Cómo Yahoo mejora la reorientación de búsqueda utilizando Amazon Bedrock

Conectar la intención de búsqueda del usuario con experiencias publicitarias relevantes en todos los canales es un desafío de larga data en la publicidad digital. Los anunciantes necesitan formas sofisticadas de llegar a las audiencias en función de sus intereses y comportamientos demostrados, en particular su actividad de búsqueda, que es una de las señales más fuertes de la intención del usuario. Los enfoques tradicionales de expansión de palabras clave a menudo tienen problemas con un vocabulario obsoleto, una comprensión semántica limitada y la incapacidad de captar el significado matizado detrás de las consultas de búsqueda.

La plataforma omnicanal del lado de la demanda (DSP) de Yahoo aborda estos desafíos proporcionando a los anunciantes tecnología avanzada, acceso a suministros premium, gran escala y relaciones confiables con los consumidores. Un DSP permite a los anunciantes comprar inventario de anuncios en múltiples intercambios y canales a través de una única interfaz. Yahoo DSP mejora esta capacidad con una segmentación de audiencia sofisticada impulsada por reglas definidas por los anunciantes, aprendizaje automático (ML) e IA generativa.

En el centro de esta segmentación se encuentra el concepto de segmento de audiencia: un grupo de usuarios que comparten intereses, datos demográficos o comportamientos específicos y a los que se puede dirigir colectivamente campañas publicitarias. Estos segmentos se pasan a sistemas de orientación para la publicación de anuncios, asegurándose de que los usuarios coincidan con las campañas de anunciantes más relevantes.

En esta publicación, demostramos cómo Yahoo implementó Amazon Bedrock para mejorar sus capacidades de Search Retargeting (SRT) en la suite de tecnología publicitaria Yahoo DSP. SRT es una solución de orientación de audiencia principal que ayuda a los anunciantes a llegar a los usuarios en función de su comportamiento de búsqueda histórico, uniendo la intención de búsqueda con la publicidad gráfica, de vídeo y nativa. Más allá de apuntar a las palabras clave ingresadas en Yahoo Search, SRT utiliza IA para identificar e involucrar a los usuarios que demuestran intención a través de la actividad de búsqueda tanto en Yahoo como en los sistemas integrados de los socios.

Retos empresariales

Anteriormente, la arquitectura Yahoo SRT utilizaba el modelo de incrustación Word2Vec combinado con hash sensible a la localidad (LSH) para expandir las palabras clave del anunciante. Este proceso de varios pasos implicó canonicalizar palabras clave, generar incrustaciones, indexarlas, realizar búsquedas LSH, filtrar términos confidenciales y clasificar los resultados.

Sin embargo, el enfoque Word2Vec + LSH tenía varias limitaciones:

Vocabulario obsoleto: no siempre reflejaba los términos actuales. Búsquedas basadas en frases: se centraba en frases en lugar de entidades específicas. Similitud sintáctica: la expansión se basó en el significado sintáctico más que en el semántico. Expansión cero: en algunos casos, no logró generar ninguna palabra clave nueva.

Abordamos estos desafíos implementando una expansión de palabras clave SRT generativa impulsada por IA utilizando Amazon Bedrock y modelos de lenguaje grande (LLM). Esta mejora genera expansiones de palabras clave más relevantes y semánticamente ricas, lo que ayuda a los anunciantes a llegar a audiencias más amplias y precisas.

Descripción general de la solución

Antes de presentar la solución, resulta útil revisar el flujo de trabajo SRT heredado, ilustrado en el siguiente diagrama. Los anunciantes comienzan definiendo cada segmento a través de un conjunto de palabras clave objetivo. Estos metadatos se almacenan en una base de datos SQL. Luego, el sistema backend realiza la expansión de las palabras clave, generando términos semánticamente relacionados para aumentar el alcance de la audiencia y mejorar los resultados de los anunciantes. Tanto el conjunto de palabras clave original como el ampliado se conservan en un clúster de Amazon OpenSearch Service. Otro flujo de trabajo llamado Batch Scoring evalúa los historiales de búsqueda de los usuarios de Yahoo con respecto a los metadatos de este segmento para determinar la pertenencia al segmento.

Modernizado con IA generativa

Al reconocer las limitaciones del enfoque heredado, nuestro objetivo era actualizar la expansión de las palabras clave con una solución moderna de inteligencia artificial generativa. Amazon Bedrock hizo posible este trabajo. Al ofrecer acceso sin servidor a una amplia selección de modelos básicos (FM) líderes, Amazon Bedrock ayudó a nuestros equipos a experimentar con múltiples LLM, incluidos Amazon Nova, Meta Llama y Anthropic's Claude, sin crear una infraestructura personalizada.

Al evaluar nuevos enfoques, también tomamos en cuenta consideraciones críticas para la publicidad computacional, que incluyen:

Filtrado de palabras clave sensibles. Segmentar listas de denegados. Preferencias de privacidad del usuario. Requisitos de cumplimiento de políticas.

El siguiente diagrama ilustra la arquitectura actualizada que utiliza Amazon Bedrock e IA generativa.

Selección y resultados de LLM

Durante el proceso de selección y evaluación de LLM, creamos prototipos y evaluamos varios modelos utilizando Amazon SageMaker Studio, incluidos Amazon Titan, Meta Llama y Anthropic's Claude. En última instancia, se seleccionó Claude 3.5 Sonnet v2 de Anthropic como el modelo más eficaz para la expansión de las palabras clave de búsqueda, equilibrando tanto el índice de expansión como la similitud semántica.

En el proceso de evaluación, observamos conductas de alucinación en los LLM. Para reducir las alucinaciones y mantener la calidad, introdujimos un paso de verificación. Las palabras clave ampliadas generadas por el LLM se convierten en incrustaciones y se comparan con el conjunto original. Las palabras clave que caen por debajo de un umbral de similitud se filtran, asegurándose de que solo se conserven los términos más relevantes. Este paso de validación es fundamental para mantener la precisión y la confianza en el flujo de trabajo.

Cuando se implementó a través de Amazon Bedrock, Claude 3.5 Sonnet v2 demostró capacidades de expansión sustancialmente superiores en comparación con el método LSH heredado, generando con frecuencia cientos o incluso miles de palabras clave en los casos en que LSH no produjo ninguna. El índice de expansión amplio mediano se quintuplicó y el índice de expansión máximo se duplicó, incluso bajo umbrales de similitud estrictos. Vea el siguiente gráfico.

En general, la expansión de palabras clave generativa basada en IA aumenta la cantidad de palabras clave recuperadas y garantiza que sean semánticamente relevantes, lo que mejora significativamente la orientación de los usuarios de búsqueda.

Relación de expansión de palabras clave de LLM frente a puntuación de similitud de coseno.

Expansión de palabras clave de barrera en flujos de trabajo de IA generativa

Cuando diseñamos por primera vez nuestro flujo de trabajo de expansión de palabras clave SRT, nos centramos únicamente en el paso de expansión, tomando palabras clave iniciales y generando un conjunto más amplio de términos relacionados utilizando modelos de IA generativa. Este enfoque funcionó, pero también introdujo desafíos:

En algunos casos, el modelo se expandió demasiado y produjo un gran conjunto de palabras clave. Las palabras clave iniciales raras o ambiguas a veces resultaban en expansiones ruidosas o no relacionadas.

Esto puso de relieve la necesidad de un mecanismo de control de calidad. Para solucionar esto, introdujimos la generación de incrustaciones y la puntuación de similitud:

Incrustación y verificación de similitud. Para cada palabra clave expandida, generamos una incrustación. Luego calculamos una puntuación de similitud con respecto a la incrustación de la palabra clave original. Sólo se conservan las palabras clave que superan un umbral de similitud definido. Esto garantiza que las palabras clave ampliadas permanezcan alineadas semánticamente con la intención original. Barandillas de palabras clave sensibles. Además del filtrado semántico, también aplicamos comprobaciones de palabras clave sensibles. El filtrado ocurre antes de la inferencia (para evitar la expansión de términos indeseables) y después de la inferencia (para eliminar expansiones sensibles).

Al combinar la puntuación de similitud semántica con el filtrado de palabras clave sensibles, creamos un canal de expansión de palabras clave con barreras de seguridad. Este enfoque preserva la amplitud y la creatividad de la expansión impulsada por la IA generativa, manteniendo al mismo tiempo la relevancia, la calidad y el cumplimiento.

Valor e impacto empresarial

Esta capacidad de expansión de palabras clave mejorada basada en IA generativa se lanzó a producción en el primer trimestre de 2025.

Valor para los anunciantes

Los anunciantes se benefician de un alcance de audiencia significativamente más amplio y preciso. La lógica de expansión impulsada por LLM aumenta el conjunto de palabras clave candidatas mientras filtra por calidad, lo que genera campañas que se alinean más estrechamente con la intención del usuario. Esto se traduce en una mayor relevancia, un compromiso más sólido y mejores tasas de conversión.

Valor para Yahoo DSP

Desde una perspectiva del sistema, el nuevo sistema ofrece mejoras sustanciales a escala:

Aumento de hasta 600 veces en las tasas de expansión de palabras clave. Crecimiento de hasta 5 veces en el alcance de la audiencia direccionable. Ganancias en el rendimiento y las conversiones de la campaña.

Al modernizar la expansión de palabras clave con LLM, Yahoo DSP está mejor posicionado para generar valor para los anunciantes y al mismo tiempo fortalecer su ventaja competitiva en el entorno programático.

¿Por qué Amazon Bedrock?

Amazon Bedrock proporcionó acceso sin servidor a múltiples FM líderes, incluidos Amazon Nova, Meta Llama y Claude de Anthropic, sin necesidad de que el equipo de Yahoo construyera o administrara una infraestructura compleja. Esta capacidad nos ayudó a experimentar rápidamente, escalar nuestras cargas de trabajo e implementar de manera flexible.

Amplitud de modelos: Amazon Bedrock nos ayudó a experimentar rápidamente con múltiples FM líderes. Sin administración de infraestructura: Amazon Bedrock proporciona acceso sin servidor a los LLM, lo que elimina la necesidad de alojar, escalar o aplicar parches al modelo. Opciones de inferencia flexibles: Amazon Bedrock ofrece opciones de inferencia por lotes y en tiempo real para la creación de prototipos y la toma de decisiones de forma rápida y flexible. Actualizaciones de modelo sencillas con Amazon Bedrock: cambiar a una versión de modelo más nueva o más avanzada es un cambio de configuración. La arquitectura de Amazon Bedrock abstrae la infraestructura subyacente y los desafíos de compatibilidad, para que los equipos puedan adoptar modelos actualizados con un mínimo esfuerzo.

Conclusión

En esta publicación, destacamos cómo SRT sirve como una oferta de producto principal en Yahoo DSP y cómo transformamos la expansión de palabras clave utilizando IA generativa. Al utilizar Amazon Bedrock, nuestros equipos obtuvieron acceso sin servidor a múltiples LLM líderes sin la sobrecarga de administrar la infraestructura. Esta capacidad nos ayudó a ampliar las palabras clave originales de los anunciantes en conjuntos semánticamente ricos y de alta calidad, aumentando tanto el tamaño como la precisión de la audiencia objetivo.

Reemplazar el flujo de trabajo heredado de Word2Vec y LSH por LLM con tecnología de Amazon Bedrock generó expansiones de palabras clave más precisas y contextualmente relevantes. El nuevo enfoque impulsa un mayor rendimiento de las campañas, mayores tasas de conversión y una mayor flexibilidad operativa. Amazon Bedrock hizo posible esta transformación, ayudando a Yahoo DSP a escalar de manera más rápida y eficiente en la publicidad basada en IA.

Para obtener más información, consulte la página de detalles de Amazon Bedrock y la Guía del usuario de Amazon Bedrock. Para comenzar a construir, abra la consola de Amazon Bedrock.

Sobre los autores