AI-система аналізу ефективності рекламних креативів: прогнозування CTR

Рекламний відділ запускає 50 банерів — який із них спрацює? A/B-тести вимагають тижнів і тисяч показів. Ми вирішуємо це до запуску: AI-система аналізує візуальні ознаки креативу та передбачає CTR з точністю до ±15% на основі історичних даних. За 5 років роботи ми впровадили аналогічні рішення для 30+ проєктів в e-commerce та fintech, гарантуючи зростання CTR на 10–30% після оптимізації. Один із клієнтів — маркетплейс одягу — витрачав значний бюджет на тестування креативів; після впровадження AI-системи вони скоротили витрати на 40% та підвищили середній CTR на 22%. Окупність системи становить 2–3 місяці.

Як AI передбачає CTR?

Система вилучає два типи ознак: семантичні через CLIP та низькорівневі візуальні (контраст, насиченість, текстове покриття, наявність облич). Навчаємо LightGBM на логарифмі CTR для нормалізації розподілу. LightGBM у 3 рази швидший за нейромережеві аналоги та дає порівнянну точність.

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:
    """
    Мультимодальні ознаки: CLIP semantic + низькорівневі 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:
        """
        Низькорівневі ознаки, що корелюють з CTR:
        - face_area_ratio: наявність обличчя (face = +18% CTR за Nielsen)
        - contrast: високий контраст → помітність
        - color_harmony: гармонійна палітра
        - text_coverage: скільки % займає текст
        - brightness_variance: візуальна складність
        """
        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)
        )

        # Яскравісна дисперсія
        features['brightness_variance'] = float(gray.std() / 128.0)

        # Домінантні кольори (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

        # Детекція облич
        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)

        # Частка текстових регіонів (через морфологію)
        _, 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:
    """
    Навчаємо на історичних даних: (visual_features, clip_embedding) → CTR.
    Цільова змінна: log(CTR) для нормалізації розподілу.
    """
    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 + візуальні ознаки ~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 пояснюваність — топ-3 фактори
        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,   # заповнюється з розподілу 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
        ]

Чому LightGBM, а не DNN?

Градієнтний бустинг на табличних даних дає кращу якість, ніж нейромережі, при малому обсязі даних (тисячі креативів). LightGBM у 3 рази швидший за CatBoost на 500+ ознаках, а SHAP-інтерпретація працює «з коробки». Для продакшену ми використовуємо vLLM для інференсу CLIP та ONNX Runtime для прискорення моделі.

Що таке SHAP і як він допомагає дизайнерам?

SHAP (SHapley Additive exPlanations) присвоює кожній ознаці внесок у передбачення — аналогічно розподілу виграшу в кооперативній грі. Дизайнер бачить, що «наявність обличчя» збільшила прогнозований CTR на 0.8%, а «низький контраст» знизив на 0.4%. Це дозволяє свідомо покращувати банер, а не гадати. Ми інтегруємо SHAP-графіки в дашборд Streamlit, де можна завантажити креатив і одразу отримати топ-3 фактори.

Як ми інтегруємо систему у ваш creative workflow?

Ми розгортаємо REST API на Triton Inference Server або SageMaker. API приймає зображення та повертає predicted_ctr і top_factors. Через плагіни для Figma і Photoshop дизайнери отримують предикт прямо в інтерфейсі. Вбудована MLOps-інфраструктура (MLflow, DVC) версіонує дані та моделі, підтримує A/B-тести нових версій. Типова інтеграція займає 1–2 тижні.

Ключові інсайти з даних

За накопиченою статистикою рекламних платформ (Google, Meta):

Процес роботи

1. Аналітика: аудит історичних креативів, збір метрик, оцінка вибірки. Ми перевіряємо, чи достатньо даних і чи є баланс за категоріями.
2. Проєктування: вибір архітектури (CLIP vs EfficientNet, LightGBM vs XGBoost), опис feature pipeline. Визначаємо метрики якості: MAE, MAPE, кореляція Спірмена.
3. Реалізація: навчання моделі, валідація на відкладеній вибірці (time-based split). Інтегруємо SHAP для пояснюваності.
4. Тестування: A/B-експеримент на 20 креативах — порівнюємо передбачення з фактичним CTR після тижня показів.
5. Деплой: розгортання API, підключення до дизайн-пайплайну через плагіни. Налаштовуємо моніторинг дрейфу даних.

Що входить у роботу

• Документація: model card, експлуатаційна інструкція, опис API.
• Вихідний код з DVC-версіонуванням даних.
• Доступ до дашборду Streamlit для тестування нових креативів.
• Навчання команди роботі з системою (2 години).
• Підтримка 3 місяці після деплою.

Строки

Ми гарантуємо прозорість прогнозів: кожен передбачений CTR супроводжується топ-3 факторами від SHAP. Отримайте консультацію щодо вашого проєкту — оцінимо дані за 2 дні. Зв'яжіться з нами для оцінки ваших даних — ми проаналізуємо 100 креативів за 2 дні. Замовте пілот на 20 креативах — результат через тиждень.

Як distribution shift вбиває метрики CV-моделі в промисловості

На виробництві ставлять камеру, контролюють якість продукції. Модель навчена на 10 000 розмічених зображень — точність на тесті mAP 0.84. Запускають у продакшен — і в перший же тиждень пропускають 30% дефектів. Освітлення на лінії змінюється по змінах, distribution shift обнуляє метрики. Це класична історія з Computer Vision у промисловості, де розпізнавання образів дає збій без правильної обробки дрейфу.

Наші інженери з досвідом 60+ проектів з комп'ютерного зору знають, як виключити такі сценарії. Гарантуємо стабільну роботу моделі в реальних умовах.

Які архітектури детекції об'єктів обрати: YOLO, RT‑DETR чи інші?

YOLO — стандарт для real‑time детекції. YOLOv8 та YOLOv11 від Ultralytics — найбільш використовувані версії у виробництві: простий API, активна спільнота, вбудована валідація та експорт в ONNX/TensorRT. Для задач з високими вимогами до точності та коли latency менш критична — RT‑DETR, transformer‑based архітектура без NMS, дає кращий mAP на COCO при порівнянній швидкості з YOLOv8l.

Типова помилка при навчанні детектора: датасет 8000 зображень, 3 класи, fine‑tune YOLOv8m — F1 0.73 на валідації. Дивимося confusion matrix — один клас майже ніколи не детектується. Причина: дисбаланс 1:23. Рішення: oversampling рідкісного класу, focal loss для objectness, аугментації (Mosaic, MixUp вимкнути для рідкісного класу — вони його «розмивають»). Transfer learning обов'язковий: передтреновані на COCO ваги скорочують потребу в даних у 10 разів. Fine‑tune на 500–2000 доменних зображеннях дає робочу модель за 1–2 дні на одній GPU.

Для edge deployment: експорт в ONNX → TensorRT engine. YOLOv8n в TensorRT FP16 на Jetson AGX Orin дає 150+ FPS при P99 latency < 8 ms — це в 3 рази швидше, ніж ONNX Runtime без TensorRT. На сервері A10G: 700+ FPS для YOLOv8n в TensorRT INT8.

Як fine‑tuning YOLO допомагає в розпізнаванні образів?

Припустимо, потрібно знаходити мікродефекти на поверхні металу — задача з високою роздільною здатністю та перекосом класів. Використовуємо YOLOv8m, передтренований на COCO (документація Ultralytics), і донавчаємо на 2000 власних зображень. Застосовуємо аугментації Mosaic, MixUp, random perspective. Після 200 епох mAP 0.5 досягає 0.93. Ключові прийоми:

• focal loss для objectness голови — зменшує внесок легко класифікованих прикладів.
• class‑balanced sampling — вирівнює представництво рідкісних класів.
• Test Time Augmentation (TTA) — підвищує recall на 5–7% за рахунок усереднення по фліпах та масштабах.

Отримайте консультацію з підбору архітектури для вашого завдання — зв'яжіться з нами.

Які архітектури сегментації обрати: SAM, Mask R‑CNN чи інші?

SAM (Segment Anything Model) від Meta змінив підхід до сегментації. SAM 2 працює з відео, підтримує трекінг об'єктів через кадри — для інтерактивного виділення об'єкта по точці або bbox це найкращий вибір з коробки. Для production instance segmentation без інтерактивного промпту — Mask R‑CNN або YOLOv8‑seg. YOLOv8‑seg навчається як звичайний детектор з додатковими масками, зручний у тих же пайплайнах. Семантична сегментація (кожен піксель — клас) — SegFormer, DeepLabV3+. SegFormer‑B5 дає хороший баланс точності та швидкості для аналізу супутникових знімків або медичної сегментації.

Кейс: сегментація клітин на мікроскопічних зображеннях. Датасет 400 зображень з ручною розміткою. Навчання Mask R‑CNN на ResNet‑50 backbone дало IoU 0.61 — погано. Проблема: об'єкти (клітини) перекриваються, стандартний NMS вбиває перекриваючі передбачення. Рішення: перехід на cellpose (спеціалізована архітектура для біомедичних задач) + soft‑NMS. IoU зріс до 0.79.

Коли Tesseract не справляється з OCR?

Tesseract — відправна точка для простих задач: друкований текст, хороше освітлення, рівне розташування. Як тільки з'являються рукописні елементи, нестандартні шрифти, перспективні спотворення або багатоколоночний макет — Tesseract деградує швидко.

PaddleOCR — production‑grade рішення: виявлення текстових блоків + розпізнавання + структурний аналіз. Працює з коробки для 80+ мов, включаючи українську. Підтримує таблиці та документи зі складною структурою. Wikipedia: Оптичне розпізнавання символів. TrOCR (Microsoft) — трансформерний OCR з сильними результатами на рукописному тексті. Для українського рукописного тексту потрібен fine‑tuning: базова модель навчена переважно на латиниці.

Що робити, якщо Tesseract не справляється з розпізнаванням образів на документах?

Для задач «витягни дані з рахунку / договору / паспорта» використовуємо LayoutLMv3 або Donut — ці моделі розуміють layout документа, а не тільки текст. Інтеграція через Hugging Face Transformers, fine‑tuning на 200–500 розмічених документах. Типовий pipeline:

1. Preprocessing: deskew, denoising, binarization через OpenCV.
2. Виявлення текстових блоків: PaddleOCR detection або CRAFT.
3. Розпізнавання: PaddleOCR recognition або TrOCR.
4. Post‑processing: нормалізація, валідація через regex або LLM для структурованих полів.

Для документів з фіксованою структурою template matching + OCR точково по координатах часто надійніше за end‑to‑end рішення.

Face Recognition: ідентифікація та верифікація

Face recognition = detection + alignment + embedding + matching. Кожен етап важливий.

Detection: RetinaFace або InsightFace для точної локалізації обличчя та ключових точок. MTCNN — старіше, але надійне рішення. Embedding: ArcFace (InsightFace) — state‑of‑the‑art для face recognition embeddings. Моделі iresnet50/iresnet100 передтреновані на MS1MV3 (5M ідентичностей). Ембеддинг‑вектор 512 float32, порівняння за cosine similarity. Threshold tuning: поріг рішення — критичний параметр. При threshold 0.6 типовий FPR на LFW benchmark — 0.001, TPR — 0.985. У production threshold потрібно калібрувати під реальний distribution: люди в масках, зі зміненою зовнішністю, в різних умовах освітлення. Liveness detection обов'язковий: MiniFASNet — lightweight модель на CPU, FaceX‑Zoo містить кілька передтренованих liveness‑детекторів.

Відеоаналітика

Відео — послідовність кадрів плюс часовий вимір. Наївний підхід — детектувати на кожному кадрі — дорого.

Трекінг: ByteTrack та BoT‑SORT — стандарт для multi‑object tracking. Працюють поверх будь-якого детектора, додають persistent ID об'єктам між кадрами — це дає підрахунок об'єктів, трекі руху, velocity.

Оптимізація: не потрібно обробляти кожен кадр. Для статичних сцен детекція на кожному 5–10 кадрі, між ними — трекер. Для детекції подій (людина увійшла в зону) background subtraction (OpenCV MOG2) як lightweight pre‑filter перед нейромережевою детекцією. Action Recognition: SlowFast, VideoMAE для класифікації дій. Важкі моделі — для production використовуємо ONNX export + TensorRT або офлайн обробку.

Як виміряти якість моделі розпізнавання образів у продакшені?

Моніторинг якості — ключовий елемент MLOps. Відстежуємо:

• розподіл prediction confidence;
• частку low‑confidence передбачень (індикатор OOD‑даних);
• дрейф вхідних зображень через feature distribution (embeddings з backbone).

Падіння середньої confidence з 0.87 до 0.71 за тиждень — ранній сигнал про distribution shift. NVIDIA Triton Inference Server рекомендує відстежувати ці метрики через Prometheus. Наші сертифіковані інженери налаштовують моніторинг і гарантують SLA по якості інференсу.

Деплой CV‑моделей

Для онлайн інференсу використовуємо Triton Inference Server (NVIDIA) — production‑стандарт для serving CV‑моделей. Підтримує TensorRT, ONNX, PyTorch, dynamic batching, multiple instances. REST та gRPC API. Гарантуємо стабільну роботу під навантаженням.

Edge deployment: ONNX Runtime на ARM/x86 CPU. TensorFlow Lite для мобільних пристроїв. OpenVINO для Intel CPU/GPU/VPU — дає 2–3× приріст швидкості на Intel залізі порівняно з ONNX Runtime. Після деплою передаємо модель з документацією та навчаємо персонал.

Що входить в роботу

Терміни та вартість

Прототип детектора на існуючих даних — 1–2 тижні. Production‑система з оптимізацією під цільове залізо — 4–8 тижнів. Повний цикл включаючи розмітку даних (1000–5000 зображень) — 2–4 місяці. Вартість розраховується індивідуально під кожну задачу. Ми на ринку більше 5 років, реалізували 60+ проектів з комп'ютерного зору. Оцінимо ваш проект під ключ — замовте консультацію, щоб отримати розрахунок та технічну пропозицію.