にさらしたくないと考えているからです。また、ISVとしてソリューションを構築したい方々にもお声がけしたいのですが、私たちはクリエイティブデータAPIを公開しており、コントロールやアセット作成に使用できます。REST APIとして使いやすく設計されていますので、ソリューションをお持ちの方は、ぜひパートナーシップを組んで、場合によっては一緒に市場展開することもできます。
セッションのまとめ：Generative AIの実践的活用
皆様、ご来場いただき、ありがとうございました。また、Generative AIアプリケーションについてお話しいただいた全てのスピーカーの方々にも感謝申し上げます。本日の内容をまとめますと、Generative AIを活用してビジネスを改善する方法は数多くありますが、 一般的なAIアプリケーションを避けて、パーソナライズされたアプリケーションを作る上で最も重要なのは、モダンなデータ基盤が整備されていることと、そのユニークなデータをアプリケーション構築に活用できることです。ありがとうございました。
※ こちらの記事は Amazon Bedrock を利用することで全て自動で作成しています。
※ 生成AI記事によるインターネット汚染の懸念を踏まえ、本記事ではセッション動画を情報量をほぼ変化させずに文字と画像に変換することで、できるだけオリジナルコンテンツそのものの価値を維持しつつ、多言語でのAccessibilityやGooglabilityを高められればと考えています。
Discussion