さまざまな媒体広告から遷移する先であるランディングページ（LP）の制作を一新させる目的のプロダクトです。画像・テキスト・メタデータなどのマルチモーダル情報を用いた制作時の広告効果予測をはじめとする多くの部分でコア技術として深層学習を用いています。

Member

DS/ML/MLOps Engineer : 分析課題の発見から手法のプロダクション化, データパイプライン, 推論基盤, バックエンド APIまで責務をもつ
Research Engineer : LLMやVLMを中心に最先端の手法を研究開発する
Engineering Manager / Product Owner : プロダクトの方針に責務をもつ
Frontend Engineer : Webパフォーマンスを考慮しながらLPを構成するコンポーネントを開発し, デザイナー向けの管理画面などにも責務をもつ
Backend Engineer : 本番配信の仕組みのような業務課題全般のシステム化に責務をもつ

使用している主な技術

OpenAI, Anthropic, CyberAgentLM, Llava, vLLM, BigQuery, GKE, Vertex AI Pipelines, PyTorch, Triton Inference Server, gRPC, DVC, Qdrant, Multimodal-embeddings, OCR, Data annotation, Bayesian A/B testing

ランディングページの広告効果予測

解決したい課題/ ユースケース

インターネット広告から遷移する先のページ（ランディングページ ; LP）はユーザーが購入や問い合わせなどの行動をする場所として重要な一方、それら自体に対するデータドリブンな広告効果向上施策は広告自体と比べると進んでいない現状があります。
これに対し本プロダクト「極予測 LP」では、弊社広告代理店のもつ大規模かつ多様な効果ログと LP や広告素材等のデータを活用して構築した効果予測モデルを用いて、コストのかかるオンライン配信実験の前段階で効果の見込める LP を効率良く制作できるプロセスを提案します。
機械学習の問題として難しいのは、LP 自体がマルチモーダルなデータである点です。例えば、ページに含まれる複数の画像やテキストをはじめとして、ページ自体のレイアウトなどもユーザーの行動に影響するかもしれません。これに対し、近年活発に研究されているマルチモーダル深層学習手法を実プロダクトに取り入れています。

1. 「広告の有効性」予測モデル
   各広告媒体が互換性のある形で提供している評価指標、「広告の有効性」を目的変数とした予測モデルになります。「低い」「平均的」「高い」「非常に高い」の4 値で評価されるラベルであり、多値分類モデルにより実装されています。
2. 「組み合わせ効果」予測モデル
   広告配信におけるKPI(CTR,CPA等)を目的変数とした予測モデルになります。既存No􏚲の広告効果を上回った組み合わせを入稿するという制作フローの要件を満たすため、ランキング学習モデル(LambdaMART) により配信中広告・入稿候補広告の広告効果の優劣予測を比較する実装となっています。

1，2 の各モデルともに、特徴量は広告アセットや検索キーワードなどを特徴量エンジニアリングして用いています。

解決したい課題/ ユースケース

ランディングページ（LP）はユーザーに対して商材の訴求を表現する機能があるため、ページ内で使われるテキストや画像素材の品質が重要となります。一方、大量の広告案件と多様な商材に対して適切な素材を用意するのは難しい課題があります。例えば、ストックフォトサイトから商材に合った素材を選定するには商材やデザインへの高度な理解が必要です。また、個別の素材写真撮影は費用やスケジューリングなどの制約が多く、使える案件は限られます。
このような課題に対し、深層生成手法の研究開発を進めています。実質無限に多様な素材やデザイン案を生成できる生成技術とデザイナーが協調する制作プロセスを実現することを目下の目標としています。
そのために各種の大規模言語モデル（LLM）や視覚言語モデル（VLM）の研究開発を行い、社内外に公開しています。

ぞれのタスクの処理特性に応じた最適なクラウドコンポーネントを用いることで対応しています。

関連リンク

LLM: CALM3-22B-Chat：https://huggingface.co/cyberagent/calm3-22b-chat
VLM: Llava-CALM2-SigLIP：https://huggingface.co/cyberagent/llava-calm2-siglip