Em resumo
- AdGazer é um modelo que prevê a atenção humana ao anúncio usando IA treinada com rastreamento ocular.
- O contexto da página gera até um terço dos resultados de atenção do anúncio.
- Uma demonstração acadêmica poderia evoluir rapidamente para uma implantação real de tecnologia de publicidade.
Em algum lugar entre o artigo que você está lendo e o anúncio ao lado dele, uma guerra silenciosa está sendo travada pelos seus olhos. A maioria dos anúncios gráficos perde isso porque as pessoas simplesmente odeiam anúncios – tanto que grandes empresas de tecnologia como a Perplexity ou a Anthropic estão tentando evitar esses fardos invasivos, em busca de melhores modelos de monetização.
Mas uma nova ferramenta de IA desenvolvida por pesquisadores da Universidade de Maryland e da Universidade de Tilburg quer mudar isso – prevendo, com uma precisão inquietante, se você realmente verá um anúncio antes que alguém se dê ao trabalho de colocá-lo lá.
A ferramenta se chama AdGazer e funciona analisando o anúncio em si e o conteúdo da página da web que o cerca – e então prevê quanto tempo um espectador típico ficará olhando para o anúncio e o logotipo de sua marca com base em extensos dados históricos de pesquisa publicitária.
A equipe treinou o sistema em dados de rastreamento ocular de 3.531 anúncios digitais. Pessoas reais usavam equipamento de rastreamento ocular, navegavam nas páginas e seus padrões de olhar eram registrados. AdGazer aprendeu com tudo isso.
Quando testado em anúncios que nunca tinha visto antes, previu atenção com uma correlação de 0,83 – o que significa que as suas previsões se alinharam com os padrões reais do olhar humano cerca de 83% das vezes.
Ao contrário de outras ferramentas que focam no próprio anúncio, o AdGazer lê toda a página ao seu redor. Um artigo de notícias financeiras próximo a um anúncio de relógio de luxo tem um desempenho diferente do mesmo anúncio de relógio próximo a um placar de placar esportivo.
O contexto envolvente, segundo o estudo publicado na Jornal de Marketingé responsável por pelo menos 33% de quanta atenção um anúncio recebe – e cerca de 20% de quanto tempo os espectadores olham especificamente para a marca. Isso é um grande problema para os profissionais de marketing que há muito presumiam que o próprio criativo fazia todo o trabalho pesado.
O sistema usa um modelo multimodal de linguagem grande para extrair tópicos de alto nível do anúncio e do conteúdo da página ao redor e, em seguida, descobre até que ponto eles correspondem semanticamente – basicamente o anúncio em si versus o contexto em que é colocado. Esses embeddings de tópicos alimentam um modelo XGBoost, que os combina com recursos visuais de nível inferior para produzir uma pontuação final de atenção.
Os pesquisadores também construíram uma interface, Gazer 1.0, onde você pode enviar seu próprio anúncio, desenhar caixas delimitadoras ao redor da marca e dos elementos visuais e obter um tempo previsto de visualização em segundos – junto com um mapa de calor mostrando quais partes da imagem o modelo acha que chamarão mais atenção. Ele é executado sem a necessidade de hardware especializado, embora a correspondência completa de tópicos com tecnologia LLM ainda exija um ambiente de GPU ainda não integrado à demonstração pública.
Por enquanto é uma ferramenta acadêmica. Mas a arquitetura já está lá. A lacuna entre uma demonstração de pesquisa e um produto de tecnologia publicitária de produção é medida em meses, não em anos.
Resumo Diário Boletim informativo
Comece cada dia com as principais notícias do momento, além de recursos originais, podcast, vídeos e muito mais.
Fontedecrypt
