今年，我有幸亲临现场参加了所有的 keynote，每一场都让我感受到深深的震撼。无论是全新的功能发布，还是令人眼前一亮的新特性展示，每一场 keynote 都精彩纷呈，充满干货，值得反复学习和回味。
恰好，我在其他平台上发现了一些整理得非常好的文章版本。于是，我决定将其制作成中文版本。在翻译和整理的过程中，不仅加深了自己的理解，也希望将这些内容分享给大家，方便更多人学习和阅读。
生成性人工智能与广告·营销的未来：会议概要
早上好。各位，感谢您参加由 Blueshift 和 VidMob 举办的 Ad M 202：生成性人工智能与广告和营销。我相信您来到了正确的会场。感谢您来到曼德勒海湾，跳过主题演讲，参加广告和营销的会议，并希望学习生成性人工智能 - 这是一个很好的选择。我是 AWS 广告和营销部门的全球解决方案组合负责人 Craig Miller。今天，我非常高兴能够欢迎我的同事，全球出版广告技术负责人 Stephanie Layser，Blueshift 的联合创始人兼首席人工智能官 Manyam Mallela，以及 VidMob 的首席产品和技术官 Mickey Alon。各位，感谢您的参与。
今天我们准备了充实的议程。首先，我们将讨论生成性人工智能在广告和营销中的趋势。接下来，我们将介绍客户如何成功地将生成性人工智能技术应用于广告和营销相关的用例。此外，我们还将解释 AWS 提供的生成性人工智能相关的差异化服务。之后，客户 Blueshift 将分享他们如何利用生成性人工智能技术支持传统广告和营销用例中的营销人员，并在平台上取得成果。最后，VidMob 将介绍如何在 AWS 上利用生成性人工智能支持广告主成功的创意数据技术，并以总结结束。
生成性人工智能的进化及其对广告和营销的影响
我们正处于生成性人工智能整体趋势的转折点。2023 年，人们对生成性人工智能在广告和营销相关用例中所带来的潜力寄予了很大期望。在去年的 re:Invent 上，许多人听说了 Titan 模型等突破性发展的消息。在 2023 年，我们听到了许多关于我们希望通过生成性人工智能实现的实验和努力的消息。这些创新和变革仍处于非常初期的阶段。我们目睹了模型类型的变化以及围绕这些模型的领导力变化等，带来了在我们领域实现有意义用例的巨大动力和变化 - 在初期阶段，需要大量的实验和手动干预，尚未达到真正意义上重要规模的生产运行。
2024 年的现在，我们正在亲眼目睹这种变化。迄今为止的创新实际上已经转移到生产环境中，并开始产生有意义的结果。今天我们期待听到来自 Blueshift 和 VidMob 的实际案例。他们将分享如何利用 AWS 相关技术为使用平台的广告主和营销人员赋能的经验。我们看到，通过结合基础模型和数据，产生影响广告主的差异化结果的关键趋势。特别是在个性化和业务流程效率提升等主题上，已经取得了许多成果。
今天，Blueshift 和 VidMob 将分享的案例，将成为大家可以带回去自行尝试的食谱。我相信在座的每一位，作为这些平台的用户或构建者，都对广告和营销相关的用例充满兴趣。今天，您将能够获得关于如何利用这些新技术创造有意义成果的洞察。在这个领域的所有客户中，最终希望变得更加高效，并有效地运营与广告和营销相关的业务流程的趋势显而易见。此外，大家还希望通过卓越的客户体验和个性化与消费者互动，并取得成果。同时，我们希望改善出版商的广告收益化需求的运营和收益化。
AWS 的生成性人工智能技术及其在广告和营销中的应用
生成性人工智能在广告和营销的价值链中，从品牌、广告主、营销人员到出版商，正在以解决长期挑战的方式被利用。AWS 以多种方式支持这一创新。
我们支持广告主和营销人员实现"在适当的时间将适当的信息传递给适当的人"这一古老的口号。这其中包含了我们通过数据实现有意义的可测量成果的目标。我们利用技术来预测消费者的反应，并判断提供适当信息的时机。AWS 支持以数据规模进行处理，从而实现这些成果的高效性，并能够基于个别客户旅程创建个性化的内容。
我们通过各种方式实现这一目标。许多人可能已经知道昨天发布的 Amazon Nova 系列模型。这是继去年发布的 Amazon Titan 模型之后的产品。Nova 在 Amazon 广告中用于创意生成，使使用创意工具套件的 Amazon 市场卖家能够进行 5 倍的广告活动，并将这些广告带来的购买成果提高了 2 倍。Amazon 的创新不仅限于创意生成模型。与同类竞争模型相比，Nova 模型实现了 75%的性价比提升。
在考虑与创意生成、广告和营销相关的视频和音频格式时，亚马逊带来的民主化和创新使我们能够享受卓越的性价比。此外，为了管理广告和营销中重要规模的个性化、创意生成和智能类别，我们还专注于通过 Inferentia 和 Trainium 系列芯片组，以及用于一般计算需求的 Graviton，推动芯片级和硅级的高效性价比创新。
这些都使得高效运营与广告和营销相关的用例成为可能。对于寻求直接参与和客户体验的营销人员，或者通过广告价值链实现货币化的广告平台和出版商，我们的客户正在创造有意义的影响和价值的创新。请记住，有必要高效运营，创建个性化的信息，并以卓越的规模执行。将合适的信息在合适的时间高效地传递给合适的消费者的承诺，长期以来一直是广告和营销中的一个挑战，但到今天为止仍未完全实现。然而，现在在这些用例领域出现了重要的创新。通过创意生成、创意分析和创意优化，可以分析、理解和特征化创意的构成。
可以实现创意内容的优化、变体生成、翻译、本地化、区域适应以及基于数据的个性化。这是一个真正可以看到优化和创新的领域之一。Blushift 和 VidMob 正是要讨论这些领域。亚马逊广告与我们的创意工作室紧密合作，领导了昨天宣布正式提供的亚马逊 Nova 模型的开发。
营销人员和品牌通过与消费者的所有接触点和渠道，旨在通过个性化提升客户体验。这包括搜索和个性化搜索结果、外部活动和下一最佳行动的预测、促进消费者参与的行动或优惠的创意配对，以及通过联系渠道管理的入站客户体验。生成性人工智能利用这些数据进行进一步的细分、定位，以及决定与消费者的互动方式。
此外，生成性人工智能在受众分析、消费者细分理解以及通过额外活动进行目标定位方面也得到了深入应用。例如，用于入境活动筛选的创意分析和特性评估是提高业务流程效率的实际领域之一。这些分析创意的相同方法也可以应用于内容，使出版商能够利用生成性人工智能技术，实现大规模的情境广告，提高品牌安全性，并利用对内容的消费者互动和参与理解，进一步实现用户细分，或者实现可购物性和虚拟产品植入等高级格式。
这些功能可能在生成性人工智能之前就已经存在，但由于理解和总结内容的灵活性和能力、灵活提取元信息的能力，以及实现下游广告和营销用例的能力，得到了增强。贯穿这一切的重要因素是高效执行自动化业务流程的必要性。生成性人工智能还应用于自动化的媒体规划、创意筛选和审计、账单和对账，以及使内部和外部用户能够用自然语言执行查询的智能和分析，显示出在广告和营销活动、消费者参与中获得的洞察的民主化的重要进展。
在 2023 年到 2024 年期间，为了实现这些成果，Generative AI 在生产环境中的大规模应用取得了重大进展，但这并不是终点。我们认为，通过促进 Generative AI 在广告和营销全栈中的高效应用，以及创新和性价比特性的提升，这一领域的深度创新将持续进行。目前，这些用例中的许多可能通过个性化实现，或者在广告和营销相关业务的核心运营方式的边缘部分实现，但在未来几年中，随着性价比的持续提升、模型本身能力的增强以及这些模型整体性能的提高，这一创新将进一步推进，并深入到我们的技术栈中。
我们取得了巨大的进步，我相信从 Amazon Nova 的发布中您也能看出这一点。今天，我将介绍 Blueshift 和 VidMob 如何利用这些技术实现产品。明年，我期待听到大家如何采用这些用例等生成性 AI 技术，提高广告主和营销人员自身的成果。谢谢您抽出时间。现在，我想邀请我的同事 Stephanie Layser 上台。谢谢。
AWS 的生成性 AI 基础设施和特点
首先，我将谈谈 AWS 的特点。第一，专注于特定目的的基础设施。我们在生成性人工智能基础设施上进行了投资，实现了高性能训练所需的成本效益良好的芯片。此外，我们还提供了有助于实时推理的低延迟推理芯片，以及 AWS 独特的针对生成性人工智能需求的灵活扩展。这些都经过优化，以提高生成性人工智能工作负载的性能、成本和可扩展性。我们还提供了专为广告和营销构建的多样化生成性人工智能服务，以及广泛的模型选择。这些服务与在 Amazon Bedrock 上提供的最广泛的生成性人工智能模型集成，以实现创意优化、个性化、内容审核和受众分析。
此外，我们还提供专门用于广告和营销的生成性人工智能合作伙伴。通过这些经过验证的合作伙伴解决方案，可以使用为广告和营销技术预先构建和测试的生成性人工智能模型，从而实现更快速的市场投放。此外，经验丰富的合作伙伴提供的实施包将确保根据业务需求适当引入和有效利用生成性人工智能。我们还提供针对广告文案、内容、图像等高性能元素的专用模型和解决方案，这些都经过优化，以适应客户的品牌和受众。
最后，关于 AWS 独特的安全性、隐私和责任保护工具。通过强大的安全控制，可以在数据存在的地方运行生成性 AI 工作负载，同时保持隐私并完全控制。此外，自动化的滥用检测功能使得生成性 AI 的负责任、可审计和合规的部署成为可能。此外，行业领先的全面知识产权管理可以保护生成性 AI 服务输出的版权主张，并保护 AWS 的生成性 AI 及其训练数据使用中的侵权指控。
Amazon Bedrock 是一个完全托管的服务，帮助构建和扩展生成式 AI 应用程序，同时访问最新的模型创新。数万名客户将 Amazon Bedrock 作为其生成式 AI 应用的基础，因为它可以访问最广泛的第一方和第三方LLM和 FM 选择。目前最受欢迎的模型之一是 Anthropic 的 Claude 模型。最近，宣布支持 Anthropic Claude 3.5 Sonnet 模型，这为智能设立了新的行业标准。
Blueshift 的创意数据平台：AI 营销的创新
Amazon Bedrock 的一个优点是支持多种模型。实际上，许多客户使用多个模型来选择最适合其应用程序的模型。另一方面，也有一些企业需要为特定的用例构建和训练独特的模型。你们中间可能已经有人在使用作为生成性 AI 应用程序基础的LLM或 FM 进行实验和开发。AWS 与许多客户合作，但毫无疑问，并非所有企业都意识到生成性 AI 的力量，并致力于构建自己的生成性 AI 愿景。然而，大多数企业只关注基础模型和LLM，这只是冰山一角。
实际上，表面上看起来的东西之上还有更多。充分利用生成性人工智能的关键是数据。生成性人工智能应用程序归根结底也是应用程序，因此需要一个操作数据库来支持除LLM调用之外的用户体验和所有对话步骤。这包括用于积累特定领域数据的分析功能和数据湖、作为数据获取来源的数据集成，以及整个数据基础设施的治理和合规需求。
拥有在所有这些领域中最全面的服务集的数据基础设施是非常重要的。AWS 提供了适当的工具，以确保在性能、成本和结果上不需要妥协。这种"不适合所有人的一种尺寸"的理念也适用于生成式 AI 的需求，包括用于存储、获取、索引和搜索向量嵌入的工具。
在根据业务需求构建生成式 AI 应用程序时，组织的数据是差异化因素。想一想，所有企业都可以访问相同的LLM和基础模型。然而，利用数据的生成式 AI 应用程序的企业正在利用自己的数据创造实际的商业价值。通用的生成式 AI 应用程序与深刻理解业务和客户的应用程序之间的区别，正是数据所在。我们可以看到许多利用独特数据的创造性用例，如智能对话型聊天机器人、从文本生成编程代码、书籍和文档的摘要等。
那么，我想更详细地谈谈构建生成性 AI 应用程序的事情。Stephanie，Craig，谢谢你的介绍。今天，我将介绍一个实际应用生成性 AI 的案例。简单自我介绍一下，我是 Blueshift 的联合创始人 Manyam Mallela。我们公司提供面向 AI 营销的客户数据平台。这意味着企业和品牌越来越意识到自有数据（行业所称的第一方数据）的价值，并利用这些数据提升客户体验的个性化，显著改善参与度指标。
Blueshift 的案例：在 Sweetwater 的个性化内容推荐
您可以在线查看我们的信息。您还可以查看评论，以了解我们在做什么以及提供什么样的服务。关于 Blueshift 的业务内容，我可以稍微详细说明一下，我们在平台上构建了三个重要的基础层，结合了集成数据索引和 AI 引擎。构建这个基础已经超过 10 年，使得我们能够在所有渠道上综合管理客户体验。一般来说，用户和品牌利用我们的服务进行电子邮件沟通、短信沟通、网站、客户聊天、客户支持，以及利用第一方数据进行客户体验。
我们通过结合预测性和生成性人工智能来实现这一目标。这是我们重要的优势，并且在营销实践中利用生成性人工智能的背景是多年来的数据科学和机器学习。如果是拥有数千万客户的组织，索引中会积累大量数据。通过结合基于这些客户档案的实时预测，可以优化与客户的沟通以及网站和应用程序中的体验。通过加入生成性人工智能，可以实现更快的循环。
这个高速的循环使得可以更高效地创建个性化内容。然而，这需要与已经构建的预测模型基础相结合。或者，通过利用像我们这样的解决方案，可以实现将内容创建与针对用户的上下文个性化相结合的飞轮。
Blueshift 提供了 AI 营销的四个重要支柱。第一个是预测受众，理解访问网站或应用的用户接下来会做什么，并能够作为营销组织实时快速响应。此外，还提供了从首次访问者到首次购买者，再到终身客户的内容和多媒体推荐。通过将这些与渠道和时机优化相结合，下一步最佳行动和最佳渠道已嵌入平台中。现在，通过生成内容，可以进一步个性化每个客户的语调、视觉和文案。在网站和应用中，可以根据每个用户的旅程实现针对每个用户的特定布局。
让我们来谈谈在实际营销中生成性人工智能的应用案例。大约 18 个月前，我们的客户提出了一个问题，尽管内容推荐和推荐引擎已经存在多年，但对内容的语义理解仍然有限。提到推荐，像亚马逊这样的电子商务网站上都可以看到，当查看某个商品时，会显示类似商品，查看此商品的人还看过其他商品的形式是很常见的。然而，随着时间的推移，品牌和组织开始希望将适当的内容与推荐的商品结合起来。
大家中可能有一些人使用生成性人工智能进行图像生成或写博客的经验。使用生成性人工智能编辑博客或创建图像的人能举手吗？有几只手举起来了呢。然后，您可能已经感受到，创建有说服力的视觉效果和内容变得多么简单、高效，成本也降低了。根据某项调查，使用生成性人工智能进行图像创作的成本比传统方法降低了 200 倍。而且，昨天亚马逊发布的 Supernovas、NOA real、Nova 这四种不同层级的模型，可能会在成本方面带来进一步的进展。
因此，我们所有人以及营销组织面临一个重要的问题：我们应该如何利用这些内容？确实，我们可以大量创建优质内容，但这就足够了吗？不仅要创建内容，还要在这无尽的内容海洋中，如何将其与客户和用户联系起来？使用 AWS Bedrock 模型在 Stability Ultra 中创建的这张图片展示了内容创作变得多么吸引人。然而，理解客户品牌的当前定位、最近的行为和未行为、长期关注点，并将这些整合起来，将成为这个内容丰富时代的下一个关键要素。
我们努力从客户的大致特征开始，就像在描绘某个人的肖像画一样。
我将为您描述客户的大致特征。作为管理客户数据的组织，最初几乎没有关于网站或应用程序访问者的信息。随着沟通的增加，通过对数据的理解，逐渐形成更清晰的形象。这个形象通过人工智能提供关于客户兴趣、关注点以及对品牌和组织的关注度的洞察，变得更加丰富。这种理解的结合得到了预测智能和关于客户角色及心理的独特领域知识的支持。
这个过程就像绘画一样，随着时间的推移，从粗略的笔触发展到与对话者的清晰形象。这种联系是通过持续的参与和基于上下文的个性化而产生的。今天，我想更详细地讨论推荐在其中所发挥的重要作用。您可能已经看到，许多组织实践的 1 对 1 推荐在这种基于上下文的个性化中起着关键作用。
以前的推荐引擎明确关注于基于项目与项目之间的相关性进行推荐。例如，当用户浏览运动服或体育用品时，系统会根据会话历史和网站上其他用户的互动，显示更多的项目。然而，随着生成性人工智能对内容的支持，用户现在可以访问其他内容，这些内容解释了这些项目对他们的重要性、购买周期的意义，以及它们如何适应他们的生活方式和客户旅程。
18 个月前，当我们与 AWS 交谈时，表面上提出了一个简单的挑战。我们有一个客户销售的商品，同时也拥有与这些商品相关的教育内容------视频、播客、文章等。挑战在于如何将这些不同的多模态内容以有意义的方式结合在电子邮件通讯中。以前，我们只需简单地包含编辑团队的最新文章或热门视频。然而，通过使用LLMs，我们能够深入理解这些视频、图像和文本，并将其与内容和商品目录联系起来。我们与 AWS 合作，构建了一个使用 Titan Embeddings 的解决方案。这是将多模态嵌入集成到推荐引擎中的一种优秀方法。通过扫描二维码，您可以在 AWS 的网站上阅读完整的博客，其中包含比较结果和个性化的用例。
作为可以根据需求应用的参考架构，我们使用 Amazon EMR 集群和 ECS 集群进行数据采集。LLM基础的管道大多在 AWS Glue 上运行。这是一个完全托管的优秀服务，无需任何预先的基础设施准备。每当输入数据到达时，可以动态运行 Glue，Glue 作业能够适当扩展，更新从 Amazon Bedrock 服务获取的嵌入，并使用个性化内容更新推荐引擎。
这就是我们努力的成果。当我们与北美著名的音乐零售商 Sweetwater 推出这个解决方案时，他们证明了自己是一个出色的合作伙伴。他们在追求音乐的人和专业音乐家中享有盛誉。他们不仅销售音乐设备，还做更多的事情------教育客户选择特定的放大器或吉他的理由、可用的各种选项、乐器的调音方法以及合适的软件。他们还提供介绍用户体验的播客和 YouTube 网红的乐器演示视频。这是一个重视从音乐爱好者到格莱美奖得主的旅程的目标明确的社区，有效地将购买旅程与教育旅程结合在一起。将LLM的推荐整合到新闻通讯中后，点击率比以前的协同过滤模型提高了 50%。
在这个过程中获得的重要学习之一是，嵌入可以随着时间的推移在多个属性上进行索引化，从而实现运行时的逐步更新和适当索引的搜索。这就像生成和获取特定单元的超级 RAG。在这种情况下，可以创建具有主要索引的更大向量索引，从而实现实时的上下文相关个性化。
我想传达几个重要的要点并做个总结。首先，内容生成本身是不够的。即使有大量的内容，如果没有与客户之间有意义的接触，可能会陷入困境。正如我们在 Sweetwater 的案例中看到的，通过播客、视频和文章在整个购买过程中提供与购买相关的信息，并与客户建立上下文相关的内容连接同样重要。正如 Craig 和 Stephanie 刚才所解释的，Amazon Bedrock 是一个基础平台，可以在没有可扩展性担忧的情况下，实现道德选择以及严格的文本数据治理和保护措施。它提供了构建独特推荐引擎和个性化系统的基本工具。
VidMob 的创意数据酿造厂：利用 RAG 架构进行创意优化
谢谢你。米奇，欢迎。大家，早上好。我是 VidMob 的首席产品和技术官米奇·阿隆。今天，我将向大家介绍我们的架构，以及我们如何利用 RAG 架构和 Amazon Bedrock 来使用我们的数据。现在有多少人正在使用 RAG，理解 RAG，或者计划使用 RAG 呢？似乎不太多。RAG 是检索增强生成的缩写，有助于利用数据创造价值。
在解释如何利用数据进行差异化之前，我想介绍一下 VidMob 是一家什么样的公司。VidMob 是一家创意数据技术公司。像 Can View 这样的公司，以及 J&J 和可口可乐等大型品牌，通过创意信号来了解观众，并帮助引导媒体决策。
关于个性化，通常会说"在适当的时机向适当的人传达适当的信息"。我们专注于这些信息，也就是内容，通过理解和解读内容，真正理解用户的偏好，并能够做出相应的回应。我们分析了超过 1800 万部视频的每一帧，更深入地理解其内容。我们连接了 11 个主要频道，这些品牌的资产在创意元素的交汇处生成了超过 3 万亿个数据点。为了更好地理解创意，更好地理解视频和静态图像，并从中提取相关数据，我们构建了超过 40 个独特的模型。
创意数据是什么，我们来定义一下。我们认为，所有大型品牌的创意视频和资产都是学习的机会。因为这是从品牌通常希望如何传达创意、如何构建身份、希望推动哪些指标的角度来看待的。我们分析每一帧，理解其中发生了什么。我们理解对象、文本、互动，甚至情感以及人们是否实际接触产品等高级元素。我们分析这些元素，并将其与营销人员希望推动的指标，如观看完成率和点击率相关联。通过这种相关关系，我们的模型更好地理解创意中发生了什么，最吸引人的部分是什么，以及原因是什么。从 30 秒的视频中生成一万个数据点，这为我们提供了向品牌传达观众实际喜好的学习机会。
品牌为什么如此重视这些数据呢？调查显示，创意的质量占据了整个活动成功的 70%以上。我们总是说"在适当的时机，将适当的信息传递给适当的人"，而这个"什么"的部分占据了参与度的很大一部分。这就是品牌重视并投资于创意数据的原因。而现在，随着生成性人工智能的出现，我们能够以更快的速度和更低的成本创造更多的内容，能够向创意的丰富性转变，这令人非常兴奋。
现在，品牌面临着一些挑战。品牌身份和质量控制变得越来越重要。当使用 AI 生成大量资产时，如何保持品牌身份呢？例如，Listerine 的瓶子和 Coca-Cola 的罐子一眼就能识别，但如果有任何不适感，那就是身份问题。质量控制同样重要。研究表明，作为消费者的我们，只记住品牌每天发布的数据中的大约 15%。因此，记忆的持久性也成为了新的挑战。品牌正在努力实现一致性，以确保信息能够被牢牢记住。品牌的一致性是指如何展示产品和信息等内容。能够穿越噪音、脱颖而出，并知道应该创造什么来实现这种一致性的营销人员将成为赢家。
在这里，我想介绍一下我们为品牌创建独特、吸引人且令人难忘的创意所构建的参考架构。我们称之为 Creative Data Distillery。正如刚才所提到的，数据是差异化的关键因素。通过展示与亚马逊的合作伙伴关系实现的架构，我将解释我们如何获得这些洞察。这是一条漫长的道路------处理视频、理解媒体指标，并将它们连接起来，存储在一个日益增长的大型数据库中。
此外，我们还将介绍嵌入的处理方法，最终应用 RAG 架构，展示如何利用数据使LLM和其他模型的输出更加准确和精确。右上角的第一个架构展示了如何从 11 个通道获取数据并创建创意。这实际上是一个相当古老的缩放机制，它捕捉视频，将其分割成帧，并在与 Amazon SageMaker 通信的同时理解每一帧。在 SageMaker 中，托管着有助于营销人员以更高级的方式理解创意的模型。
Amazon SageMaker 对我们来说是一个巨大的转折点。将数据科学作为发布的一部分真正变得可能。以前，部署和训练需要时间，但通过 SageMaker，数据科学家们获得了部署分析和解决方案服务的能力。我们仍然使用 Amazon Rekognition 和其他现成的元素，将所有内容结合在一起，构建整体，并进一步整合媒体指标以分析相关性，从而生成这个 Distilled Creative Data。让我们看看这实际上是如何运作的，以及展示其成果的两个令人兴奋的视频。
第二部分是嵌入。随着数据的不断增加，将这些相关性存储在高性能数据库中非常重要。我们使用 Snowflake 保存所有这些相关性，并利用向量数据库来理解和整理在构建对话式用户界面时应该提取哪些洞察。向量数据库是一个重要的元素，通过使用 Amazon Bedrock，我们能够在多模型之间协作，测试不同的模型。这使我们能够在不更改代码的情况下，立即为用户切换模型。这是一个非常强大的功能，因为客户可能希望引入他们自己的自定义模型，并将该模型与我们的数据结合使用。
营销人员喜欢使用提示和对话式用户界面来应对不断增加的数据。他们希望快速获得洞察。如果提供太多切片和切割的选项，就无法跟上他们所需的速度，并且会变得非常复杂。因此，我们构建了 Brand Copilot。通过这个工具，他们可以在构建下一个活动之前，或从过去的活动中学习，提出创造性的问题，以理解什么是有效的。
我们在这里实现的是处理 Copilot 提示的 RAG 管道。在下一张幻灯片中，我将向您展示实际操作。这个 RAG 架构使我们能够访问跨越不同领域的各种数据库，并使用向量数据库理解问题的内容。我们可以处理具体问题，例如"Meta 和 TikTok 的点击率受哪些因素影响？"以及基于比较的问题，例如"我应该使用这种类型的创意元素吗？"这些问题会被发送到我们的服务，Amazon Bedrock 将协助多个模型的协作和基准测试，以确定最合适的答案。
这个架构面临一些挑战。在向量数据库中，当问题或提示跨越多个数据源时，需要考虑如何设计向量以及创建多少个向量。这并不是一项简单的任务。作为我们的应对措施，我们对提示进行了分类，并使用相关的向量。在考虑洞察的提示时，复杂的洞察需要分析所有数据。也就是说，LLM需要采取多步骤的方法，理解品牌的本质和目标。仅仅将数据扔给LLM是无法获得适当的回答的。需要考虑这种多步骤的方法、随着时间推移提供上下文的方式，以及发布时的应对措施。在将对话式 UI 发布到产品时，同时发布反馈机制也很重要。
为了解决这个问题，客户可以评估洞察是否优秀。一个挑战是，当模型未能正常工作，或者代理无法提供适当的回答，或者发生幻觉时，了解发生了什么。
在将 Copilot 实现到系统时，需要考虑的一个要点是如何控制输出的可预测性。LLM给予的控制越多，特别是在多步骤的过程中，可预测性可能越低。右侧显示了两个架构，但首先构建一个分类器以判断应该采取什么路径，并从 Agent 中去除一定程度的控制，以获得更可预测的结果。这被分为两个步骤，之后与LLM的交互和上下文的传递将继续进行，但将获得更确定性的结果。我们认为，未来通过公开更多服务，可以实现更多的自主性，但我认为LLM在能够应对这一点之前，仍然需要成熟。
作为实用的解决方案，在下一张幻灯片中您将看到 Vector Database 的演示。当问题被输入时，需要理解问题的类型，以便对其进行分类，理解目标受众和市场，并将其路由到适当的位置。Vector 使用创意元素和受众元素的 Vector，使更深层次的理解成为可能。我们将 Agent 的流程分为多个步骤，并使用与 UI 相同的端点。这是因为当获得真正有说服力的见解时，可以确认LLM不仅仅是在试图说服，而是实际上得到了数据的支持。此外，我们启动了用户反馈 API，使用户能够轻松点击，提供关于良好结果和不良结果的反馈，以及为什么结果不好的原因，从而进行模型的改进和优化。
在这个案例中，您可以看到实际的操作 - 这是在生产环境中运行的，并且正在与几个品牌进行封闭测试。我们可以轻松提示有关宠物护理的问题。通过这些步骤生成洞察，处理基于我所追求的目标的 TB 级数据点，并提供可用于下一个创意或媒体决策的建议。通过展示室内设置和宠物主人与宠物互动的场景，我们可以看到创意中的提升。请记住，为了提高点击率，创造与宠物的真实时刻是多么重要。
在接下来的几个例子中，我们将看看这些洞察是如何转化为行动的。这是一个帮助营销人员避免复杂分析用户界面并加深理解的 Copilot。现在可以使用对话式用户界面来理解和生成洞察。这是很棒的，但目标是让品牌不仅能够获得洞察，还能创建引人入胜、独特且令人难忘的内容。洞察很棒，现在有更多的洞察，但我们应该如何利用它们呢？
下列内容实际上非常酷。我们决定与 Adobe 建立合作伙伴关系。我们开发了用于 Adobe 产品系列的插件，而不是创建独特的编辑器。它可以在 Photoshop、After Effects 和 Premier Pro 中运行。我们将其用作创意数据、元素的创意数据以及洞察的导管。在这里，我们使用 Amazon Bedrock RAG，可以向文本LLM模型传达实际应该创建的内容，包括多模态和文本到图像的转换。考虑到个性化，基于洞察和客户的偏好，有可能快速生成大量创意。这是我们采用的多模态方法，目前正在发布，因此您可以首次看到。基于相同的洞察，这是我们即将发布的内容。
首先，让我们使用 Copilot 看看这个品牌会发生什么。第一个提示是使用经典的 Titan 模型，生成一个包含宠物护理品牌 CTA 的创意，而不使用 Creative Data。转到那个项目，尝试在不使用 Creative Data 的情况下生成输出，结果不错，但与我预期的有些不同，比如人物旁边桌子上的食物和没有 CTA 等。
接下来，我们将使用 RAG 来激活创意数据，并将其注入到创意中。在这里，您可以看到基于这些洞察和创意有效性指标与评分的最佳实践所反映的结构良好的广告。最好的地方在于，可以进行多层次的编辑。您无需重复输入提示进行修改。信息传递基于我们的洞察。这些是我们刚才看到的洞察，TikTok 上与宠物的自然瞬间产生了高点击率。这被纳入 Titan，并且 Titan 利用了这一点。
这就准备好了，只需进行最后的调整，就可以作为超大规模的个性化解决方案使用。此外，Nova 也计划提供支持。还有一点我想提到的是创意质量。当开始生成数十万资产时，评分机制也直接集成到端点中。在 Adobe After Effects 中，可能有些人对右侧的工具不太了解，但可以上传创意，检查是否符合品牌的最佳实践要求和一致性。我认为这在性能以外的方面也会带来很大的效率。
真是太棒了。我们通常处理大规模的数据和技术，但有时会遇到这样易于理解、看到输出也很有趣的非常酷的东西。我对品牌如何利用这些模型进行超个性化感到非常兴奋。初步结果良好，获得洞察的速度非常令人期待。以前，创意策略师需要花费数小时来理解品牌，查看分析的各种报告，并通过切片和切块找到洞察。而现在可以通过提示来完成，并且正在不断改进。
另一个改进点是关于效率的。通常，在生成创意时，市场营销人员需要进行大量的交流和沟通，以达到他们所期望的效果或最佳实践。在这个周期中，已经看到了 25%的改善，能够生成的创意数量也在增加。而且，包含细微差别和变化后，增长超过了 10 倍。可能性是无限的。提供多详细的数据以生成这些不同的资产并快速部署，实际上取决于品牌。
作为总结，我认为与亚马逊建立合作伙伴关系是非常棒的。这一行业正在迅速发展，亚马逊是我们整合一切的绝佳合作伙伴。他们帮助我们快速试用 Bedrock，并启动 SageMaker，使我们能够迅速行动，继续创新。考虑到创新地提升创意的效果，我认为未来的提示将变得更加富有创意。而关于 AI 模型，我们始终在不断进化的旅程中。RAG 架构和 Bedrock 的优点在于能够在没有大规模代码更改的情况下快速响应。即使下一代模型出现，也只需切换即可利用。
我们正在努力创建更多的创意质量管理，以便品牌能够实际使用生成性人工智能。这是因为一些品牌仍然担心品牌问题，不想让没有管理的内容危及品牌。此外，我们也希望与那些希望作为独立软件供应商（ISV）构建解决方案的人士联系，我们已经公开了创意数据 API，可以用于控制和资产创建。它被设计为易于使用的 REST API，因此如果您有解决方案，欢迎与我们建立合作关系，并在适当的情况下共同市场推广。
会议总结：生成性人工智能的实际应用
各位，感谢您们的到来。同时也感谢所有分享关于生成式 AI 应用的演讲者。总结今天的内容，利用生成式 AI 改善业务的方法有很多，但在避免一般 AI 应用的同时，创建个性化应用最重要的是要有现代的数据基础设施，并能够将这些独特的数据用于应用构建。谢谢大家。