ML Advertising

Как быстро расти по грейду Давно не было постов про карьеру, нужно это исправить. Прэтому сегодня полезные советы, что нужно, чтобы двигаться по грейду ➡ Доверие Вот главное, что нужно понимать в росте по грейдам. Нанимая вас на определённый грейд или повышая в рамках одной компании, ваш менеджер отвечает для себя на один простой вопрос, насколько он доверяет дать именно вам определённый кусок своей ответственности. Любые собесы по ML, ML дизайн, behave, по алгоритмам это по сути лишь способ собрать сигнал, что вам можно доверить некоторый пул задач/проектов с понятной долей самостоятельности в их исполнении Полученный грейд - это оценка объёма ответственности, который вы, как верит менеджер, способны затащить ➡ Визуализация Хотите высокий грейд? Нарисуйте в голове, какому объёму он соответствует, и далеко не только в хардах, на примере того, что делают ваши старшие товарищи или знакомые из других компаний. И визуализируйте для себя, вы готовы были бы доверить такое себе? Сможете сделать от и до? Чего вам не хватает, чтобы прямо сейчас уверенно ответить "да" ? ➡ Реализация Если картинка в голове сложилась, и пробелы в хардах/софтах в процессе изучения, дальше остаётся идти вперёд. Самый простой способ быстро дорасти до следующего грейда - начать делать задачи следующего грейда уже сейчас. Как только вы с таким справляетесь, дальше есть 2 сценария. Либо ваш менеджер в текущей компании понимает, что вам можно доверить кусок ответственности побольше (а это грейд ап). Либо у вас есть отличная строчка в резюме и кейс для собесов, чтобы дать сильный сигнал нанимающим менеджерам, какой кусок ответственности вы способны закрыть самостоятельно (это тоже грейд ап)

llmfit Утилита llmfit для проверки локальных LLM, адаптирует их под системные требования машины и задачу. Ее особенность в том, что она делает оценку без скачивания самих моделей Что может llmfit? Определяет железо: RAM, CPU, VRAM, тип GPU, также проверяет, какие локальные рантаймы установлены. Оценивает каждую модель из репо HuggingFace по качеству предикта, скорости и размеру контекстного окна. Сводит критерии в единый composite score. Дает рекомендации, какую квантизацию выбрать (Q8 -> Q2), оценивает расход токенов в секунду llmfit может интегрироватья с локальными фреймворками Ollama, llama.cpp, Docker Model Runner etc. Как использовать? Устанавливаем brew install llmfit Запускаем проверку машины llmfit system Запрос рекомендаций по задачу например coding llmfit recommend --json --use-case coding --limit 3 Отображаем топ-5 моделей, которые помещаются в RAM по fit llmfit fit --perfect -n 5

Рубрика новости Google Ads В Google Ads начали появляться темы для групп ассетов в PMax. В меню создания Asset Group появилась опция Apply theme to asset group. Она позволяет скопировать существующую Asset Group и применить к текстам и изображениям сезонную или праздничную тему. Темы завязаны на сезоны, праздники и крупные инфоповоды для продаж: Back to school, Halloween, Black Friday, Christmas, Summer sale, Valentine’s Day etc Тестируем и при подтверждении эффективности по сравнению со сборкой ручных креативов пользуемся

Пример заполненного, готового к использованию SKILL.md

Cоставляем скилл для TikTok MCP сервера Ранее упоминал, что TikTok запустил свой MCP сервер, куда можно загружать свои кастомные 3P скиллы. Сегодня разберем, из каких частей должен состоять SKILL.md, чтобы его можно было загрузить на сервер? Process Цикл загрузки данных и оптимизации состоит из следующих шагов: валидация данных, чтение ее структуры из TikTok, запрос плана оптимизации (оптимизируем часть биддинга). Далее валидируем действия в соответствии с safety правилами reference/safety-rails.md и reference/smart-plus-mode.md. Указываем порядок отката в случае сбоя. Публикуем отчет и планируем новый цикл. When to use Случаи применения нашего API, когда он был выбран рекламодателем, и тот дал согласие, на нашу оптимизацию и передачу нам метрик своих РК TikTok Out of scope Прописываем, что агент не должен делать: - самостоятельно генерировать и загружать новые креативы, - менять таргетинг (аудиторию, гео, девайс, блэклисты), - создавать, удалять, дублировать adgroup'ы - увеличивать бюджет, снимать/ назначать budget cap Operating modes Здесь доступны 3 режима: Standard (скилл может проводить операции на уровне ad group + цикл daily), Smart+ (скилл действует на РК целиком + цикл weekly), Mixed комбинированный режим охватывает одновременно и ad group (оптимизируются daily), и campaign (weekly) Reason codes Определяем список действий и error кодом по аналогии с HTTP, которые сервер нам возвращает. Доступны 12 кодов, покрывающих over/under перформящие KPI, лимиты по budget spent, ограничения РК Smart+, human approval etc. Output Каждый цикл выдает нам отчет: сводку плана, списки исполненных/ отклоненных действий, error codes User promise Итоговое обещание: мы формируем план на основе KPI, скилл исполняет только поддерживаемые TikTok действия, соблюдает brand safety рекламодателя, и не раскрывает методологию нашего API и биддинг алгоритма

Вашему вниманию github repo, где собраны все базы IP адресов, включая наиболее популярный MaxMind без необходимости регистрации в нем. В наличии базы для определения страны, города и ASN в формате CSV и MMDB, обновляемые ежедневно. Сохраняем к себе!

Рейтинг Programmatic групп по выручке за 2025 год от @dmcrus Топ-3 группы по выручке: 🥇МТС AdTech - 6,44 млрд рублей (+17%) 🥈 Hybrid - 4,59 млрд рублей (+18%) 🥉 MoeVideo/RedDigital - 2,97 млрд рублей (+32%) Основные моменты: - МТС AdTech остается на первом месте по выручке - По динамике роста в лидерах Involta - 1,3 млрд рублей (+47%) - По чистой прибыли лидер T2 Adtech - 593 млн рублей (+31%) - MoeVideo/RedDigital вошли в топ-3 Полный рейтинг: https://digitalmarketingclub.ru/rating/dsp25/groups Хочу поблагодарить наших партнеров, а также экспертов и участников рынка, которые принимали участие и давали обратную связь. Буду рад комментариям и замечаниям. Партнеры: Генеральный партнер - Hybrid Стратегический партнер - Mediadesk Партнер по верификации - AdRiver Партнер по мобайлу - Bidease Партнер - bidvol Партнер по данным - Контур.Фокус @dmcrus

TikTok Bidding Algo Сегодня рассмотрим функционал ставок в TikTok Ads. Его API предоставляет очень простой, но эффективный механизм управления ставкой. На данный момент доступны размещения InFeed, т.е. в ленте Какие ручки доступны в API? - BID_TYPE_CUSTOM: ручное назначение ставок, или она еще называется Cost Cap - BID_TYPE_NO_BID: отключение контроля ставок, тогда бюджет расходуется полностью, чтобы получить максимальное количество результатов, т.е. Maximum Delivery Также в доступен Suggested Bid, он работает для РК под конверсии. Т.е. мы можем запросить TikTok Ads Manager выдать нам suggested bid в соответствии с оценкой его внутреннего AI алгоритма. При этом при выборе BID_TYPE_CUSTOM мы можем перезаписывать ставку, повышая/понижая относительно suggested bid по нашему усмотрению Запуск РК: РК стартует и откручивается сутки для сбора начальных данных. Параллельно задается daily budget для каждой адгруппы. Обязательно выставляем target bid cost, поскольку если этого не сделаем, то адгруппа по умолчанию перейдет на стратегию maximum delivery вместо cost cap Используем Suggested Bid и итеративно перезаписываем его Запрашиваем suggested bid для каждой адгруппы. Сравниваем статы между адгруппами (их pacing, CPM, CPV). Далее начинаем перезаписывать ставку поверх suggested bid, повышая/понижая ее на 1-5% адгруппы, на основе их эффективности. Повторяем процесс daily

Метод bidding'а для получения фиксированного количества лидов и оптимального CPL В этой статье расскажу один из методов в трейдинге, при котором можно получить ровно столько лидов, сколько нужно. Он требует правильной ручной работы со ставкой, поэтому рекомендуется для опытных открутчиков Создаем РК на конверсии. Внутри нее создаем минимум 5 адсетов под разный таргетинг: интересы, lookalike, etc. Выставляем ручную предельную ставку (bid cap). При этом какой бы ни была ваша обычная цена за лид, поставьте ставку = 0.5 x CPL. Установите тип доставки бюджета ASAP, т.е. ускоренный расход бюджета. Почему ASAP? Для того, чтобы нам в точности управлять спендом без участия pacing'а со стороны DSP В каждый адсет (или line item в зависимости от DSP) загружаем по 4-5 креативов. Запихивать 30 креативов не нужно, но и делать только один тоже. Лучше сделать несколько разные типов: баннер, видео, карусель etc. Заводя в адсет все виды крео, вы позволяете DSP отдать показ в неависимости от того с какого девайса сидит пользователь, и на что он привык кликать, не ограничивая себя одним сегментом Выставляем бюджет: он должен быть 500-5k usd на адсет. Наша цель, потратить от него 10-20% daily. Теперь можем запускать РК. В начале мы не должны получать трафика, это нормально, если он идет, то начальная ставка была слишком высокой. Внимательно следим за ней и медленно повышаем на 10%, например c 20 -> 22 usd. Затем ждем несколько часов. Если трафика вообще нет, или он есть, но слишком мало показов, то снова поднимаем до 24 usd, и снова ждем Почему так? Сервера того же Google Ads или TikTok Ads распределенные, и когда вы меняете ставку, проходит 15-20 мин, прежде чем она обновится на всех серверах. Если вы занервничаете и будете поднимать ставку часто или на большую величину, то можете перекрутить весь бюджет Также можно выставить автоправила - выключить адсеты, на которых есть спенд, но отсутствуют лиды - выключить адсеты, на которых есть лиды, но цена CPL за них слишком высокая Также в рамках адсета стоит выключать креативы, которые не приносят лидов, или приносят, но с завышенным CPL Если все сделано правильно, то CPL снизится на 30% в сравнении с авто-алгоритмом внутри DSP

На правах дружеского пиара хочу порекомендовать канал Евгения BoostClicks Пока в арбитраже обсуждают заливы трафика, конвертящие офферы, iGaming 🎰 , техничка всегда остается за кадром. Успехи как команд, так и соло трейдеров зависят от используемых инструментов, многие из которых проприетарные, или меняют условия пользования налету (привет кейтаро) А здесь автор делится своим опытом, наработками, а главное бесплатными сервисами, упрощающими жизнь медиабайеру Что вы найдете на канале: - Собственная клоака BoostRouter: больше миллиарда IP-адресов в базе, latency <50ms, антифрод - Бесплатные сервисы, доступные в 3kota.shop: чекер анонимности браузера, Redirect Checker для анализа цепочек редиректов, User Agent & Cookie генератор - Уникализатор видео для перезаливов на разные площадки - Обзор полезных open source инструментов, например репозиторий для проверки SEO метрик сайта Многие рекомендации сам использую в работе, присоединяйтесь и вы!

Как я ранее писал о том, что TikTok Ads запускает MCP сервер, буквально через неделю после поста пришел официальный анонс о релизе Все, как описывал. Будут доступны: - загрузка third-party навыков - умная настройка РК и аналитика - автоматизация загрузки пискелей, назначения бюджетов по adset'ам, ротации креативов

🗓20/05 — Inside AI Meetup от Wildberries & Russ Эксперты RWB, MWS, Avito, Сбера, Альфа-Банка, red_mad_robot представят реальные кейсы из практики: от высоконагруженной модерации с векторным поиском и AIOps-подходов к управлению ML-сервисами до практики построения RAG-систем, тонкостей реранкинга и реальных этапов запуска LLM-продуктов. Митап будет интересен senior ML/AI инженерам, MLE, DS, инженерам платформ и всем, кто строит или масштабирует AI-системы в продакшене. 📍Ивент пройдет 20 мая, старт в 15:00. Встреча в Москве, но будет трансляция. Регистрация и подробности здесь.

LLM-based кандидато-генерация в Alibaba Ранее мы рассмотрели нативное представление айтемов + LLM-башенную модель, использующуюся в Linkedin. Сегодня речь пойдет про RecGPT и ее применение в Alibaba Архитектура 1. Используют последовательность из нескольких LLM, каждая из которых дообучается на конкретную задачу, но финальные рекомендации будет строить не-LLM 2. Первая LLM получает на вход историю действий пользователя. Она майнит такую историю и вытаскивает из неё долгосрочные и краткосрочные "интересы" пользователя - в виде текстовых описаний 3. Вторая LLM получает замайненные "интересы" и описание краткосрочной истории пользователя и делает предсказания "тегов". В данном случае "тег" это текстовое описание следующего айтема, соответствующее определённой структуре и имеющееся в заранее заданной коллекции. Языковая модель здесь предсказывает на основе своего знания о мире, не используя коллаборативные сигналы из данных сервиса. Майнинг интересов расширяет краткосрочную историю действий сжатой информацией, которую удалось выцепить из более длинной истории 4. Предсказанные текстовые "теги" товаров трансформируются в рекомендации товаров следующей моделью - уже не LLM. Используется трёхбашенная Item-User-Tag модель со стандартными входами для башен в виде фичей и текстов. Модель училась сближать позитивные пары user-itel и item-tag, используя contrastive лоссы на коллаборативных сигналах 5. Инференс. Эмбеддинги юзера и предсказанного "тега" на выходе соответствующих башен сводятся в один - простой линейной комбинацией с заданным коэффициентом. Этот вектор используется для поиска ближайших векторов item'ов, которые и станут кандидатами для рекомендаций пользователю

TikTok Ads запускает MCP сервер TikTok Ads вводит стандартный интерфейс, позволяющий MCP-совместимым агентам подключаться к платформе, например для создания РК, настройки таргетинга аудитории и оптимизации. Model Context Protocol (MCP) - это стандартный протокол того, как ИИ агенты подключаются к платформе. Т.е. он предоставляет инструменты: получить отчет об РК, создать группу Ad Sets, остановить РК, которые совместимый агент может автоматически выполнить На старте будут опубликованы First-Party Skills, созданные самим TikTok, в которые будут зашиты процессы, которым должны будут следовать создаваемые агенты. Также планируется Skills Hub, куда можно будет заливать свои кастомные Third-Party Skills, предварительно провалидировав их в TikTok Ads. В данный момент проходит закрытый бета-тест 3P навыков, релиз запланирован на июнь этого года

Кэширование ставок в RTB 🗄 ➡️ Зачем это? В чем идея? Мы хотим использовать вторичные ставки, ранее не побеждавшие в аукционах для максимизации доли заполненных запросов (fill rate) и повышения выручки Это особенно касается SSP, кто бидит во внешнем аукционе паблишера и прокидывает за запрос одну самую высокую ставку Допустим, в аукционе было 10 биддеров, 5 из них не ответили ничего (no-bid), а среди остальных 5 ставок 4 оказались валидные и одна самая высокая выиграла. Так вот вместо того, чтобы отбрасывать остальные 3 валидные ставки, мы их сохраним в кэше в Redis для последующего повторного использования Что мы из этого получим? Нас интересует инвентарь, на который DSP отвечают медленно либо отлетают по timeout. Т.е. мы поддерживаем пул высокоценных ставок на этот инвентарь, готовых к отправке в аукцион. И если хранить и забирать ставки из Redis, то это снижает задержку для будущих запросов. И если вторичные ставки ранее проиграли первый аукцион, то сейчас они могут выиграть последующие ➡️ Какие риски? С добавлением быстрого хранилища у нас естественно возрастут накладные расходы на запись в кэш + сетевая нагрузка на общение платформы с кластером Redis. Тогда правильно записывать биды батчами за один запрос в Redis. Также очищаем истекшие биды по retention например за 30 крайних минут. Также на прокинутую вторичную ставку назначаем статус "not_used", если показ не состоялся, то удаляем ее из кэша

LLM-based кандидато-генерация в LinkedIn Сегодня разберем статью Large Scale Retrieval for the LinkedIn Feed using Causal Language Models модели рекомендательных систем на базе LLM в Linkedin Текстовое представление айтемов вместо Semantic IDs Айтемы подаются в LLM в виде текстового описания имеющихся у них фичей (LinkedIn ещё и счётчики популярности добавляет). Пользовательская история - в виде текстового описания фичей пользователя и истории его позитивных взаимодействий Архитектура 1. Берется идею классического двух-башенного DL кандидато-генератора и заменяют 2 отдельные башни на общую LLM. При этом оставляют обычную постановку - научиться строить эмбеддинги юзеров и айтемов, сближая их по коллаборативному сигналу через привычный contrastive loss 2. Вместо обучения с нуля делают файнтюн предобученной LLM. На входе тексты, на выходе - эмбеддингов айтемов/юзеров. Для перехода от эмбеддингов токенов на выходе LLM к финальным эмбеддингам юзеров и айтемов используют mean pooling. Близость айтема и юзера оценивают по косинусу 3. Учатся на InfoNCE лосс: на каждый позитив помимо In-Batch негативов берут 2 Hard Negatives - используют айтемы, которе юзер видел в своей ленте, но с которыми он не сделал положительных взаимодействий, они же impressions. 4. Используется Matryoshka learning для сжатия размера финальных эмбеддингов. Показывают, что использование для инференса эмбеддингов размерности 512 не влияет на recall по сравнению с оригинальным 3072 в выбранной ими модели LLaMA-3 3B

Google официально взялся за сайты, которые ломают кнопку «Назад». Если страница подсовывает лишние переходы, мешает вернуться назад или уводит пользователя не туда, куда он ожидал попасть, это теперь подпадает под спам-политику Google. До 15 июня 2026 такие скрипты/методы нужно убрать, иначе сайт могут вручную наказать за спам или автоматически понизить в поиске. @cparip G GATE Conf ⚫ Промокод CPARIP: -20%

Новый день, новые регуляции от Google. На этот раз расширении спам-политики в отношении паблишеров, на сайтах которых происходит т.н. захват кнопки "Назад"

Google Ads объединяет настройки расширенного отслеживания конверсий. Раньше расширенное отслеживание конверсий на сайтах и расширенное отслеживание конверсий потенциальных клиентов настраивались отдельно, и нужно было выбирать один способ передачи данных. С апреля 2026 Google Ads начнёт принимать данные, предоставленные пользователями, параллельно из тегов сайта, Менеджера данных и API. С июня оба типа конверсий объединят в одну общую настройку, а выбор метода постепенно уберут из интерфейса. Это позволит передавать данные из нескольких источников, упростив настройку. Переход для текущих пользователей произойдёт автоматически.

Познавательная инфографика EBITDA для самых маленьких Полезна для продактов, новоиспеченных менеджеров и все, кому интересна экономика компании Сохраняем к себе!