VolgendeVolgende gids
AI in de uitkeringsadministratie van de overheid
Industrieën
Gids voor industrieën
AI in programmatisch adverteren is het gebruik van machine learning om automatisch digitale advertentievertoningen te kopen en verkopen, waarbij in milliseconden wordt beslist welke advertentie wordt weergegeven, aan wie en tegen welke prijs.
Het is van belang omdat een groot deel van de huidige display-, video- en connected-tv-inventaris op deze manier wordt verhandeld. Deze modellen bepalen dus welke advertenties mensen zien, wat uitgevers verdienen en hoeveel fraude- en privacyrisico's het systeem met zich meebrengt.
Wanneer een pagina of app met advertentieruimtes wordt geladen, stuurt het aanbodplatform van de uitgever een biedingsverzoek, vaak in het OpenRTB-formaat dat wordt onderhouden door het IAB Tech Lab, naar advertentie-uitwisselingen en vraagplatforms. Het verzoek beschrijft de vertoning: site of app, advertentieformaat, apparaattype, geschatte locatie en eventuele beschikbare gebruikers-ID's. De hele veiling heeft doorgaans een tijdsbudget van ongeveer 100 milliseconden, en de winnende advertentie wordt weergegeven voordat de gebruiker een vertraging opmerkt. AI neemt de meeste beslissingen. DSP's gebruiken modellen die de klikfrequentie, het conversiepercentage of de zichtbaarheid voor elke vertoning voorspellen en deze voorspellingen vervolgens omzetten in biedingen. Toen de sector tussen grofweg 2017 en 2019 overging van veilingen voor de tweede prijs naar veilingen voor de eerste prijs (Google Ad Manager schakelde in 2019 over), voegden DSP's bod-shading toe: modellen schatten dat de laagste prijs waarschijnlijk nog steeds zal winnen, zodat kopers niet te veel betalen. Aan de verkoopkant stellen SSP's dynamische bodems vast en beslissen welke vraagpartners ze moeten bellen. Publieksmodellering was historisch gezien afhankelijk van cookies van derden die gebruikers over verschillende sites volgen. Safari blokkeert ze standaard en Firefox beperkt ze, en Apple's App Tracking Transparency (2021) beperkte mobiele advertentie-ID's. Google was jarenlang van plan om cookies van derden in Chrome geleidelijk uit te bannen via de Privacy Sandbox, maar keerde in 2024 van koers en zei dat het de verwijdering ervan niet zou afdwingen. Toch is de industrie verschoven naar first-party data, contextuele targeting, data clean rooms en alternatieve identificatiemiddelen. Advertentiefraude is een voortdurend probleem. Bots, verborgen advertenties en vervalste domeinen kosten geld; de Methbot-operatie bracht in 2016 valse videoweergaven op namaakversies van premiumsites aan het licht. Detectiemodellen zoeken naar niet-menselijk gedrag, en met de ads.txt- en verkopers.json-standaarden kunnen kopers verifiëren wie geautoriseerd is om de voorraad van een site te verkopen. Een veel voorkomende misvatting is dat advertentie-AI individuen ‘kent’. De meeste modellen werken met probabilistische signalen, en een groot deel van de targeting is contextueel of gemodelleerd op groepsniveau.
De industriële context bepaalt of AI-ideeën het contact met de werkelijkheid overleven.
Domeinbeperkingen beïnvloeden aanvaardbare foutenpercentages en toezichtmodellen.
Succesvolle implementaties stemmen de technische mogelijkheden af op frontline-workflows.
Verwacht een voortdurende beweging in de richting van signalen die niet afhankelijk zijn van cross-site tracking: first-party data van uitgevers, contextuele modellen die de betekenis van pagina's en video's begrijpen, en clean rooms waar adverteerders en uitgevers doelgroepen matchen zonder ruwe gegevens uit te wisselen. Retailmedianetwerken en connected tv zijn groeiende kanalen waar deze benaderingen al gebruikelijk zijn. Privacywetten in verschillende rechtsgebieden zullen blijven beperken welke gegevens doelgroepmodellen kunnen voeden, en metingen zullen meer leunen op gemodelleerde, geaggregeerde attributie. Fraude zal zich blijven aanpassen, inclusief generatieve AI die wordt gebruikt om sites voor reclame van lage kwaliteit op grote schaal te produceren, dus verificatie en transparantie van het aanbodpad zullen centraal blijven staan. Hoe het browsercookiebeleid verder evolueert, blijft onzeker.
Een demand-side platform (DSP) voorspelt de waarschijnlijkheid dat een specifieke vertoning tot een aankoop zal leiden en vermenigvuldigt deze met de waarde per conversie van de adverteerder om zijn bod in een realtime veiling vast te stellen.
Het aanbodplatform (SSP) van een nieuwsuitgever maakt gebruik van dynamische prijsvloeren, waarbij de minimumprijs wordt berekend die elk type vertoning waarschijnlijk zal opleveren, zodat de voorraad niet te goedkoop wordt verkocht.
Een fraudedetectiesysteem signaleert een cluster van 'bezoekers' die pagina's laden vanaf de IP-adressen van datacenters, nooit scrollen en klikken met regelmatige machine-intervallen, en dat verkeer wordt uitgesloten voordat er een bod wordt uitgebracht.
Een retailer zonder cookiegegevens van derden maakt gebruik van contextuele targeting: een model leest de inhoud van een wandelartikel en biedt op die pagina op advertenties voor outdoorartikelen, zonder dat daar een persoonlijke identificatie bij betrokken is.
Regelgevingsvereisten kunnen anderszins sterke prototypes ongeldig maken.
Historische gegevens kunnen vooroordelen coderen die specifieke gemeenschappen schade toebrengen.
Oudere systemen kunnen integratieknelpunten en verborgen kosten veroorzaken.
Betrek domeinexperts, van het formuleren van het probleem tot de evaluatie.
Ontwerp audit trails en documentatie vóór de lancering.
Valideer compliance- en veiligheidsverplichtingen vroegtijdig.
Uitrol in fasen met duidelijke stop- en terugdraaicriteria.
Free newsletter
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
AI in programmatisch adverteren is het gebruik van machine learning om automatisch digitale advertentievertoningen te kopen en verkopen, waarbij in milliseconden wordt beslist welke advertentie wordt weergegeven, aan wie en tegen welke prijs. Het is van belang omdat een groot deel van de huidige display-, video- en connected-tv-inventaris op deze manier wordt verhandeld. Deze modellen bepalen dus welke advertenties mensen zien, wat uitgevers verdienen en hoeveel fraude- en privacyrisico's het systeem met zich meebrengt.
RTB-veilingen worden doorgaans uitgevoerd binnen een budget van ongeveer 100 milliseconden, zodat de winnende advertentie kan worden weergegeven voordat de gebruiker enige vertraging opmerkt.
OpenRTB wordt onderhouden door het IAB Tech Lab, de instantie voor technische standaarden van de reclame-industrie.
Bij veilingen met de eerste prijs betaalt de winnaar wat hij heeft geboden. Daarom schatten bid-shading-modellen de laagste winnende prijs om te veel betalen te voorkomen.
Een bod wordt berekend op basis van de voorspelde waarschijnlijkheid, dus een overschatting van 20 procent vertaalt zich direct in een overbod van 20 procent.
Na jarenlang plannen te hebben gemaakt voor een uitfasering via de Privacy Sandbox, zei Google in 2024 dat het de verwijdering van cookies van derden niet zou afdwingen.
Blijf leren
Er zijn meer handleidingen voor dit onderwerp geselecteerd
VolgendeVolgende gids
AI in de uitkeringsadministratie van de overheid
Industrieën