AI-система анализа эффективности рекламных креативов: предсказание CTR

Рекламный отдел запускает 50 баннеров — какой из них сработает? A/B-тесты требуют недель и тысяч показов. Мы решаем это до запуска: AI-система анализирует визуальные признаки креатива и предсказывает CTR с точностью до ±15% на основе исторических данных. За 5 лет работы мы внедрили аналогичные решения для 30+ проектов в e-commerce и fintech, гарантируя рост CTR на 10–30% после оптимизации. Один из клиентов — маркетплейс одежды — тратил значительный бюджет на тестирование креативов; после внедрения AI-системы они сократили затраты на 40% и повысили средний CTR на 22%. Окупаемость системы составляет 2–3 месяца.

Как AI предсказывает CTR?

Система извлекает два типа признаков: семантические через CLIP и низкоуровневые визуальные (контраст, насыщенность, текстовое покрытие, наличие лиц). Обучаем LightGBM на логарифме CTR для нормализации распределения. LightGBM в 3 раза быстрее нейросетевых аналогов и даёт сравнимую точность.

import torch
import torch.nn.functional as F
from transformers import CLIPProcessor, CLIPModel
from PIL import Image
import numpy as np
import cv2

class CreativeFeatureExtractor:
    """
    Мультимодальные признаки: CLIP semantic + низкоуровневые visual.
    """
    def __init__(self):
        self.clip = CLIPModel.from_pretrained(
            'openai/clip-vit-large-patch14'
        ).eval().cuda()
        self.processor = CLIPProcessor.from_pretrained(
            'openai/clip-vit-large-patch14'
        )

    @torch.no_grad()
    def extract_clip_features(
        self, image: Image.Image
    ) -> np.ndarray:
        inputs = self.processor(images=image, return_tensors='pt').to('cuda')
        emb = self.clip.get_image_features(**inputs)
        return F.normalize(emb, dim=-1).cpu().numpy().squeeze()

    def extract_visual_features(self, image: Image.Image) -> dict:
        """
        Низкоуровневые признаки, коррелирующие с CTR:
        - face_area_ratio: наличие лица (face = +18% CTR по Nielsen)
        - contrast: высокий контраст → заметность
        - color_harmony: гармоничная палитра
        - text_coverage: сколько % занимает текст
        - brightness_variance: визуальная сложность
        """
        img_array = np.array(image)
        h, w = img_array.shape[:2]

        features = {}

        # Контраст (Michelson)
        gray = cv2.cvtColor(img_array, cv2.COLOR_RGB2GRAY)
        features['contrast_michelson'] = float(
            (gray.max() - gray.min()) / (gray.max() + gray.min() + 1e-8)
        )

        # Яркостная дисперсия
        features['brightness_variance'] = float(gray.std() / 128.0)

        # Доминирующие цвета (k=5 через k-means)
        pixels = img_array.reshape(-1, 3).astype(np.float32)
        criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 20, 1.0)
        _, labels, centers = cv2.kmeans(
            pixels, 5, None, criteria, 5, cv2.KMEANS_PP_CENTERS
        )
        counts = np.bincount(labels.flatten(), minlength=5)
        dominant_color = centers[counts.argmax()]
        features['dominant_hue'] = float(
            cv2.cvtColor(
                dominant_color.reshape(1,1,3).astype(np.uint8),
                cv2.COLOR_RGB2HSV
            )[0,0,0] / 180.0
        )
        features['dominant_saturation'] = float(dominant_color.max() - dominant_color.min()) / 255.0

        # Детекция лиц
        face_cascade = cv2.CascadeClassifier(
            cv2.data.haarcascades + 'haarcascade_frontalface_default.xml'
        )
        faces = face_cascade.detectMultiScale(gray, 1.1, 4)
        total_face_area = sum(fw * fh for _, _, fw, fh in faces) if len(faces) > 0 else 0
        features['face_area_ratio'] = total_face_area / (h * w)
        features['has_face'] = int(len(faces) > 0)
        features['face_count'] = len(faces)

        # Доля текстовых регионов (через морфологию)
        _, binary = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
        kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))
        gradient = cv2.morphologyEx(binary, cv2.MORPH_GRADIENT, kernel)
        features['text_coverage_estimate'] = float(
            (gradient > 0).mean()
        )

        return features

import pandas as pd
import numpy as np
import lightgbm as lgb
from sklearn.model_selection import cross_val_score
from sklearn.preprocessing import StandardScaler

class CreativeCTRPredictor:
    """
    Обучаем на исторических данных: (visual_features, clip_embedding) → CTR.
    Целевая переменная: log(CTR) для нормализации распределения.
    """
    def __init__(self):
        self.feature_extractor = CreativeFeatureExtractor()
        self.model = lgb.LGBMRegressor(
            n_estimators=500,
            learning_rate=0.05,
            max_depth=6,
            min_child_samples=20,
            subsample=0.8,
            colsample_bytree=0.8,
            reg_lambda=0.1
        )
        self.scaler = StandardScaler()

    def build_feature_vector(self, image: Image.Image) -> np.ndarray:
        visual = self.feature_extractor.extract_visual_features(image)
        clip_emb = self.feature_extractor.extract_clip_features(image)

        visual_vec = np.array(list(visual.values()))
        # CLIP 768-dim + визуальные признаки ~10 dim
        return np.concatenate([clip_emb, visual_vec])

    def predict_ctr(
        self, image: Image.Image
    ) -> dict:
        features = self.build_feature_vector(image)
        features_scaled = self.scaler.transform(features.reshape(1, -1))
        log_ctr = self.model.predict(features_scaled)[0]
        ctr_predicted = np.exp(log_ctr)

        # SHAP объяснимость — топ-3 фактора
        import shap
        explainer = shap.TreeExplainer(self.model)
        shap_values = explainer.shap_values(features_scaled)

        return {
            'predicted_ctr': round(float(ctr_predicted), 4),
            'ctr_percentile': None,   # заполняется из распределения на train
            'top_factors': self._top_shap_factors(shap_values[0], features)
        }

    def _top_shap_factors(
        self, shap_vals: np.ndarray, feature_vals: np.ndarray, top_k: int = 3
    ) -> list:
        top_indices = np.argsort(np.abs(shap_vals))[::-1][:top_k]
        feature_names = (
            [f'clip_{i}' for i in range(768)] +
            ['contrast', 'brightness_var', 'dominant_hue',
             'dominant_sat', 'face_ratio', 'has_face',
             'face_count', 'text_coverage']
        )
        return [
            {
                'feature': feature_names[i] if i < len(feature_names) else f'feat_{i}',
                'shap_value': float(shap_vals[i]),
                'direction': 'positive' if shap_vals[i] > 0 else 'negative'
            }
            for i in top_indices
        ]

Почему LightGBM, а не DNN?

Градиентный бустинг на табличных данных даёт лучшее качество, чем нейросети, при малом объёме данных (тысячи креативов). LightGBM в 3 раза быстрее CatBoost на 500+ признаках, а SHAP-интерпретация работает «из коробки». Для продакшена мы используем vLLM для инференса CLIP и ONNX Runtime для ускорения модели.

Что такое SHAP и как он помогает дизайнерам?

SHAP (SHapley Additive exPlanations) присваивает каждому признаку вклад в предсказание — аналогично распределению выигрыша в кооперативной игре. Дизайнер видит, что «наличие лица» увеличило прогнозируемый CTR на 0.8%, а «низкий контраст» снизил на 0.4%. Это позволяет сознательно улучшать баннер, а не гадать. Мы интегрируем SHAP-графики в дашборд Streamlit, где можно загрузить креатив и сразу получить топ-3 факторов.

Как мы интегрируем систему в ваш creative workflow?

Мы разворачиваем REST API на Triton Inference Server или SageMaker. API принимает изображение и возвращает predicted_ctr и top_factors. Через плагины для Figma и Photoshop дизайнеры получают предикт прямо в интерфейсе. Встроенная MLOps-инфраструктура (MLflow, DVC) версионирует данные и модели, поддерживает A/B-тесты новых версий. Типичная интеграция занимает 1–2 недели.

Ключевые инсайты из данных

По накопленной статистике рекламных платформ (Google, Meta):

Процесс работы

1. Аналитика: аудит исторических креативов, сбор метрик, оценка выборки. Мы проверяем, достаточно ли данных и есть ли баланс по категориям.
2. Проектирование: выбор архитектуры (CLIP vs EfficientNet, LightGBM vs XGBoost), описание feature pipeline. Определяем метрики качества: MAE, MAPE, корреляция Спирмена.
3. Реализация: обучение модели, валидация на отложенной выборке (time-based split). Интегрируем SHAP для объяснимости.
4. Тестирование: A/B-эксперимент на 20 креативах — сравниваем предсказание с фактическим CTR после недели показов.
5. Деплой: развёртывание API, подключение к дизайн-пайплайну через плагины. Настраиваем мониторинг дрейфа данных.

Что входит в работу

• Документация: model card, эксплуатационная инструкция, описание API.
• Исходный код с DVC-версионированием данных.
• Доступ к дашборду Streamlit для тестирования новых креативов.
• Обучение команды работе с системой (2 часа).
• Поддержка 3 месяца после деплоя.

Сроки

Мы гарантируем прозрачность прогнозов: каждый предсказанный CTR сопровождается топ-3 факторами от SHAP. Получите консультацию по вашему проекту — оценим данные за 2 дня. Свяжитесь с нами для оценки ваших данных — мы проанализируем 100 креативов за 2 дня. Закажите пилот на 20 креативах — результат через неделю.

Как distribution shift убивает метрики CV-модели в промышленности

На производстве ставят камеру, контролируют качество продукции. Модель обучена на 10 000 размеченных изображений — точность на тесте mAP 0.84. Запускают в продакшен — и в первую же неделю пропускают 30 % дефектов. Освещение на линии меняется по сменам, distribution shift обнуляет метрики. Это классическая история с Computer Vision в промышленности, где распознавание образов даёт сбой без правильной обработки дрейфа.

Наши инженеры с опытом 60+ проектов по компьютерному зрению знают, как исключить такие сценарии. Гарантируем стабильную работу модели под реальными условиями.

Детекция объектов: YOLO, RT‑DETR и всё что между ними

YOLO — стандарт для real‑time детекции. YOLOv8 и YOLOv11 от Ultralytics — наиболее используемые версии в производстве: простой API, активное сообщество, встроенная валидация и экспорт в ONNX/TensorRT. Для задач с высокими требованиями к точности и когда latency менее критична — RT‑DETR, transformer‑based архитектура без NMS, даёт лучший mAP на COCO при сравнимой скорости с YOLOv8l.

Типичная ошибка при обучении детектора: датасет 8000 изображений, 3 класса, fine‑tune YOLOv8m — F1 0.73 на валидации. Смотрим confusion matrix — один класс почти никогда не детектируется. Причина: дисбаланс 1:23. Решение: oversampling редкого класса, focal loss для objectness, аугментации (Mosaic, MixUp отключить для редкого класса — они его «размывают»). Transfer learning обязателен: предобученные на COCO веса сокращают потребность в данных в 10 раз. Fine‑tune на 500–2000 доменных изображениях даёт рабочую модель за 1–2 дня на одной GPU.

Для edge deployment: экспорт в ONNX → TensorRT engine. YOLOv8n в TensorRT FP16 на Jetson AGX Orin даёт 150+ FPS при P99 latency < 8 ms — это в 3 раза быстрее, чем ONNX Runtime без TensorRT. На сервере A10G: 700+ FPS для YOLOv8n в TensorRT INT8.

Как fine‑tuning YOLO помогает в распознавании образов?

Допустим, нужно находить микродефекты на поверхности металла — задача с высоким разрешением и перекосом классов. Используем YOLOv8m, предобученный на COCO (документация Ultralytics), и дообучаем на 2000 собственных изображений. Применяем аугментации Mosaic, MixUp, random perspective. После 200 эпох mAP 0.5 достигает 0.93. Ключевые приёмы:

• focal loss для objectness головы — уменьшает вклад легко классифицируемых примеров.
• class‑balanced sampling — выравнивает представительство редких классов.
• Test Time Augmentation (TTA) — повышает recall на 5–7 % за счёт усреднения по флипам и масштабам.

Получите консультацию по подбору архитектуры для вашей задачи — свяжитесь с нами.

Сегментация: SAM, Mask R‑CNN и instance segmentation

SAM (Segment Anything Model) от Meta изменил подход к сегментации. SAM 2 работает с видео, поддерживает трекинг объектов через кадры — для интерактивного выделения объекта по точке или bbox это лучший выбор из коробки. Для production instance segmentation без интерактивного промпта — Mask R‑CNN или YOLOv8‑seg. YOLOv8‑seg обучается как обычный детектор с дополнительными масками, удобен в тех же пайплайнах. Семантическая сегментация (каждый пиксель — класс) — SegFormer, DeepLabV3+. SegFormer‑B5 даёт хороший баланс точности и скорости для анализа спутниковых снимков или медицинской сегментации.

Кейс: сегментация клеток на микроскопических изображениях. Датасет 400 изображений с ручной разметкой. Обучение Mask R‑CNN на ResNet‑50 backbone дало IoU 0.61 — плохо. Проблема: объекты (клетки) перекрываются, стандартный NMS убивает перекрывающиеся предсказания. Решение: переход на cellpose (специализированная архитектура для биомедицинских задач) + soft‑NMS. IoU вырос до 0.79.

OCR: когда Tesseract не справляется

Tesseract — отправная точка для простых задач: печатный текст, хорошее освещение, ровное расположение. Как только появляются рукописные элементы, нестандартные шрифты, перспективные искажения или многоколоночный макет — Tesseract деградирует быстро.

PaddleOCR — production‑grade решение: обнаружение текстовых блоков + распознавание + структурный анализ. Работает из коробки для 80+ языков, включая русский. Поддерживает таблицы и документы со сложной структурой. Wikipedia: Оптическое распознавание символов. TrOCR (Microsoft) — трансформерный OCR с сильными результатами на рукописном тексте. Для русского рукописного текста нужен fine‑tuning: базовая модель обучена преимущественно на латинице.

Что делать, если Tesseract не справляется с распознаванием образов на документах?

Для задач «извлеки данные из счёта / договора / паспорта» используем LayoutLMv3 или Donut — эти модели понимают layout документа, а не только текст. Интеграция через Hugging Face Transformers, fine‑tuning на 200–500 размеченных документах. Типичный pipeline:

1. Preprocessing: deskew, denoising, binarization через OpenCV.
2. Обнаружение текстовых блоков: PaddleOCR detection или CRAFT.
3. Распознавание: PaddleOCR recognition или TrOCR.
4. Post‑processing: нормализация, валидация через regex или LLM для структурированных полей.

Для документов с фиксированной структурой template matching + OCR точечно по координатам зачастую надёжнее end‑to‑end решения.

Face Recognition: идентификация и верификация

Face recognition = detection + alignment + embedding + matching. Каждый этап важен.

Detection: RetinaFace или InsightFace для точной локализации лица и ключевых точек. MTCNN — более старое, но надёжное решение. Embedding: ArcFace (InsightFace) — state‑of‑the‑art для face recognition embeddings. Модели iresnet50/iresnet100 предобучены на MS1MV3 (5M идентичностей). Эмбеддинг‑вектор 512 float32, сравнение по cosine similarity. Threshold tuning: порог решения — критический параметр. При threshold 0.6 типичный FPR на LFW benchmark — 0.001, TPR — 0.985. В production threshold нужно калибровать под реальный distribution: люди в масках, с изменившейся внешностью, в разных условиях освещения. Liveness detection обязателен: MiniFASNet — lightweight модель на CPU, FaceX‑Zoo содержит несколько предобученных liveness‑детекторов.

Видеоаналитика

Видео — последовательность кадров плюс временное измерение. Наивный подход — детектировать на каждом кадре — дорого.

Трекинг: ByteTrack и BoT‑SORT — стандарт для multi‑object tracking. Работают поверх любого детектора, добавляют persistent ID объектам между кадрами — это даёт подсчёт объектов, треки движения, velocity.

Оптимизация: не нужно обрабатывать каждый кадр. Для статичных сцен детекция на каждом 5–10 кадре, между ними — трекер. Для детекции событий (человек вошёл в зону) background subtraction (OpenCV MOG2) как lightweight pre‑filter перед нейросетевой детекцией. Action Recognition: SlowFast, VideoMAE для классификации действий. Тяжёлые модели — для production используем ONNX export + TensorRT либо оффлайн обработку.

Как измерить качество модели распознавания образов в продакшене?

Мониторинг качества — ключевой элемент MLOps. Отслеживаем:

• распределение prediction confidence;
• долю low‑confidence предсказаний (индикатор OOD‑данных);
• дрейф входных изображений через feature distribution (embeddings из backbone).

Падение средней confidence с 0.87 до 0.71 за неделю — ранний сигнал о distribution shift. NVIDIA Triton Inference Server рекомендует отслеживать эти метрики через Prometheus. Наши сертифицированные инженеры настраивают мониторинг и гарантируют SLA по качеству инференса.

Деплой CV‑моделей

Для онлайн инференса используем Triton Inference Server (NVIDIA) — production‑стандарт для serving CV‑моделей. Поддерживает TensorRT, ONNX, PyTorch, dynamic batching, multiple instances. REST и gRPC API. Гарантируем стабильную работу под нагрузкой.

Edge deployment: ONNX Runtime на ARM/x86 CPU. TensorFlow Lite для мобильных устройств. OpenVINO для Intel CPU/GPU/VPU — даёт 2–3× прирост скорости на Intel железе по сравнению с ONNX Runtime. После деплоя передаём модель с документацией и обучаем персонал.

Что входит в работу

Сроки и стоимость

Прототип детектора на существующих данных — 1–2 недели. Production‑система с оптимизацией под целевое железо — 4–8 недель. Полный цикл включая разметку данных (1000–5000 изображений) — 2–4 месяца. Стоимость рассчитывается индивидуально под каждую задачу. Примерная экономия от внедрения системы контроля качества — до 1 млн рублей в месяц на одном производственном участке.

Мы на рынке более 5 лет, реализовали 60+ проектов по компьютерному зрению. Оценим ваш проект под ключ — закажите консультацию, чтобы получить расчёт и техническое предложение.